Hasta ahora todas las variables que se han estudiado no estaban vinculadas al

tiempo en ninguna forma.

Sin embargo es muy frecuente que las observaciones de una variable estn
ligadas al tiempo, por ejemplo, una de los caracteres de una empresa susceptible
de ser observado puede ser el volumen de ventas de una empresa y podramos
estar interesados en observar y predecir su comportamiento y evolucin
temporal.

En este caso esa observacin se realizar de forma repetida durante una serie de
momentos del tiempo.




Antes de analizar el comportamiento de una serie temporal
necesitamos saber reconocerla.
Serie Temporal , definicin.
es una sucesin de observaciones cuantitativas de un fenmeno
ordenadas en el tiempo.
Qu es una serie temporal?
El anlisis de series temporales, desde el
punto de vista de su comportamiento,
tanto pasado como futuro, requiere el
uso de nuevas tcnicas estadisticas que
permitan crear un modelo que tome en
cuenta dicho comportamiento en el
tiempo.

Ahora que ya hemos decidido analizar nuestros datos como una serie
temporal necesitamos saber algunas cosa mas:

Para analizarla necesitamos graficar la serie, a este grafico se le llama
grfico de secuencia.

Qu es lo que analizaremos u observaremos en el grfico de secuencia?



La respuesta a la pregunta es la siguiente:

En una serie de tiempo se analizan las siguientes caractersticas:

LA TENDENCIA
LA VARIABILIDAD
LA PERIODICIDAD
Tomaremos un grfico de secuencia como ejemplo para analizar estas caractersticas


LA TENDENCIA. La tendencia implica que la serie tiende a crecer o a decrecer a largo plazo. Cuando una serie permanece ms o menos constante, oscilando en torno a un valor, decimos que la serie no tiene tendencia, es decir, la serie es estacionaria en media.

LA TENDENCIA. La tendencia implica que la serie tiende a crecer o a decrecer a largo plazo. Cuando una serie permanece ms o menos constante, oscilando en torno a un valor, decimos que la serie no tiene tendencia, es decir, la serie es estacionaria en media.

La tendencia implica que la serie tiende a crecer o a decrecer
a largo plazo.

Cuando una serie permanece ms o menos constante,
oscilando en torno a un valor, decimos que la serie no tiene
tendencia, es decir, la serie es estacionaria en media.
LA TENDENCIA
LA TENDENCIA
LA VARIABILIDAD
Decimos que una serie es
HOMOCEDSTICA, si su
variabilidad se mantiene constante a lo
largo del tiempo, o
bien se dice que la serie es estacionaria
en varianza.



Cuando la variabilidad de la serie
aumenta o disminuye a lo largo del
tiempo, decimos que la serie es
HETEROCEDSTICA.
LA PERIODICIDAD
La periodicidad es el intervalo
de tiempo en la que se observa
cada valor de la serie de los
datos.

La periodicidad puede ser:
Anual (Se toma un dato cada
ao),
Mensual (Se toma un dato
cada mes),
Semanal (Se toma un dato
cada semana)
Diaria (Se toma un dato cada
da), etc.
Y ahora que sigue?
Ya que hemos identificado las caractersticas de nuestra serie
proseguimos a la identificacin del modelo.

Cmo lo haremos?

Cuando se quiere analizar la serie es necesario identificar la
estructura que la genera, es decir cmo influyen las
observaciones del pasado en las observaciones del futuro.

Para identificar esta dependencia utilizamos dos fuentes de
informacin, la Funcin de Autocorrelacin Simple (FAS) y
la Funcin de Autocorrelacin Parcial (FAP)

Funcin de autocorrelacin (FAS)
Mide la correlacin entre los valores de la serie distanciados un
lapso de tiempo k.

Al igual que para el coeficiente de correlacin lineal simple, se
puede calcular un error estndar y por tanto un intervalo de
confianza para el coeficiente de autocorrelacin.

Los coeficientes de la FAS, 1, 2,, k, estn acotados entre [-1,
1]. Cuando un i vale cero, quiere decir que no existe efecto
entre una observacin y la i posicin posterior.

Es de gran importancia para estudiar la
estacionalidad de la serie, ya que si sta existe,
los valores separados entre s por intervalos
iguales al periodo estacional deben estar
correlacionados de alguna forma.

Es decir que el coeficiente de autocorrelacin
para un retardo igual al periodo estacional debe
ser significativamente diferente de 0.
Funcin de autocorrelacin (FAS)
Funcin de autocorrelacin parcial (FAP)
Relacionada con la funcin de autocorrelacin nos encontramos con la
funcin de autocorrelacin parcial.

En el coeficiente de autocorrelacin parcial de orden k, se calcula la
correlacin entre parejas de valores separados esa distancia pero
eliminando el efecto debido a la correlacin producida por retardos
anteriores a k.

Si i es prximo a 1 indica que hay mucha relacin entre una
observacin y la i posiciones posterior, y que esa relacin es positiva.

Si i es prximo a -1 indica que hay mucha relacin entre una
observacin y la i posiciones posterior, y que esa relacin es negativa.

Conceptos importantes
Antes de abordar el tema de los modelos ARIMA se cree necesario la
introduccin de algunos conceptos que se manejan frecuentemente.

Serie estacionaria
De una manera informal, diremos que una serie es estacionaria cuando se
encuentra en equilibrio estadstico, en el sentido de que sus propiedades no
varan a lo largo del tiempo, y por lo tanto no pueden existir tendencias.

Ruido blanco
se le llama serie de ruido blanco a una serie o conjunto de datos
cuantitativos independientes e idnticamente distribuidos como una
distribucin normal con media cero y varianza constante.

Paseo aleatorio
Es un proceso con media = 0, varianza constante, y sin autocorrelacin. No
se puede predecir a partir de su pasado

Se define una serie como estacionaria cuando cumple las siguientes
caractersticas:

No tiene tendencia.
Es homocedstica.
No tiene ciclos estacionales.
La estructura de dependencia se mantiene constante, es decir si una
observacin influye sobre la posterior, esto ocurre SIEMPRE y no
nicamente entre las observaciones i y j.
La influencia de las observaciones sobre las posteriores decrece con el
tiempo.
Un tipo especial de serie estacionaria es la serie denominada ruido
blanco.

