TIEMPO
Dr. Luis Miguel Galindo
INTRODUCCIN
Los modelos de series de tiempo buscan capturar caractersticas
empricas relevantes de los datos observados
ARIMA
Las series de tiempo sirven para validar modelos estructurales a
ante su inexistencia.
Modelos estructurales no sirven, a veces, para pronsticos fuera
de la muestra
CONCEPTOS GENERALES
Una serie es estrictamente estacionaria en el caso en que la
distribucin de sus valores se mantienen constantes a lo largo
del tiempo de modo que la probabilidad de que Y
t
se ubique en
cierto intervalo se mantiene constante.
F(X
1t
, X
2t
,.., X
nt
) = F(X
1t+1
, X
2t+2
,.., X
nt+1
)
Una serie estacionaria dbil o de covarianza estacionaria se define
como:
1.1 E(Y
t
) = media constante
1.2 E(Y
t
- ) (Y
t
- ) = o
2
varianza constante
1.3 E(Y
1t
- ) (Y
2t
- ) =
12
t
estructura de la autocovarianza
constante
CONCEPTOS GENERALES
2.1 Cov(X
t
, X
t+s
) =
s
= E[(Y
t
- ) (Y
t+n
- )]
2.2. coeficiente de autocorrelacin
Funcin de autocovarianzas
2.3
s
= Cov(X
t
, X
t+s
)
Acf o correlograma =coeficientes de autocorrelacin
) var( ) var(
) , (
s t t
s t t
s
X X
X X Cov
P
+
+
=
CONCEPTOS GENERALES
Ruido Blanco:
Un ruido blanco es un proceso que tiene una estructura que puede
identificarse:
3.1 E(Y
t
) =
3.2 Var(Y
t
) = o
2
o
2
si t = r
3.3
t-r
=
0 en otro caso
Un ruido blanco tiene media y varianza constante y autocovarianzas
cero con excepcin del rezago cero.
Cada observacin no est autocorrelacionada
CONCEPTOS GENERALES
Bajo el supuesto de distribucin normal de Y
t
entonces los
coeficientes de autocorrelacin muestral tambin se distribuyen
normalmente:
4.
s
~ N(0, 1/T)
1.96 *
T
1
CONCEPTOS GENERALES
Box Pierce (1970):
5.1
Ho: _
2
(m)
= coeficientes de autocorrelacin
Todos los coeficientes de autocorrelacin son cero
m=rezago
Lung Box (1978):
5.2 ~ _
2
(m)
= coeficientes de autocorrelacin
LB mejores propiedades en muestras pequeas
=
=
m
k
s
T BP
1
2
=
+ =
m
k
k
k T
p
T T LB
1
2
) 2 (
EJERCICIO 1: Ejercicio: Determinar un AR con tasa de inters y
discutir sus criterios de seleccin
PROCESO MA
Una serie con E(u
t
) = 0 y var(u
t
) = o
2
entonces un MA es:
6. Y
t
= + u
t
+ u
1
u
t-1
+ u
2
u
t-2
+ + u
q
u
t-q
6.1
Un MA es una combinacin lineal de procesos que son ruido blanco
6.2
6.3
t i t
q
i
i t
u u Y + + =
=
1
u
t t
q
i
i
i t
u u L Y + + =
=1
u
t t
Lu Y u + =
PROCESO MA
Caractersticas del MA:
7.1 Media constante: E(Y
t
) =
7.2 Varianza constante: Var(Y
t
) =
0
= (1 + u
2
1
+ u
2
2
+ + u
2
q
)o
2
(u
s
+ u
1
u
s+1
+ + u
q
u
q-s
)o
2
7.3 Covarianza =
0 para s > q
PROCESO MA
Teorema de descomposicin de Wold indica que toda serie
estacionaria dbil que se extrajo el componente determinstico
puede descomponerse en una combinacin lineal de una secuencia
de variables aleatorias no correlacionadas
PROCESO AR
AR(p)
8. Y
t
= + |
1
Y
t-1
+ |
2
Y
t-2
+ + |
p
Y
t-p
+ u
t
u
t
= ruido blanco
8.1
8.2
8.3 |(L)Y
t
= + u
t
|(L) = (1 - |
1
L - |
2
L
2
- - |
p
L
p
)
t i t
p
i
i t
u y Y + + =
=
1
|
t t
p
i
i
i t
u y L Y + + =
=1
|
PROCESO AR
Como:
8.4 |(L)Y
t
= u
t
Entonces:
8.5 Y
t
= |(L)
-1
u
t
Las races de una ecuacin caracterstica caen fuera del crculo
unitario
9. (1 - |
1
Z - |
2
Z
2
- - |
p
Z
p
) = 0
PROCESO AR
Serie:
10. Y
t
= 3Y
t-1
0.25Y
t-2
+ 0.75Y
t-3
+ u
t
Entonces:
11. Y
t
= 3LY
t
0.25L
2
Y
t
+ 0.75L
3
Y
t
+ u
t
12. (1 - 3L 0.25L
2
+ 0.75L
3
)Y
t
= u
t
La ecuacin caracterstica:
12.1 (1 - 3Z 0.25Z
2
+ 0.75Z
3
) = 0
Factorizando:
12.2 (1 - Z) (1 1.5Z) (1 - 0.5Z) = 0
Z = 1, Z = 2/3, Z = 2
RAZ UNITARIA
t t
t t t
t t t
e Y L
e Y Y
e Y Y
+ =
+ =
+ + =
|
|
|
) 1 ( ) 2 . 1 (
) 1 . 1 (
) 1 (
1
1 1
1 1
Dividiendo (1.2) por |
1
:
(
|
|
.
