Curso de Prediccin Econmica y Empresarial

www.uam.es/predysim Edicin 2004

UNIDAD 3: MODELOS ARIMA La identificacin del modelo a partir de la fac y facp

Tal y como se ha sealado, para identificar el modelo ARIMA generador de la serie se utilizan las funciones fac y facp muestrales. La representacin grfica de ambas, en funcin de los distintos retardos se denomina correlograma. Pues bien, la identificacin se realiza mediante la comparacin de las caractersticas observadas en el correlograma y las caractersticas que cabe esperar para los distintos, y posibles, modelos tericos. Los siguientes ejemplos ayudarn a clarificar este aspecto. En primer lugar, se puede comprobar que un modelo AR(1) podra presentar uno de los dos siguientes correlogramas, en los que se recogen, por ejemplificar con una cifra, los 10 hipotticos primeros retardos:
Autocorrelation Function Partial Autocorrelation Function

10

10

Autocorrelation Function

Partial Autocorrelation Function

10

10

Es decir, en un modelo AR(1) o, lo que es lo mismo ARMA(1,0), encontramos que la funcin de autocorrelacin decrece rpidamente haca cero, bien sea de forma regular (primer correlograma), o alternando valores positivos y negativos (segundo correlograma). Aunque en nuestros grficos, para ejemplificar, se hara cero para valores superiores al 11 retardo, el modelo terico puede presentar tales valores para retardos previos. A su vez, la funcin de autocorrelacin parcial presenta un nico valor
Pgina 1 de 6

distinto de cero, es decir, tantos como el orden del proceso AR. Estas caractersticas son generalizables para los modelos ARMA, con orden de medias mviles igual a cero. Es decir, un modelo ARMA(2,0) podra presentar los siguientes correlogramas tericos:
Autocorrelation Function Partial Autocorrelation Function

10

10

Autocorrelation Function

Partial Autocorrelation Function

10

10

Autocorrelation Function

Partial Autocorrelation Function

10

10

Autocorrelation Function

Partial Autocorrelation Function

10

10

Por tanto, a efectos prcticos debemos quedarnos con la siguiente regla:

Pgina 2 de 6

Un modelo ARMA (p,0) presenta una funcin de autocorrelacin que decrece rpidamente hacia cero, bien de forma regular, sinusoidal o alternando valores positivos y negativos, junto con una funcin de autocorrelacin parcial con tantos valores distintos de cero como orden del autorregresivo. Una regla simtrica puede extraerse para los modelos ARMA(0,q). En ese caso, la regla general sera: Un modelo ARMA (0,q) presenta una funcin de autocorrelacin parcial que decrece rpidamente hacia cero, bien de forma regular, sinusoidal o alternando valores positivos y negativos, junto con una funcin de autocorrelacin con tantos valores distintos de cero como orden de la media mvil. Los modelos ms habituales de este estilo seran los MA(1) y MA(2). Por ejemplo, un modelo ARMA(0,2) podra presentar cualquiera de los siguientes correlogramas tericos:
Autocorrelation Function Partial Autocorrelation Function

10

10

Autocorrelation Function

Partial Autocorrelation Function

10

10

Autocorrelation Function

Partial Autocorrelation Function

10

10

Pgina 3 de 6

Autocorrelation Function

Partial Autocorrelation Function

10

10

Por lo que respecta a los modelos ARIMA(p,d,q), decir que el ms habitual es el ARIMA(1,d,1). Pues bien, en este caso la regla de identificacin sera, sencillamente, observar que ambas funciones decrecen, admitiendo varias posibilidades de la combinacin (sinusoidal, regular y alternando positivos y negativos) de ambas funciones. Cualquiera de los siguientes correlogramas sera representativo de un modelo ARIMA(1,d,1):
Autocorrelation Function Partial Autocorrelation Function

10

10

Autocorrelation Function

Partial Autocorrelation Function

10

10

Autocorrelation Function

Partial Autocorrelation Function

10

10

Pgina 4 de 6

Autocorrelation Function

Partial Autocorrelation Function

10

10

En definitiva, para modelos sin estacionalidad, podemos adoptar la siguiente regla:

Facp Fac Decrece Un coeficiente significativo Dos coeficientes significativos ARMA(1,1) MA(1) MA(2) Decrece Un coeficiente significativo AR(1) --Dos coeficientes significativos AR(2) ---

El problema de esta fase de identificacin, estriba en que la estimacin muestral de estas funciones para nuestra serie se aleja, en mayor o menor grado, de cualquiera de estas representaciones tericas. En decir, con frecuencia, las estimaciones muestrales dan una visin distorsionada de las correspondientes funciones tericas. Y en estas circunstancias, optar por uno u otro modelo generador de los datos depende ms que nada de la pericia del analista. Algunas circunstancias que se nos pueden presentar son las siguientes; 1) En primer lugar, estamos trabajando con un estadstico (con su funcin de probabilidad). Por ello, los valores obtenidos estn asociados a una determinada probabilidad. Para saber si un determinado coeficiente de autocorrelacin es significativamente distinto de cero necesitamos de un contraste estadstico, que nos establecer los intervalos de confianza en los cuales los coeficientes resultan significativos con una determinada probabilidad. La teora nos dice que la varianza de cada coeficiente se obtiene a partir de la expresin: var(rk )
k 1 1 1 + 2 rs2 N s =1

Ahora bien, esta expresin se puede aproximar para todos los coeficientes por: 1 N

Pgina 5 de 6

siendo N el nmero total de datos. Admitida la normalidad de la distribucin, un coeficiente no significativamente distinto de cero deber estar, en el 95% de los casos, comprendido entre: 2 1 / N rk +2 1 / N Por tanto, para que consideremos que un coeficiente estimado es significativamente distinto de cero debe superar el intervalo anterior. 2) Ahora bien, no podemos olvidar que estamos trabajando con un intervalo de confianza del 95 por 100. Quiere ello decir, que en el 5 por 100 de los casos estaremos rechazando la hiptesis nula de coeficiente igual a cero aun siendo esta correcta. En otras palabras, uno de cada veinte coeficientes de autocorrelacin puede superar la banda de confianza sin que sea realmente significativo. Igualmente un coeficiente terico no nulo puede no alcanzar en la prctica un valor suficientemente alto como para tomarle en consideracin. Todo ello provoca que, con frecuencia, se tengan dudas razonables sobre el modelo ms adecuado. En esos casos se recomienda la seleccin de varios modelos alternativos para analizar posteriormente cul de ellos resulta finalmente ms idneo. Completaremos esta etapa de la identificacin posteriormente con el estudio de series con estacionalidad.

Pgina 6 de 6