Un ruido blanco es una serie estacionaria tal que ninguna
observacin influye sobre las siguientes.

La FAS y la FAP del ruido blanco es una sucesin de barras no
significativas.

A continuacion se muestra un ejemplo del posible grafico de
secuencia, FAS y FAP de un ruido blanco
Ruido Blanco
Se ha explicado cmo es una serie estacionaria.
Cuando la serie no es estacionaria en media, es preciso transformarla.

Este proceso es muy sencillo. Para eliminar la tendencia se toman una o
varias diferencias en la serie.

Una serie se diferencia restando a cada observacin la observacin
anterior:

La serie wt se obtiene restando de cada observacin de zt la observacin
anterior.
Evidentemente la serie diferenciada w tiene una observacin menos que
la serie original z, ya que la primera observacin se pierde.

En caso de que la serie aun no sea estacionaria se diferencia una
segunda vez.
Normalmente se utiliza la siguiente nomenclatura para representar la
serie con una diferencia,
Diferenciacin
ARIMA(p,0,0): modelo autoregresivo de orden p AR(p)
ARIMA(0,0,q): modelo de medias mviles de orden q MA(q)
ARIMA(0,d,0): paseo aleatorio de orden de diferenciacion d
ARIMA(p,0,q): modelo autoregresivo de medias mviles de
orden (p,q) ARMA(p,q)
ARIMA(p,d,0): modelo integrado autoregresivo ARI(p,d)
ARIMA(0,d,q): modelo integrado de medias moviles IMA(q,d)
ARIMA(p,d,q): modelo autoregresivo integrado de medias
mviles de orden (p,d,q)

En todos los casos d es el orden de diferenciacion que se le aplica a la serie para hacerla
estacionaria.
MODELOS AUTORREGRESIVOS.
AR(p)
Definimos un modelo como autorregresivo, si la variable endgena de un
perodo t es explicada por las observaciones de ella misma correspondientes a
perodos anteriores aadindose, como en los modelos estructurales, un
trmino de error.

En el caso de procesos estacionarios con distribucin normal, la teora
estadstica de los procesos estocsticos dice que, bajo determinadas
condiciones previas, toda y
t
puede expresarse como una combinacin lineal
de sus valores pasados (parte sistemtica) ms un trmino de error o variable
de ruido blanco.

Como identificar los modelos AR?
Como ya se habr intuido,, se podrn identificar los
procesos AR y en general los ARIMA por medio de las
funciones de autocorrelacin simple y parcial (FAS y FAP)
y mas especficamente por medio de sus graficas.

A continuacin mostraremos la ecuacin general de los
modelos AR y sus posibles graficas de la FAS y FAP.


Nota: solo se mostraran las posibles graficas de la FAS y la
FAP de los AR(1) y AR(2), los de mayor orden son mas
complicadas de analizar por sus diferentes variantes y seran
demasiados grficos.
Modelos AR(1) y el comportamiento de su FAS y FAP
1 1 t t t
y y u o

= + +
Lo que se ve en el
grfico de la FAS
para decir que es un
AR(p) es el
decaimiento ya sea
exponencial o
sinusoidal.

En la FAP lo que
observamos es en
este caso por ser
AR(1), se observa
solo un valor
significativo en el
primer rezago y el
resto dentro de las
bandas de confianza.
Entonces se
concluye que el
orden del AR es p=1.
Modelos AR(2) y el comportamiento de su FAS y FAP
Lo que se ve en el grfico de la
FAS para decir que es un
AR(p) es el decaimiento ya
sea exponencial o sinusoidal.

En la FAP lo que observamos
es en este caso por ser AR(2),
se observan los primeros dos
valores significativos en el
rezago uno y dos y el resto
dentro de las bandas de
confianza.

Entonces se concluye que el
orden del AR es p=2.
Modelos AR(2) y el comportamiento de su FAS y FAP,
Continuacin.
Lo que se ve en el grfico de la
FAS para decir que es un
AR(p) es el decaimiento ya
sea exponencial o sinusoidal.

En la FAP lo que observamos
es en este caso por ser AR(2),
se observan los primeros dos
valores significativos en el
rezago uno y dos y el resto
dentro de las bandas de
confianza.

Entonces se concluye que el
orden del AR es p=2.
Modelos AR(p) y el comportamiento de su FAS y FAP.


Lo que se ve en el grfico de la FAS para decir que es un AR(p) es el decaimiento ya sea
exponencial o sinusoidal.

En la FAP lo que observamos son los primeros p valores significativos en los primeros
periodos, donde p lo consideramos a lo sumo 2 3, ya que modelos con mayor cantidad
de parametros no son muy significativos o no cumplen con el principio de parsimonia.

Hay que hacer notar que por lo general observamos los primeros 7 u 8 valores regulares
de la FAS y la FAP, asi como los primeros 3 o 4 retardos estacionales para la
identificacion del modelo regular y estacional respectivamente.

Esto debido a que modelos con muchos parametros no son muy significativos o como ya
lo habiamos mencionado antes, no cumplen con el principio de parsimonia.

El principio de parsimonia consiste en elegir un modelo que me pueda predecir el
comportamiento de la serie de manera adecuada y ademas que tenga la menor cantidad de
parametros
MODELOS MEDIAS MOVILES.
MA(q)
Este es uno de los procesos ms utilizados ya que es un procedimiento que
detecta y elimina la tendencia de una serie basado en la aplicacin de filtros,
es decir, filtros para suavizar las irregularidades y fluctuaciones (variaciones
cclicas y estacionarias) de una serie temporal con el fin de obtener la lnea
de tendencia.

