Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Bibliograf a
Series de Tiempo Germ an Aneiros P erez Indices
Bibliograf a Tema 1: An alisis descriptivo de una serie de tiempo Tema 2: Series de tiempo y procesos estoc asticos Tema 3: Modelos Box-Jenkins Tema 4: Modelos de memoria larga Tema 5: Modelos para la volatilidad
Bibliograf a b asica Makridakis, S., Wheelwright, S.C. y Hyndman, R.J. (1998). Forecasting. Methods and Applications. 3a edici on. Wiley. a, D. (2005). Pen An alisis de Series Temporales. Alianza Editorial.
Series de Tiempo
Bibliograf a
Series de Tiempo Germ an Aneiros P erez Indices
Bibliograf a Tema 1: An alisis descriptivo de una serie de tiempo Tema 2: Series de tiempo y procesos estoc asticos Tema 3: Modelos Box-Jenkins Tema 4: Modelos de memoria larga Tema 5: Modelos para la volatilidad
Bibliograf a complementaria Beran, J. (1994). Statistics for Long-Memory Processes. Chapman&Hall. Brockwell, P.J. y Davis, R.A. (2002). Introduction to Time Series and Forecasting. 2a edici on. Springer. Fan, J. y Yao, Q. (2003). Nonlinear Time Series: Nonparametric and Parametric Methods. Springer. Shumway, R.H. y Stoffer, D.S. (2006) Time Series Analysis and Its Applications. With R Examples. 2a edici on. Springer.
Germ an Aneiros P erez Series de Tiempo
Series de Tiempo Germ an Aneiros P erez Introducci on El concepto de serie de tiempo: Ejemplos Descomposici on cl asica de una serie de tiempo: Ejemplos Recapitulaci on
Series de Tiempo
Introducci on En general, el objetivo de la estad stica descriptiva es el dotarnos de m etodos (tanto gr acos como cuantitativos) que nos permitan resumir y extraer informaci on de un conjunto de observaciones tomadas de una variable.
Ejemplo X : Gasto en Nochevieja 2008 x1 = 56.8, . . . , x100 = 53.7 x = 54.2 Me = 53.4 s = 3.2
Series de Tiempo
Introducci on En el contexto particular de las series de tiempo, las observaciones son tomadas a lo largo del tiempo. La estad stica descriptiva tratar a entonces de dotarnos de m etodos b asicos que nos permitan comprender la evoluci on de las observaciones a lo largo del tiempo.
Series de Tiempo
El concepto de serie de tiempo: Ejemplos Una serie de tiempo es el resultado de observar los valores de una variable X a lo largo del tiempo. Por ejemplo: X : Temperatura media en A Coru na Frecuencia de observaci on: mensual Serie de tiempo: 11.5, 11.1, 11.7, 13.2, 14.7, . . . X : (Eur bor , Cotizaci on del barril de crudo) Frecuencia de observaci on: diaria Serie de tiempo: (4.32 , 87.95), (4.33 , 88.40), . . . Nos restringiremos a variables unidimensionales, y por tanto trataremos con series de tiempo univariantes.
Germ an Aneiros P erez Series de Tiempo
El concepto de serie de tiempo: Ejemplos Las observaciones las tomaremos en intervalos regulares de tiempo (cada hora, cada d a, cada mes, . . .). Sin p erdida de generalidad, supondremos que la variable X ha sido observada en los instantes 1, 2, . . . , T . La serie de tiempo observada de la variable X ser a representada por x1 , x2 , . . . , xT . As , en el ejemplo referente a la variable X : Temperatura media en A Coru na, tendr amos que: x1 = 11.5, x2 = 11.1, x3 = 11.7, x4 = 13.2, x5 = 14.7, . . .
