UNIVERSIDAD ABIERTA Y A DISTANCIA DE MÉXICO

Estadística III

UNIDAD 2:

Identificación, Estimación y Validación de

Modelos

Actividad 3
Identificación y estimación de modelos

Docente en línea: Marco Antonio Olivera Villa

Alumno: José Juan Meza Espinosa

ES162003482

Fecha: 21 de febrero del 2019

 1. ¿De qué manera se usan las funciones de autocorrelación para
identificar modelos?
Respuesta:
Se usan las sucesiones {𝜌̂𝜖 }𝜖 y {𝜙𝑘𝑘 }𝑘 para identificar qué modelos ARMA
podrían servir para los datos.
La identificación se realiza mediante la comparación de las características
observadas en el correlograma y las características que cabe esperar para los
distintos, y posibles, modelos teóricos, función de autocorrelación (ACF) y la
función de autocorrelación parcial (PACF).
2. ¿Cuál es la metodología para identificar el modelo 𝑴𝑨(𝒒) usando la
función de autocorrelación parcial, 𝑨𝑪𝑭?
Respuesta:
Para un proceso 𝑀𝐴(𝑞), 𝑥𝑡 = 𝜃𝑞 (𝐵)𝜔𝑡 , donde 𝜃𝑞 (𝐵) = 1 + 𝜃1 + ⋯ + 𝜃𝑞 𝐵𝑞 , el
proceso es estacionario con media:
𝑞

𝔼(𝑋𝑡 ) = ∑ 𝜃𝑗 𝔼(𝜖𝑡−𝑗 ) = 0
𝑗=0

donde se escribió 𝜃0 = 1, la sucesión autocovarianza de {𝑋𝑡 }𝑡 es:

𝑞 𝑞

𝛾ℎ = 𝐶𝑂𝑉[𝑋𝑡+ℎ , 𝑋𝑡 ] = 𝐶𝑂𝑉 [(∑ 𝜃𝑗 𝜔𝑡−𝑗 ) (∑ 𝜃𝑘 𝜔𝑡+ℎ−𝑘 )]

𝑗=0 𝑘=0
𝑞

∑ 𝜃𝑗 𝜃𝑗+|ℎ|
={
𝑘=0
0 𝑆𝑖 |ℎ| > 𝑞
Sabiendo que 𝛾ℎ = 𝛾−ℎ , por lo que sólo se trabaja con valores de ℎ > 0. Además
se sabe que 𝛾ℎ se anula si |ℎ| > 𝑞 es una característica de los modelos 𝑀𝐴(𝑞).
Dividiendo por 𝛾0 ajustado a la 𝐴𝐶𝐹 de un 𝑀𝐴(𝑞):
∑𝑞−ℎ
𝑘=0 𝜃𝑗 𝜃𝑗+|ℎ|
𝜌ℎ = {1 + 𝜃 2 + ⋯ + 𝜃 2
1 𝑄
0 𝐶. 𝑂. 𝐶
Usando la información recabada 𝑥1 , 𝑥2 , … , 𝑥𝑛 de una serie de tiempo, una forma
de identificar un modelo para los datos es que su 𝐴𝐶𝐹 muestral se comporte
como la 𝐴𝐶𝐹 teórica de un modelo conocido. En particular, si la 𝐴𝐶𝐹 muestral 𝜌ℎ
es significativamente diferente de cero para 0 ≤ ℎ ≤ 𝑞 y despreciable para ℎ >
𝑞. Entonces un modelo 𝑀𝐴(𝑞) sería adecuado para los datos.
3. ¿Cuál es la metodología para identificar el modelo 𝑨𝑹(𝒑) usando la
función parcial de autocorrelación parcial, 𝑷𝑨𝑪𝑭?
Respuesta:
El modelo implica
 𝑝

𝑥𝑡+ℎ = ∑ 𝜙𝑗 𝑥𝑡+ℎ−𝑗 + 𝜔𝑡+ℎ

𝑗=1

Donde las raíces de 𝜙(𝑧) están fuera del circulo unitario. Cuando h>p, la
regresión de 𝑥𝑡+ℎ en 𝑥𝑡+1 , 𝑥𝑡+2 , … , 𝑥𝑡+ℎ−1
𝑝

𝑥̂𝑡+ℎ = ∑ 𝜙𝑗 𝑥𝑡+ℎ−𝑗
𝑗=1

Por lo tanto, cuando ℎ > 𝑝

𝜙ℎℎ = 𝐶𝑜𝑟(𝑥𝑡+ℎ − 𝑥̂𝑡+ℎ , 𝑥𝑡 − 𝑥̂𝑡 ) = 𝐶𝑂𝑉(𝜖𝑡−ℎ , 𝑥𝑡 − 𝑥̂𝑡 ) = 0
ya que, por casualidad 𝑥𝑡 − 𝑥̂𝑡 solo depende de 𝜔𝑡+ℎ−1 , 𝜔𝑡+ℎ−2 . Cuando
𝑥1 , 𝑥2 , … , 𝑥𝑛 , son observaciones de un proceso 𝐴𝑅(𝑝) causal, el comportamiento
asintótico {𝜙𝑘𝑘 }; 𝑘 ≥ 𝑝 es tal que √𝑛𝜙𝑘𝑘 → 𝑛→∞ 𝑁(0,1)

Además, utilizando las propiedades de la sucesión {𝜙𝑘𝑘 }𝑘 . Un procedimiento

para utilizar la PACF muestral {𝜙𝑘𝑘 }𝑘 de 𝜙̂ℎ = Γ̂ℎ−1 Υ
̂ℎ sería calcular y graficar la
sucesión {𝜙𝑘𝑘 }𝑘 . Para determinar qué valores 𝜙𝑘𝑘 no son estadísticamente
significativos, se trazan dos líneas rectas paralelas al eje de las abscisas y tales
que pasen por los puntos (0,1.96/√𝑛) y (−1.96/√𝑛, 0). Aquellos valores de la
sucesión {𝜙𝑘𝑘 }𝑘 delimitados por tales líneas resultan no significativos; es decir, si
se tiene que realizar la prueba de hipótesis estadístico
𝐻0 = 𝜙𝑘𝑘 = 0 vs 𝐻1 = 𝜙𝑘𝑘 ≠ 0
y la estimación 𝜙𝑘𝑘 está dentro de la banda mencionada, entonces no se rechaza
𝐻0 (al 95% de confianza).
4. Explica la estimación de parámetros autorregresivos y de promedios
móviles
Respuesta:
El modelo 𝐴𝑅𝑀𝐴 (𝑝, 𝑞) muestra que p es un modelo autorregresivo y que q es
un modelo promedio móvil.
Entonces
Si conocen 𝑝 y 𝑞, los estimadores de 𝜙 y 𝜃 se pueden encontrar, imaginando
que los datos son observaciones de una serie de tiempo estacionaria Guassiana
y maximizando el verosímil con respecto a los 𝑝 + 𝑞 + 1 parámetros 𝜙1 , … , 𝜙𝑝 ,
𝜃1 , … , 𝜃𝑞 y 𝜎 2 . Los estimadores obtenidos por estos procedimientos son
conocidos como estimadores de máxima verosimilitud (o de máxima
verosimilitud Gaussiana)
Bibliografía:
UNADM. (2019). Unidad 2: Indentificacion, Estimacion y Validacion de Modelos.
En UNADM, Estadistica III (págs. 1-71). Mexico: UNADM.