A continuacin se presentan los modelos de medias mviles de
orden 1 y 2 con sus respectivas ecuaciones en diferencias,
correlogramas de la FAS y FAP para su identificacin visual y
finalmente se generaliza al modelo de medias mviles de orden
q.
t
1
2
y : Variable en estudio
: Representa el valor esperado del modelo
: Parmetro desconocido del modelo MA de orden 1
: Variable aleatoria iid con media cero varianza .
t
u

u
o
Modelos MA(1) y el comportamiento de su FAS y FAP
Lo que observamos en la FAS y
FAP para identificar el modelo es
lo contrario que con los modelos
AR.
En la FAS identificamos el orden
del MA y en este caso como es de
orden 1 (q=1), aparece solo el
primer rezago significativamente
diferente de cero y el resto dentro
de las bandas de confianza.

En la FAP se observa un
decaimiento acelerado ya sea
exponencial o sinusoidal lo que nos
confirma la presencia del MA(q).
Modelos MA(2) y el comportamiento de su FAS y FAP
Lo que observamos en la FAS y
FAP para identificar el modelo es
lo contrario que con los modelos
AR.
En la FAS identificamos el orden
del MA y en este caso como es de
orden 2 (q=2), aparecen los dos
primeros rezagos
significativamente diferentes de
cero y el resto dentro de las bandas
de confianza.

En la FAP se observa un
decaimiento acelerado ya sea
exponencial o sinusoidal lo que nos
confirma la presencia del MA(q).
Lo que observamos en la FAS y
FAP para identificar el modelo es
lo contrario que con los modelos
AR.
En la FAS identificamos el orden
del MA y en este caso como es de
orden 2 (q=2), aparecen los dos
primeros rezagos
significativamente diferentes de
cero y el resto dentro de las
bandas de confianza.

En la FAP se observa un
decaimiento acelerado ya sea
exponencial o sinusoidal lo que
nos confirma la presencia del
MA(q).
Modelos MA(2) y el comportamiento de su FAS y FAP.
Continuacion.
Modelos MA(q) y el comportamiento de su FAS y FAP.


Lo que se ve en el grfico de la FAS para decir que es un MA(q) son los primeros q valores
significativos en los primeros periodos, donde q lo consideramos a lo sumo 2 3, ya que
modelos con mayor cantidad de parmetros no son muy significativos o no cumplen con el
principio de parsimonia.

En la FAP se observara un decaimiento acelerado exponencial o sinusoidal

De la misma forma que en lo modelo AR, ac tambin se observan los primeros 7 u 8 valores
regulares de la FAS y la FAP, as como los primeros 3 o 4 retardos estacionales para la
identificacin del modelo regular y estacional respectivamente.

Esto debido a que modelos con muchos parmetros no son muy significativos o como ya lo
habamos mencionado antes, no cumplen con el principio de parsimonia.

Una ultima cosa que debemos mencionar es que los modelos MA son invertibles, es decir, es
posiblellevarunmodeloMA(q)aunmodeloAR()ydelamismaforma,unAR(p)sepuede
llevaraunMA()



Estos modelos pueden representarse en forma asociada con modelos de
medias mviles o autor regresiva.
A estos tipos de modelos se denominan modelos mixtos autoregresivo de
medias mviles de orden (p, q), abreviadamente denotado por ARMA (p,q).

Para estos modelos solo presentaremos la FAS y FAP del ARMA(1,1),
debido a su complejidad y dificultad que existe a la hora de identificarlo
correctamente.


La formula general para un modelo ARMA(1,1) es la siguiente:
MODELOS AUTORREGRESIVOS Y DE MEDIAS
MVILES (ARMA(p,q))
Como se puede observar,
ahora no es tan evidente el
orden del modelo.

Por ejemplo en los
primeros FAS y FAP
podramos suponer un
modelo AR(2), pero lo que
se observa en realidad es el
decaimiento ya sea
sinusoidal o exponencial en
todos ellos, de ah su
dificultad de identificarlo
adecuadamente.
Modelos ARMA(1,1) y el comportamiento de su FAS y FAP
Modelos ARMA(1,1) y el comportamiento de su FAS y FAP
Nuevamente, en estos
grficos de FAS y FAP se
observa el decaimiento
sinusoidal o exponencial, y
aparecen algunos valores
significativos en los
primeros rezagos, lo cual
conlleva a confusin.

Por lo cual, en estos casos se
utiliza el mtodo prueba y
error, probamos la parte
AR(p), luego la MA(q) y
finalmente el ARMA(p, q)
que sospechamos.


MODELOS AUTORREGRESIVOS INTEGRADOS
Y DE MEDIAS MVILES (ARIMA(p,d,q))
t
y
En los modelos anteriores, se contaba que la serie era estacionaria en media y
en varianza.

Ahora, dada una serie yt y supngase que no cumple con los requisitos de
estacionariedad en media y en varianza.

Para obtener un modelo ARIMA ser necesario la aplicacin de ciertas
transformaciones para convertir dicha serie temporal en estacionaria, esto nos
posibilitar continuar con la aplicacin de la metodologa de Box-Jenkins.

Estas transformaciones se concretan en diferenciaciones sucesivas en la serie
(la determinacin del parmetro d o diferenciacin regular), diferenciaciones
estacionales de la serie (la determinacin de D o diferenciacin estacional), y
aplicaciones de la transformada de Box-Cox(determinacinde).

Las dos primeras se aplican para conseguir estacionariedad en media y la
ltima para lograr estacionariedad en varianza.

Ac se observa la FAS y FAP de
un proceso que no es
estacionario, se observa en la
FAS un decaimiento lento ya
sea este exponencial o
sinusoidal.

En la FAP se observa uno o mas
valores significativos, pero el
primer valor es cercano a 1 lo
cual nos indica que existe una
raz unitaria en el polinomio
caracterstico que genera a la
serie, es decir, que para estimar
un modelo adecuado, primero
debemos diferenciar la serie.

Esta diferenciacin ser regular o
estacional, esto se decide segn la
apariencia del grafico de secuencia.

