Escolar Documentos
Profissional Documentos
Cultura Documentos
Bibliografía:
Econometría. D. Gujarati
Introducción
En el caso por ejemplo del modelo (2) Yt b0 b1 t At , el método ofrece los valores de b̂0 y
t 1 t 1
t
Modelo (1) Yt b0 At ; ˆ Y t
b0T t 1
T
Para el pronóstico : YˆT 1 / T bˆ0T ; YˆT m / T bˆ0T
Modelo (2) Yt b0 b1 t At
T T T
T t Yt t Yt T T T
bˆ1T t 1 t 1 t 1 12 t Yt 6 T 1 Yt Y
2 = t 1 t 1
bˆ0T t 1
t
bˆ1T
T 1 .
T
T
T t t2
T 1 T T 1 T 2
t 1 t 1
En este caso no se considera adecuada la utilización para el pronóstico del método a través de la
ecuación YˆT 1 / T bˆ0T bˆ1T .(T 1) a no ser para pronósticos a largo plazo.
Modelo (3) ln Yt b0 b1t At
Son válidas las expresiones anteriores, sustituyendo Y t por ln Y t.
Yt p Yt p 1 Yt Yt p 1 Yt p
MM (2 p 1) t
2p 1
Yt p Yt Yt p
MM(2p+1) t
Se toman p observaciones anteriores a Y t , Y t y p observaciones posteriores, la media de las
2p+1 observaciones se le hace corresponder al instante t.
Obsérvese que se pierden p medias móviles al inicio y p medias móviles al final
Y1 Y2 Y3 Y4 Y5
Ejemplo : 2p+1 = 5 , MM (5) 3
5
Y Y3 Y4 Y5 Y6
MM (5) 4 2
5
Se pierden 2 medias móviles al inicio y 2 al final.
Se usan para estimar la tendencia.
Yt p 1 Yt p 2 Yt 1 Yt
MMA( p ) t
p
Yt p 1Yt 3 Yt
MMA(p) t
Se toman las últimas p observaciones (incluyendo a Y t ) , su media se le hace corresponder al
instante t.
Ejemplo
p=4
Y1 Y2 Y3 Y4
MMA(4)4 =
4
Obsérvese que se pierden p-1 medias móviles al inicio, en este caso 3.
De este modo el pronóstico se realizaría como YˆT 1 / T MMA( p ) t
Este modo de pronóstico sólo se emplearía en el caso de tendencia constante, se considera
superior en general al pronóstico a través de la media de todas las observaciones que se obtiene
de la aplicación del método de los mínimos cuadrados.
** Debemos señalar lo siguiente sobre la longitud de la media móvil (2p+1 ó p respectivamente):
Una mayor longitud “atenúa” mejor las oscilaciones aleatorias, por su parte, una longitud menor
logra reflejar con mayor rapidez los cambios en el comportamiento de la serie. Por tanto debe
buscarse un “punto de equilibrio” puesto que una longitud muy grande podría resultar en la
obtención de una serie de valores muy suaves, es decir, una tendencia muy definida, pero que
puede no ser muy real, pues puede reflejar los cambios en la serie en muy poca medida. Por el
contrario, el uso de una longitud muy pequeña, podría no arrojar una tendencia muy clara de la
serie.
Por otro lado, los valores de los coeficientes (1 w) w j decrecen exponencialmente a medida que
nos alejamos del momento actual t. Grafiquemos la situación para un valor de t = 20 y un valor de
w = 0,8
Decrecimiento exponencial
0.2
0.16
0.12
coef
0.08
0.04
0
0 4 8 12 16 20
t
La expresión planteada para S t no tiene utilidad práctica, pues contiene infinitos términos e
incluso , prescindiendo de ese hecho resulta engorrosa para su aplicación práctica ( para cada
valor de t de 1 a T habría que evaluar una larga expresión). En su lugar se usa la forma recursiva
siguiente:
S t Yt (1 ) S t 1 ( 1 w)
Para su utilización sería necesario elegir un valor de y un valor de S 0.
La elección de un valor de puede realizarse tomando aquel que arroje un menor RECM para el
período muestral, utilizando cómo método de pronóstico Yˆt / t 1 S t 1 ( tal cómo lo hacen los
softwares estadísticos, por ejemplo Statgraphics y SPSS) aunque existen valores empíricos
cómo α =0,1 ó = 0,2 que es muy usado ; la elección de S 0 se hace habitualmente cómo S 0 = Y
1 (para series con muchas oscilaciones aleatorias ) ó S 0 = Y con parte de las observaciones
disponibles (en caso contrario)
En el caso de tendencia lineal con modelo aditivo o exponencial simple con el multiplicativo se
emplea el alisado exponencial doble cuya esencia es la misma que en el método ya visto, pero
con la utilización de dos ecuaciones y dos coeficientes de alisamiento.
Modelos ARIMA
Por último haremos referencia a una metodología más novedosa y actual para la modelación de
series temporales (Box - Jenkins ,1976), los métodos de descomposición analizados
anteriormente son de origen muy anterior.
Dichos métodos suponen que es posible identificar fácilmente con relativa facilidad las
características de la serie en estudio, tales cómo tipo de tendencia, presencia o no de
estacionalidad y su período, etc.
Sin embargo en la realidad se han encontrado a menudo series de comportamiento no tan claro,
para los cuáles dichos métodos no han sido del todo efectivos.
La metodología ARIMA en realidad es algo compleja teóricamente, aunque los programas de
cómputo hoy día disponibles y el conocimiento de algunas herramientas prácticas auxiliares hacen
posible el aplicarlas con relativo éxito sin conocimientos teóricos de gran envergadura.
Expondremos sólo las ideas esenciales, remitiéndolos a otros materiales para su profundización.
Proceso autoregresivo
La mayoría de las series consisten en elementos serialmente dependientes en el sentido de que el
valor de la serie en un instante dado está influido por valores en instantes anteriores. Así:
Yt 1Yt 1 2Yt 2 At , donde , 1 , 2 , ...son parámetros del modelo.
Es decir, cada observación está compuesta por una componente aleatoria más una combinación
lineal de observaciones anteriores.
Yt At 1 At 1 2 At 2 3 At 3
es decir , cada observación está compuesta de la componente aleatoria y una combinación lineal
de componentes aleatorias de las observaciones anteriores
Los modelos ARIMA entonces consideran una serie compuesta de estos dos tipos de procesos y
existen una serie de reglas prácticas para la identificación del número de términos a considerar en
ambos procesos, etc. En realidad su aplicación es viable solamente a través de softwares
estadísticos.
Conclusiones
Se han considerado distintos métodos para la estimación y pronóstico de series no estacionales:
mínimos cuadrados, medias móviles, alisamiento exponencial y se ha mencionado el enfoque
ARIMA.
Deben estudiarse cuidadosamente los contenidos tratados, en especial la aplicación de cada uno
de los métodos según el tipo de tendencia presente en la serie.
Biliografía: Análisis de datos. Series temporales y Análisis Multivariante. Ezequiel Uriel, páginas
88-104; 126-129