Pronsticos, Series

de Tiempo y
Regresin
Captulo 9: Modelos Box-Jenkins No
Estacionales y Su Identificacin
Tentativa
Captulo 10: Estimacin,
Diagnsticos y Pronsticos para
Modelos Box-Jenkins No Estacionales
Temas
1. Introduccin al tema
2. Proceso Box-Jenkins
3. Estacionalidad
4. Identificacin tentativa del modelo
5. Diagnsticos
6. Pronsticos


Proceso: metodologa Box-
Jenkins
1. Identificacin tentativa del modelo
2. Estimacin de los parmetros del modelo
3. Evaluacin de diagnsticos para comprobar si el modelo es adecuado;
mejorar el modelo si es necesario.
4. Generacin de Pronsticos
Proceso en general
Estacionario?
S
No
Transformar los datos
(primera diferencia)
Estacionario?
S
No
Transformar los datos
(segunda diferencia)
Determinar qu
tipo de modelo es
el adecuado
Estimar los
parmetros
del modelo
Estacionario?
No
transforma-
ciones
ms
complejas
S
Diagnsticos Pronsticos
Series temporales
estacionarias
Una serie es estacionaria si:
la media y la varianza son constantes a
travs del tiempo
la SAC se corta
Si no es estacionaria, hay que transformarla
hasta adquirir una serie transformada
estacionaria.
Primera diferencia: z
t
= y
t
y
t-1
Segunda diferencia: z
t
= (y
t
y
t-1
)- (y
t-1
y
t-2
)

SAC y SPAC
La autocorrelacin de la muestra con rezago k
(SAC, r
k
) mide la tendencia de observaciones
separadas por un perodo de k, a moverse
juntos.
-1 < r
k
< 1
Si r
k
> 2s
rk
, decimos que hay una espiga en el
rezago k.
Cuando ya no hay espigas a partir de un
rezago j, decimos que la SAC se corta en j.
SAC y SPAC
Cuando ya no hay espigas a partir de un
rezago j, decimos que la SAC se corta en k.
Si la SAC se corta o se extingue rpidamente,
concluimos que la serie es estacionaria.
Si la SAC se extingue lentamente, concluimos
que la serie es no estacionaria, y hay que
transformarla antes de identificar el modelo
adecuado.
SAC y SPAC
La SPAC mide una relacin menos
intuitiva.
Las definiciones son las mismas para
una espiga y cuando se corta.

SAC y SPAC
Se utilizan la SAC y la SPAC para
identificar el modelo adecuado:
SAC se corta y SPAC se extingue: MA
SAC se extingue y SPAC se corta: AR
ambos se extinguen: modelo mixto
ambos se cortan: determinar cul se
corta ms rpidamente para elegir MA o
AR.
Proceso: Identificacin del
modelo
estacionario
SAC
se
corta
SPAC
se
extingue
SPAC
se
corta
SAC
se
extiingue
SAC
se
extingue
SPAC
se
extingue
modelo mixto
modelo de
medias
mviles
(MA)
modelo
auto-
regresivo
(AR)
Dnde
se corta
la SAC?
Nmero de
rezagos
(perodos)
a incluir
Dnde
se corta
la SPAC?
Nmero de
rezagos
(perodos)
a incluir
Estimacin del modelo
En Stata, se utiliza el comando arima. Por
ejemplo, para estimar un modelo autorregresivo
con dos rezagos:
arima y, ar(1/2)
de medias mviles en una primera diferencia,
con tres rezagos:
arima D.y, ma(1/3)
mixto, con una segunda diferencia y un rezago
tanto para las medias mviles como para lo
auto-regresivo:
arima D2.y, ma(1) ar(1)
Estimacin del modelo
Se debe eliminar una variable del
modelo si no cumple con cualquiera de
las siguientes condiciones equivalentes:



As se puede lograr que el modelo sea
parsimonioso.

| |
o
o
<
>

valor p
t t
p
n n
2 /
Diagnsticos del modelo
1. Anlisis de residuos
2. La mejor estadstica para determinar si el modelo es
adecuado, es la estadstica Ljung-Box. Si el valor-p de
la estadstica Ljung-Box es menor que .01, es evidencia
muy fuerte de que el modelo no es adecuado.



3. Anlisis de autocorrelacin de residuos para identificar
espigas:
RSAC
RSPAC

( ) ( ) ( )

+ =
K
l
a r l n n n Q
1
2
1
1
' 2 ' ' *
Diagnsticos del modelo
En Stata, se utiliza el comando
armadiag despus de haber corrido el
modelo arima. Genera cuatro grficas:
residuos
valores-p de la estadstica Q*
RSAC
RSPAC
Pronsticos
para un modelo auto-regresivo sin
tendencia:



si podemos calcular y
t-1
,

si no podemos calcular y
t-1
.
)

1 1 1
1 1 1


=
=
+ =
t t t
t
t t t t
y y a
a
a a y y u
0

1
=
t
a
Pronsticos
para un modelo de medias mviles con
tendencia:


El pronstico puntual de todas las
fechas futuras es la misma, pero el
rango del intervalo de confianza se va
ampliando conforme nos alejamos.
q t q t t t t
a a a a z

+ =

2 2 1 1
u u u o
Series estacionales
Se sigue el mismo procedimiento que
para no estacionales, pero incluyendo
rezagos del nmero de perodos en el
ao.
Por ejemplo:
arima y, ma(1 12)
arima D.y, ar(1 2 4)
arima D.z, ar(1 3 5) ma(12)
donde z = y-L12.y
Comandos en Stata
arima y, ma(1 2) ar(1 2) corre el modelo mixto en los
datos originales, con dos rezagos y dos choques.
arima D.y, ma(1) corre un modelo de medias mviles en
los datos transformados con una primera diferencia, con
un perodo de rezago.
ac y grafica la SAC de los datos originales
pac D2.y grafica la SPAC de los datos transformados
con una segunda diferencia.
STATA utiliza el mtodo de maximum likelihood (a
diferencia de SAS y MINITAB, que utilizan OLS). Box,
Jenkins y Reinsel (1994) prefieren maximum likelihood.
noconstant opcin elimina el constante del modelo
armadiag para las herramientas de diagnstico (hay que
instalarlo.)