Se diferencia estacionalmente si
observamos un comportamiento estacional
en la serie, si no es el caso entonces
diferenciamos regularmente.
Comportamiento de su FAS y FAP de un proceso
ARIMA(p,d,q).
Otros casos de inters son los siguientes:

q = 0 ARIMA(p,d,0) o ARI ( p, d )

p = 0 ARIMA(0, d , q ) o IMA(d , q )

p = q = 0 ; d =1 ARIMA(0, d ,0)o"paseoaleatorio

El paseo aleatorio significa que la serie original al diferenciarla se lleva a una
serie de ruido blanco, es decir, una variable distribuida normalmente con
media cero y varianza constante.

p = d = q = 0 (y=0 )ARIMA(0,0,0)o"ruidoblanco

En este caso la serie no necesita transformacin ni diferenciacin ni tampoco
ajustarle un modelo ARIMA, sino que la serie puede ser modelada por medio
de una distribucin normal con media y desviacin estndar tomadas de los
datos muestrales .


Ahora que ya poseemos los conocimientos necesarios para analizar una
serie de tiempo, ya podemos aplicarlos en un ejemplo de la realidad.

Ejemplo 1:
Se ha tomado una serie de datos econmica, disponible en la pagina del
Banco Central de Reserva, llamada IVAI (www.bcr.gov.sv)
El IVAI corresponde al ndice de volumen de actividad econmica industrial
y representa el volumen de ventas que se registra mensualmente en el sector
industrial.
Se tomaron los datos de enero 1990 hasta diciembre 2002.

Los datos estn completos, no hay datos faltantes, de haber datos faltantes,
entonces se debern estimar o sustituir por el valor de la media, esto debido a
que si se carece de datos, el modelo no ser muy preciso.

En caso de datos atpicos o extremos, indicaran un error y habra que
identificar que sucedi en ese instante en el que se detecto dicho dato.
Si el dato no es un error de digitacin, entonces se debe tratar por medio
del anlisis de intervencin.

El anlisis de intervencin ya no entra en el anlisis univariante por lo cual
solo se mencionar:

Intervencin:
Se le llama intervencin a un suceso imprevisto que modifica el
comportamiento de la serie.
Ejemplos de intervencin son:
Huelgas,
Paro de labores por falta de materia prima,
Toques de queda,
Vacaciones, etc.

Lo que se debe hacer es crear nuevas series que capten dicho instante.

Es de mucha importancia el captar dichos sucesos para poder obtener un
mejor modelo y predicciones mas acertadas.
Tomaremos la serie del IVAI para el analisis.
Iniciaremos preparando la base de datos, es decir, asegurarnos primero
que no tenga datos faltantes y expresarla de una forma adecuada para
que el SPSS pueda entender que se trata de una serie de tiempo y no de
simples datos univariantes.

Para nuestro ejemplo del IVAI, no hay datos faltantes ni atipicos, de
haberlos se tendria que dar el tratamiento adecuado, esto lo podemos ver
en el grafico de secuencia a continuacion:
Pasos para el analisis de una serie
temporal
Como ya habamos
dicho antes, la serie
no posee datos
atpicos, no es
estacionaria en media
ya que posee
tendencia,
posiblemente necesite
diferenciacin para
estabilizarla, aunque
esto se verificara con
los grficos de la FAS
y FAP.
Grafico de los datos de la serie IVAI
Ejemplo 1: ndice de Volumen de Actividad Industrial enero 1990 a diciembre
2002, datos mensuales
Los datos se tienen en excel ordenados en una tabla dela siguiente forma:







Para poder analizarlos en el SPSS necesitamos primeramente transformarlos
en una sola variable o datos en columna.


Los datos de la serie de IVAI
(Obtener el grafico de secuencia)
En realidad, los datos que se descargan de la pagina web del BCR estan en un
archivo en excel:
_IV.3_ndice_de_Volumen_de_Produccin_Industrial_(IVOPI)._Ten
dencia_Ciclo1258151559.xls
Estan en fila, ordenados por ao y mes.
En la figura anterior se muestran ordenados en una tabla por mes y ao. Se
muestran asi para hacer notar que podrian estar de esta forma y que
debemos ordenarlos en forma de columna sin perder el orden en que
fueron tomados, ya que el orden es importante por ser una serie de
tiempo.
Cada dato corresponde a la observacion del IVAI tomada en el
correspondiente mes y ao en miles de dolares.
Nosotros ya tenemos los datos en fila en el archivo de excel asi que
copiaremos los datos y simplemente los vamos a pegar con copiado
especial, solo los valores y transpuestos, luego los cortaremos y los
pegaremos en el area de trabajo del SPSS.
Ya que tenemos los datos en el SPSS, procedemos a darles formato,
agregarle el nombre a la variable y descripcion.

Luego vamos a definir las fechas a los datos de la serie.

Esto consiste en agregar por medio del programa las fechas de inicio y
peridiocidad, en nuestro caso, los datos son mensuales y por ao, ademas
inician en el ao 1990 y el mes de enero.

Si fueran otros formatos o iniciara en otra fecha habria que definirlas.

Luego de definir las fechas a los datos, se tendran como muestra la figura
siguiente:

Ejemplo 1: serie IVAI
(ndice del Volumen de Actividad Industrial)
El Salvador enero 1990 diciembre 2002
Mes en que se
tom el valor del
IVAI
Ao en
que se
observ
el IVAI
Dato
observado del
IVAI
Preparacin de los datos de la serie temporal para el
anlisis grafico
Copiaremos los
datos y los
pegaremos ac.

Luego seguir los
pasos para el
formato e
identificacin de
esta variable como
son:
Darle un nombre
adecuado
Numero de
decimales,
Descripcin, etc.