|
\
|
L
1
1
) 3 . 1 (
|
La raz de esta ecuacin es el valor L (L*) que satisface que:
0
1
) 4 . 1 (
1
=
(
|
|
.
|
\
|
L
|
(
|
|
.
|
\
|
=
1
1
*
|
L
L* = La raz de la ecuacin
RAZ UNITARIA
Un AR(2) puede generar un I(1):
Una de las races es 1 y la otra tiene un modulo mayor a uno para que el proceso
sea estable:
Ejemplo:
( ) ( ) 0 25 . 0 1 1 :
) 25 . 0 25 . 1 1 ( ) 1 . 3 (
25 . 0 25 . 1 ) 3 (
2
2 1
=
+ = +
+ + =
L L in Factorizac
e Y L L
e Y Y Y
t t
t t t t
4 1
*
2
*
1
= = L L
RAZ UNITARIA
( ) ( )
( )
t t
t t t
t t
Y Z
Z Z Z L
a igual es Ello
e Y L L
elo el do Factorizan
A =
+ =
+ =
1
25 . 0 25 . 0 1 ) 3 . 3 (
:
25 . 0 1 1 ) 2 . 3 (
: mod
La condicin necesaria y suficiente para que la estabilidad es que las races del
polinomio |(L) = 1 - |
1
L - . - |
q
L
q
deben que tener un modulo mayor que uno.
Estabilidad Estacionariedad
Estacionariedad Estabilidad
RACES Y VALORES CARACTERSTICOS
L I L A
e Y L A
e Y
t t
t t
1
1 1
) (
) (
) 1 (
t
t
=
=
+
Estabilidad es suficiente pero no necesaria para estacionariedad
PROCESO ARMA
13. |(L)Y
t
= + |(L)u
t
|(L) = 1 - |
1
L - |
2
L
2
- - |
p
L
p
u(L) = 1 + u
1
L + u
2
L
2
- + u
q
L
q
Con:
E(u
t
) = 0; E(u
2
t
) = o
2
, E(u
t
u
s
) = 0 t = s
Las caractersticas del proceso ARMA es una combinacin de los
AR y MA
Condicin de invertibilidad:
MA |u| < 1
MODELOS ARMA: BOX JENKINS
1. Identificacin: Determinar el orden del modelo
Mtodo: ACF o grficas
2. Estimacin: MCO o Mxima Verosimilitud
3. Pruebas de diagnstico: Ajuste o diagnstico de residuales
PRONSTICOS EN EW
Estimacin de predicciones:
Mtodo esttico: Estima las predicciones una a una utilizando la
observacin anterior y los valores actuales
Mtodo dinmico: Estima las predicciones a partir de la primera
observacin del perodo de prediccin y utiliza valores
pronosticados en el caso de que existan valores rezagados de la
variable endgena
El mtodo estructural se utiliza con los errores sistemticos y
ofrece opcin esttica y dinmica
De no indicarse nada las predicciones se obtienen utilizando slo
la parte estructural del modelo (ignorando las autocorrelaciones)
PRONSTICOS EN EW
1. Root Mean Squared Error:
2. Mean Absolute Error:
3. Mean Absolute Percent Error:
T
f
RECM
i
=
2
T
f
EAM
n
i
n
i
=
=
1
| |
=
=
n
i
i
i
Y
f
T
EAMP
1
1
PRONSTICOS EN EW
4. Theil Inequality Coefficient:
Bias proportion
Variance proportion
Covariance proportion
T
Y
T
Y
T
Y Y
CDT
t t
t t
=
2 2
2
(
EJERCICIO 2: PRONSTICOS CON ARMA
Pronstico con ARMA de tasa de inters
INTRODUCCIN A LAS SERIES DE
TIEMPO
Dr. Luis Miguel Galindo