Preparacin de los datos de la serie temporal
para el anlisis grafico
2. Ahora que ya tenemos los datos en el SPSS, deberemos
asociarles el componente temporal (fecha en la que ocurri
cada evento)
Es decir,que vamos a agregar nuevas variables que puedan
identificar el punto en el tiempo en el cual cada dato fue
tomado.
Hay que aclarar que esto se puede hacer a mano, pero no es
necesario ya que el paquete puede realizarlo
automaticamente.
Para esto se siguen los pasos a continuacion detallados:
Preparacin de los datos de la serie temporal para el
anlisis grafico
Ir al men
Seleccionar Datos
Luego Definirfechas
A continuacion aparecer
una caja de dialogo:
Preparacin de los datos de la serie temporal para el
anlisis grafico
En esta caja de dialogo se agregar lo siguiente:










Luego de dar click al boton Aceptar se tendr lo siguiente:
Se le agregara el
periodo de inicio de
la toma de datos.
En nuestro ejemplo:
Ao = 1990
Mes =1
Seleccionare
mos el
intervalo de
tiempo en el
que se
tomaron los
datos,
En nuestro
ejemplo fue
ao y mes
Preparacin de los datos de la serie temporal para
el anlisis grafico
Variable etiqueta
para ao
Variable etiqueta
para fecha
completa
Variable etiqueta
para mes
Que observaremos en el grafico?
En un primer momento se observa su
tendencia, es decir, si la serie va
decreciente o creciente en todo su
recorrido.

Hay algun corte o punto donde cambia
su comportamiento?
Es importante notar estos cambios, ya que
significa que en tales puntos hubo un
suceso imprevisto y se trrataria de un
modelo de intervencion.

Hay picos o valores que se repiten
periodicamente ?
Estos valores son importante notarlos ya que
encierran un comportamiento estacional
de la serie.
Lo que se pretende con el grafico es determinar a simple vista el
comportamiento de la serie, ya que a partir de las suposiciones hechas podemos
realizar nuestro anlisis y pruebas respectivas en los datos de la serie.

Volvamos a nuestro ejemplo: serie IVAI y hagamos el de su grafico de
secuencia:
Tendencia: si muestra tendencia, ya que se observa que es creciente

Estacionalidad: no se observa estacionalidad, esto debido a que no muestra
comportamiento peridico mensual.

Estacionaria en media: no es estacionaria en media ya que presenta tendencia
creciente.

Estacionaria en varianza: si podra ser estacionaria en varianza, esto debido a
que no se muestra mucha variabilidad

Intervenciones: no se muestran intervenciones, esto debido a que no aparecen
cambios bruscos en su comportamiento.
Ahora que ya tenemos la serie lista para su anlisis, aplicarmos lo que se
llama:
METODOLOGIA Box-Jenkins.

Es llamada asi por ser sus creadores: George Box y Jenkins Gwilym
(1970) .
Dicha metodologia consta de cuatro pasos:
1. Identificacion del modelo
2. Estimacion de parametros
3. Chequeo del modelo y de los supuestos.
4. Prediciones a partir del mejor modelo.

La metodologia completa se describe a continuacion:


Para la identificacion deun modelo sehace uso no solo del
grafico desecuencia, sino principalmente delasfunciones
deautocorrelacion FAS y FAP.
En la FAS se observa el orden de los modelos MA y en la
FAP el orden delos modelos AR.

En esta etapa es habitual de que existan ms de un posible
modelo que haya podido generar la serie.

En estos casos se trata de seleccionar todos los posibles
modelos candidatos, discriminando en etapas posteriores,
algunos de ellos.
Identificacin
En esta etapa se trata de cuantificat los parmetros de los
modelos seleccionados.

Los dos problemas fundamentales a los que se enfrentan la
estimacin de los modelos ARIMA son el de los valores
iniciales (de los parmetros, de la serie y de los ruidos) y la
falta de linealidad.

Cuantificar o encontrar los parmetros?

Significa queen cadamodelo aplicado, obsrvaremosel nivel
designificancia y ademas sicada modelo cumplecon las
condicionesdeestacionaridad e invertibilidad,esto
dependiendo de cada modelo detallado en la teoria.
Estimacin
En esta etapa se procede a realizar la
evaluacin de la adecuacin de los modelos
previamente identificados y estimados.

Esta etapa se centra en analizar si los residuos
del modelo, tienen un comportamiento
semejantes a un ruido blanco, distribuidos
como una normal
Pero no solo eso, ademas se verifica que esten
oncorrelados por medio de su FAS y FAP.
Validacin o Chequeo
2
( 0, tan ) N cons te o = =
Una vez los modelos superan la etapa del
chequeo se llega al fin ltimo de la
metodologa, la obtencin de las
predicciones (puntuales y/o por intervalo)
de valores futuros de la serie temporal.

Se observa el ajuste que tiene las
prediciones con los valores reales de la
serie.
Prediccin:
Etapa 1.

Identificacin del
modelo.
Ahora que ya tenemos los datos relacionados en el
tiempo, estamos listos para graficarlos y analizar su
comportamiento.


Para ello se siguen los
siguientes pasos:

Ir al Men
Opcin: Analizar
Sub-menu: Series
Temporales
Opcin: Grficos de
secuencia
Variable a analizar (Serie)
Variable identificadora de
fechas
Aparecera una ventana
nueva donde deberemos
hacer lo sifuiente:

Deberemos arrastrar la
variable que representa
a la serie a la casilla de
variables

Luego arrastramos la
variable identificadora
de fechas a la casilla
correspondiente.
Se tendr de esta
manera:

Notamos dos opciones
adicionales que se
pueden utilizar en caso
necesario y se
detallaran en este
momento:

Permite agregar lineas
temporales para fechas
especificas
Permite dar formato al
grafico de secuencia
Opcin : Lneas temporales
Esta opcin nos
permite insertar en el
grafico de secuencia
lneas temporales
para la identificacin
de los cambios
imprevistos o si se
quiere para cada
mes o ao
dependiendo de la
periodicidad de la
serie.
Opcin : formato
En la opcin de
formato, como su
nombre lo dice le
podemos dar formato
a nuestro grafico de
secuencia.

Podemos elegir que
nuestro grafico sea
delineas o de reas,
adems de la opcin
de agregar la lnea de
referencia dela media.

Existe una ultima opcin y es la de conectar los casos entre las variables,
esto solo cuando se tengan varias series de tiempo.
Finalmente damos
click al botn Aceptar
y aparecer en la
ventana de resultados,
el grfico de secuencia
as como un par de
cuadros descriptivos
de los datos.
Grafico de secuencia de la serie IVAI
Ejemplo de grfico de secuencia de
otras series datos

Para la identificacin del modelo no solo
observamos el grafico de secuencia, sino adems
las graficas de las funciones de autocorrelacin
simple y parcial (FAS y FAP respectivamente).

Estas funciones y sus graficas nos sern de
mucha ayuda de aqu en adelante.
Estas graficas se
obtienen siguiendo los
pasos siguientes:

Seleccionar del menu
principal Analizar
Luego: Series
temporales
Y finalmente
Autocorrelaciones
Obteniendo las graficas de autocorrelacin FAS y FAP
Al darle click a la opcion
autocorrelaciones...,
aparecera una nueva caja
de dialogo:

Luego debemos arrastrar
la variable de tiempo

Obteniendo las graficas de autocorrelacin FAS y FAP
Arrastraremos la o las
series de tiempo a la casilla
de variable.

Luego observamos que hay
varias casillas de
verificacion en las cuales
mostrara laFAS y FAP de la
serie transformada por:
Logaritmo natural
Diferenciacion regular de
orden d
Diferenciacion estacional
de orden D
Obteniendo las graficas de autocorrelacin FAS y FAP
Ademas aparecen otro boton que es el de
Opciones... es importantes y explicaremos
su uso a continuacion
Obteniendo las graficas de autocorrelacin FAS y FAP
El botn Opciones nos
muestra varias opciones:

Modelo de independencia
Aproximacin de Bartlett
y la que mas utilizaremos
que es la opcin de mostrar
las autocorrelaciones
estacionales.

Esta nos servir para
determinar el modelo
ARIMA para la parte
estacional de la serie.

Por el momento solo usaremos las opciones por default
y obtendremos los siguientes resultados:
En laventana de resultados veremos
la grafica de la FAS.

Ahora vamos a iniciar el anlisis de
nuestra serie IVAI:

Observamos que la serie posee un
decaimiento lento, esto podra
significar dos cosas:
Grfico de la funcin de autocorrelacin simple (FAS)
2 - Laotra alternativa es
presencia de un modelo AR(p)
asociado a la serie, esto
seconfirmaria en el gradico de
la FAP.
1 - Que la serie necesita diferenciacin
ya sea regular o estacional para
estabilizarla, pero como observamos
en el gradico de secuencia, no tenia
comportamiento estacional asi que la
diferenciacion sera regular.
Grafico de la funcin de autocorrelacin parcial (FAP)
Ahora analicemos la FAP.

Podemos observar que aparece
un valor significativo en el
primer rezago, esto indicara
una de dos cosas:

1 - un modelo AR(1), el resto de
valores se encuentran dentro de
las bandas de confianza.

2 - notamos que este valor es
cercano a 1, lo cual nos
confirma la necesidad de
diferenciar la serie, esto ya lo
habiamos supuesto con el
grafico de secuencia y la FAS.
Hay que aclarar que antes de aplicar cualquier
modelo, debemos asegurarnos que la serie es
estacionaria, esto se verificara por medio de las
pruebas de races unitarias y estacionaridad, entre
ellas estn
Adf.test , pp.test y el Kpss.test.

Estas se encuentran en el paquete estadstico R y no
en SPSS por lo cual solo las mencionaremos.

Por medio de R nos dimos cuenta que necesitaba dos
diferenciaciones regulares (d=2) para estabilizar la
serie completamente.
Aplicaremos diferenciacion a la
serie y se obtiene el siguiente
grafico de secuencia:

Seguimos los mismos pasos
anteriores y antes de dar clic al
boton aceptar, vamos a marcar la
opcion diferenciacion y
colocaremos el valor de 2.

Esto nos indica que obtendremos el
gradico de secuencia de la serie
diferenciada dos periodos.

Como podemos notar, ahora es
estacionaria, no presenta tendencia,
solo aleatoriedad.
Grfico de secuencia la serie estabilizada
Analisis de la FAS
La serie diferenciada de orden d=2
muestra la siguiente FAS.

Observamos que ahora la serie
muestra un decaimiento acelerado,
sinusoidal lo cual podria indicarnos
lo siguiente:
1 - la presencia de un MA(1), esto
debido a que aparece entre los
primeros rezagos, solo
observaremos los primeros 8
rezagos regunares y los primeros 5
o 6 rezagos estacionales,
2- Debido al decaimiento sinusoidal, se puede pensar en la existencia de
un AR de orden p, el cual se confirmara en la grafica de la FAP
Observamos los primeros valores que
son significativamente diferentes de
cero, podriamos decir que es un
AR(2)

Aun cuando aparecen los primeros 5,
calores significativosm no se
consideran modelos de orden superior
al AR2) o AR(3) y de igual forma
para los MA
.
El decaimiento sinisoidal confirmara
la presencia del MA
Analisis de la FAP
Ahora veremos la FAS y FAP de los periodos estacionales para el modelo
de la parte estacional
Analisis de la FAS estacional
Observamos los primeros 2
valores significativos y el
resto dentro de las bandas
de confianza, esto podra
indicar lo siguiente:


Un MA(2) estacional

Por el decaimiento
sinusoidal, la posible
presencia de un AR
estacional o incluso un
ARMA estacional, que luego
verificaremos en la FAP
estacional

Analisis de la FAP estacional
Observamos entre los
primeros 2 valores , el
segundo es significativo y el
resto dentro de las bandas
de confianza, esto podra
indicar lo siguiente:


Un AR(2) estacional

Por el decaimiento
sinusoidal, confirmara la
posible presencia de un MA
estacional o incluso un
ARMA estacional,
Posibles modelos a verificar
2 2
1 2
2
1
2 2
1 2
1 1(2, 2) : (1 )(1 )
2 (2,1) : (1 ) (1 )
3 (2, 2,1) : (1 )(1 )
t t
t t
t
B B AR B y a
IMA B y B a
ARIMA B B B y
| |
u
| |
= +
= +
= +
12
2 12
1
2 2
12 1 2
2
12 1 2
2
12

(1 )
4 (2) (2) : (1 )(1 )
5 (2) (2) : (1 ) (1 )
6 (2) (2, 2) : (1 )(
t
t t
t t
B a
I xAR B B B y a
I xMA B y B B a
I xARMA B
u

u u = +
= + O O

12 2 12
12
2
1 2 1 2
2 2 2
12 1 2 1 2
2 2
12 1 2 1


1 ) (1 )
7 (2, 2) (2) : (1 )(1 )(1 )
8 (2,1) (2) : (1 )(1 ) (1 )
9 (2,
t t
t t
t t
B B y B B a
ARI xAR B B B B B y a
IMA xAR B B B y B a
ARIMA

| |
| | u
u u = + O O
u u = +
= +

12
2 12
2 2 2
12 1 2 1 2 1
2 2
12 1 2 1 2
2
12
2,1) (2) : (1 )(1 )(1 ) (1 )
10 (2, 2) (2) : (1 )(1 ) (1 )
11 (2,1) (2) : (1 )
t t
t t
xAR B B B B B y B a
ARI xMA B B B y B B a
IMA xMA B
| | u
| |
u u = +
= + O O

2 12
2 12
12 2 12
1 1 2
2 2
12 1 2 1 1 2
2 2 2
12 1 2 1 2 1 2
(1 )(1 )
12 (2, 2,1) (2) : (1 )(1 ) (1 )(1 )
13 (2.2) (2, 2) : (1 )(1 )(1 ) (1 )
1
t t
t t
t t
y B B B a
ARIMA xMA B B B y B B B a
ARI xARMA B B B B B y B B a
u
| | u
| |
= + O O
= + O O
u u = + O O
12 2 12
2 2 2 12 2 12
1 2 1 2 1 1 2
2 2
12 1 2 1 1 2
12
(1 ) (1 )(1 )
; son los va
4 (2,1) (2, 2) : (1 )(1 ) (1 )(1 )
15 (2, 2,1) (2, 2) : (1 )(1 )
t t
t
t t
B B B B B B B
Donde y
IMA xARMA B B B y B B B a
ARIMA xARMA B y a u
u
| | u u O O
u u = + O O
= +
2
lores de la serie
son los valores de una serie de ruido blanco(N(0, ))
es el operador de retardo
t
a
B
o
Etapa 2.

Estimacin de los
parmetros del modelo.
Estimacin de parmetros del modelo
Para la estimacin de parmetros se
siguen los siguientes pasos:


Ir al menu principal y seleccionar
Analizar.
Luego seleccionar series
temporales y
Finalmente Crear modelo.
Luego aparecera una nueva caja de
dialogo.

De esta caja de dialogo
mostraremos las diferentes pestaas
y sus opciones a continuacion.
En esta pestaa de
variables podemos elegir
el mtodo de anlisis as
como definir la serie
independiente o serie a
analizar y en el caso de
anlisis de intervencin
y regresin dinmica se
pueden elegir las series
independientes


Caractersticas que presenta la opcin de crear modelo
Caractersticas que presenta la opcin de crear modelo
En esta pestaa tenemos
opciones diversos para obtener
diversos estadsticos y
parmetros del modelo, las que
mas utilizaremos son :

1.Estimaciones de los
parmetros
2.Mostrar predicciones

Pero no menos importantes
son los estadsticos a
seleccionar, estos nos permiten
decidir cual modelo es el
mejor.
Caractersticas que presenta la opcin de crear modelo
De esta pestaa lo que nos
interesa por el momento son los
grficos de auto correlacin
simple y parcial de los
residuales, ya que en ellos se
observa si el modelo es el
correcto o si falta algo por
estimar.

Tambin se puede obtener un
grafico de las predicciones e
intervalos de confianza.
Caractersticas que presenta la opcin de crear modelo
En la pestaa guardar de la
opcin crear modelo
podemos guardar en el
archivo abierto de SPSS las
variables :
1.Valores pronosticados
2.Limites de confianza
inferiores
3.Limites de confianza
superiores
4.Residuos de ruido

Estos ltimos nos son tiles
para la verificacin de los
supuestos del modelo.

Caractersticas que presenta la opcin de crear modelo
Pestaa de opciones

En esta pestaa podemos
elegir desde que periodo
queremos predecir y
adems modificar el nivel
de significancia de los
intervalos de confianza, los
cuales por default estn al
95%.
Caractersticas que presenta la opcin de crear modelo
Volvamos a nuestro ejemplo:
Para el ejemplo solo vamos a
elegir las opciones
siguientes:

Mtodo de estimacion:
ARIMA
Luego en criterios
aplicaremos uno por uno los
posibles modelos
encontrados en la etapa
anterior .
Solo se explicar el primer modelo, el resto se dejaran como ejercicio.
Caractersticas que presenta la opcin de crear modelo
Al presionar el botn
Criterios nos mostrara
la siguiente caja de
dialogo en la cual
digitaremos los valores
del modelo por ejemplo
ARIMA(2,1,0)
No aplicaremos
ninguna
transformacin
si incluiremos
una constante
en el modelo

Caractersticas que presenta la opcin de crear modelo
En la anterior caja de
dialogo aparece la
pestaa de valores
atipicos,

Esta opcion es util
cuando queremos
determinar un modelo
donde aparecen
intervenciones,por lo
cual solo la
mencionaremos.
Habiendo hecho los ajustes necesarios procedemos a dar click en Aceptar.

En breve aparecer en la ventana de resultados lo siguiente:
Parmetros del modelo ARIMA
-.012 .033 -.366 .715
.988 .071 13.933 .000
-.533 .071 -7.490 .000
2
Constante
Retardo 1
Retardo 2
AR
Dif erencia
Sin transf ormacin Indice del Volumen
de Actividad
Industrial por mes
Indice del Volumen de
Actividad Industrial por
mes-Modelo_1
Estimacin ET t Sig.
Lo que veremos aca es el nivel de significancia de cada modelo, que cada
uno sea menor que 0.05 que por lo general se toma.

En nuestro ejemplo notamos que el modelo se acepta exceptuando la
constante, ya que su nivel de significancia es mayor que 0.05
Por lo cualel modelo es aceptado.
Notamos que en el modelo
falta algo por especificar ya
que aparecen muchos
valores fuera delas bandas
de confianza.

Ac tambin podemos
estimar que es lo que le falta
al modelo para que sea el
indicado.

En la FAS podra ser un
MA(2) o MA(3) o incluso
estacional.

En la FAS se confirmara la
presencia del MA por su
decaimiento sinusoidal.
Ahora lo que sigue es analizar la FAS y FAP de residuales que aparece en
la misma ventana de resultados, si fueron solicitados.
Se dejan el resto demodelos como
ejercicio.
RESUMEN DE LOS MODELOS SELECCIONADOS
Se analizo cada uno de los modelos, unos fueron rechazados por no cumplir
con ser todos sus coeficientes significativos.

De los modelos que fueron aceptados, se observo la tabla de estadsticos
generados para cada uno y se elige el que posea menor AIC( Coeficiente de
informacin de akaiken) y menor BIC ( criterio bayesiano) ya que estos
estadsticos nos permiten identificar al modelo con mejor ajuste al
compararlos con los datos reales.

Al final no se selecciono ninguno de ellos y es por algo muy curioso, el
modelo que mejor se ajusta es:

Pero uno de sus coeficientes de la parte estacional no es significativo.
Por lo cual se tomo un modelo reducido:

El cual cumple con tener menor AIC y BIC.
2 2 2 12 2 12
1 2 1 2 1 1 2 12
(1 ) (1 )(1 ) 15 (2, 2,1) (2, 2) : (1 )(1 )
t t
B B B B B B B ARIMA xARMA B y a u | | u u O O = +
2 2 2 12 12
1 2 1 2 1 1 12
(1 ) (1 )(1 ) 16 (2, 2,1) (2,1) : (1 )(1 )
t t
B B B B B B ARIMA xARMA B y a u | | u u O = +
RESUMEN DE LOS MODELOS SELECCIONADOS
Estimaciones de los par metros
.536 .088 6.084 .000
-.263 .086 -3.064 .003
-.879 .046 -19.148 .000
.469 .123 3.797 .000
-.259 .117 -2.217 .028
.899 .201 4.468 .000
AR1
AR2
MA1
Retardos no
estacionales
Seasonal AR1
Seasonal AR2
Seasonal MA1
Retardos
estacionales
Estimaciones Error tpico t Sig. aprox.
Se ha utilizado el algoritmo de Melard para la estimacin.
RESUMEN DE LOS MODELOS SELECCIONADOS
2 2 2 12 12
1 2 1 2 1 1
12
(1 ) (1 )(1 ) 16 (2,2,1) (2,1) : (1 )(1 )
t t
B B B B B B ARIMA xARMA B y a u | | u u O = +
Diagnstico residual
154
6
148
4.393
6.359
.026
.161
55.040
-98.080
-79.858
Nmero de residuos
Nmero de parmetros
GL residuales
Suma de cuadrados
residual corregida
Suma de cuadrados
residual
Varianza residual
Error tpico del modelo
Log-verosimilitud
Criterio de inf ormacin
de Akaike (AIC)
Criterio bayesiano de
Schw arz (BIC)
2 2 2 12 12
.263 (1 .469 .259 ) (1 .879 )(1 .899 ) (1 )(1 .536 )
t t
B B B B B B B y a + + =
Etapa 3.

Validacion y chequeo
Procedemos ahora a comprobar las
hiptesis del modelo como son la
normalidad e independencia de los
residuales.

Para ello guardaremos los residuales
y predicciones del modelo aceptado
en la etapa anterior.

Luego aplicaremos la tcnica
descriptiva grafico Q-Q en la cual
se muestra la prueba de normalidad
de los valores graficados.

Como podemos ver se ajustan
bastante bien a la distribucion
normal, aparecen unos pocos valores
atpicos que podran despreciarse.
Parmetros de distr ibucin estimados
.0028
.16451
Ubicacin
Escala
Distribucin
normal
Ruido
residual de
IVAI-Modelo_1
Los casos estn sin ponderar.
Estadsticos para una muestra
154 .0028 .16451 .01326
Ruido residual
de IVAI-Modelo_1
N Media
Desviacin
tp.
Error tp. de
la media
Tambin agregaremos la
prueba t para una
muestra, con la cual se
prueba el valor de la
media de los residuales
igual a cero.

Adems, se puede ver en
el grafico de dispersin,
que no hay tendencia en
los residuales y que de
acuerdo a la tabla de
descriptivos, su
variabilidad es muy
reducida, lo cual se puede
comprobar en el grafico
Etapa 4.

Prediccin
Notamos en el grafico
de secuencia de los
valores reales y de las
prediciones que el
ajuste es excelente, es
decir, que se ajustan
bastante bien a los
datos.
La tabla de predicciones se
mostrara en parte debido a
que son muchos datos, a
continuacin se presenta:

Como podemos observar,
las predicciones fallan solo
por decimales, son bastante
buenas por lo cual con esto
se concluye la metodologia
Box-Jenkins.
2 2 2 12 12
.263 (1 .469 .259 ) (1 .879 )(1 .899 ) (1 )(1 .536 )
t t
B B B B B B B y a + + =
Con esto se termina la metodologia Box-Jenkins.

El modelo fila es:
Con esto se termina la presentacin.

Gracias




Preguntas???