Germ an Aneiros P erez Series de Tiempo
El concepto de serie de tiempo: Ejemplos Ante una serie de tiempo, lo primero que se debe hacer es representar su gr aco de secuencia; esto es, representar gr acamente cada observaci on xt frente al instante t en que se observa, y luego unir con segmentos cada uno de los T puntos. El gr aco de secuencia nos permitir a observar c omo evoluciona la serie a lo largo del tiempo; espec camente, podremos ver las principales caracter sticas de la serie de tiempo: Posible presencia de tendencia: comportamiento a largo plazo de la serie. Posible presencia de estacionalidad: comportamiento peri odico de la serie. Posible presencia de heterocedasticidad: la variabilidad de la serieGerm depende de su nivel. an Aneiros P erez Series de Tiempo
Informaci on sobre la serie Lugar: Espa na Frecuencia de observ.: Anual Cantidad de observaciones: 47 (1960-2006) La serie presenta tendencia
Series de Tiempo
Temperatura media
Informaci on sobre la serie Lugar: A Coru na Frecuencia de observ.: Mensual Cantidad de observaciones: 180 (enero 1988-diciembre 2002) La serie presenta componente estacional
Series de Tiempo
Turismo
Informaci on sobre la serie Lugar: Espa na Frecuencia de observ.: Mensual Cantidad de observaciones: 116 (enero 1995-agosto 2004) La serie presenta tendencia y componente estacional
Series de Tiempo
Consumo de electricidad
Informaci on sobre la serie Lugar: EE.UU. Frecuencia de observ.: Mensual Cantidad de observaciones: 396 (enero 1972-diciembre 2004) La serie presenta tendencia, componente estacional y heterocedasticidad
Series de Tiempo
Descomposici on cl asica de una serie de tiempo: Ejemplos Objetivo: construir un modelo que describa de una manera sencilla la evoluci on de la serie a trav es del tiempo. Para ello, se asume que los datos xt pueden expresarse como una funci on de una componente de tendencia Tt , de una componente estacional St y de un error at : Tt modeliza el comportamiento a largo plazo de la serie. St modeliza el comportamiento peri odico de la serie. at est a formado por el efecto de diversos factores de poca importancia y que a menudo desconocemos. Representa a la parte impredecible de la serie.
Series de Tiempo
Descomposici on cl asica de una serie de tiempo: Ejemplos Los modelos que se utilizan con m as frecuencia son: Modelo aditivo: xt = Tt + St + at Modelos multiplicativos:
Puro: xt = Tt St at Mixto: xt = Tt St + at
La elecci on de uno de estos modelos se har a de manera que el modelo seleccionado sea capaz de aglutinar la principales caracter sticas (observadas en el gr aco de secuencia) de la serie en estudio.
Series de Tiempo
Turismo
Algunas descomposiciones Modelo aditivo: xt = Tt + St + at Este modelo es apropiado cuando la magnitud de las uctuaciones estacionales de la serie no var a al hacerlo la tendencia.
Series de Tiempo
Consumo de electricidad
Algunas descomposiciones Modelos multiplicativos: Puro: xt = Tt St at Mixto: xt = Tt St + at Estos modelos son apropiados cuando la magnitud de las uctuaciones estacionales de la serie crece y decrece proporcionalmente con los crecimientos y decrecimientos de la tendencia, respect.
Series de Tiempo
Descomposici on cl asica de una serie de tiempo: Ejemplos Una vez seleccionado un modelo para describir a nuestra serie de tiempo, el siguiente paso ser a calcular/aproximar/aislar la tendencia Tt y su componente estacional St a partir de xt (el error at se obtiene directamente de estos). En cuanto a la componente estacional, si denotamos al periodo de la serie por s , entonces St = St s . Por tanto, para conocer la componente estacional St (t = 1, . . . , T ) es suciente conocer s de sus valores consecutivos (en el tiempo). Por ejemplo, basta con conocer los valores S1 , . . . , Ss , los cuales se denominan ndices estacionales. Se tiene que St +1 + + St +s = S1 + + Ss = cte .
Germ an Aneiros P erez Series de Tiempo
Descomposici on cl asica de una serie de tiempo: Ejemplos En esencia, existen dos m etodos para aislar la tendencia y la componente estacional de una serie de tiempo: M etodo param etrico: Se basa en
Proponer modelos param etricos para expresar la relaci on que guardan la tendencia y la componente estacional con el tiempo. Ajustar dichos modelos a la serie de tiempo (por ejemplo, a trav es del m etodo de m nimos cuadrados). Aislar la tendencia y la componente estacional por medio de los modelos ajustados.
Series de Tiempo
Descomposici on cl asica de una serie de tiempo: Ejemplos M etodo no param etrico: Se basa en
Asumir suavidad en la relaci on que guardan la tendencia y la componente estacional con el tiempo. Aislar la tendencia y la componente estacional a trav es de la suavizaci on del gr aco de secuencia (aplicando, por ejemplo, ltros de medias m oviles). Nota: Aplicar a la serie {xt } el ltro de medias m oviles con coecientes [bk , . . . , b1 , b0 , b1 , . . . , bk ] consiste en obtener los valores x t = bk xt k + + b1 xt 1 + b0 xt + b1 xt +1 + + bk xt +k
Nosotros nos centraremos en el m etodo no param etrico que suaviza a trav es a ltros de medias m oviles.
Germ an Aneiros P erez Series de Tiempo
A TRAVES DE MEDIAS MOVILES SUAVIZACION Serie con tendencia y sin componente estacional PIB Modelo: xt = Tt + at Suavizador en t : t = T
k j =k
xt +j
2k + 1
Residuos
Series de Tiempo
Descomposici on (k = 5)
PIB y suavizaci on
Series de Tiempo
Obtenemos la tendencia t (ltro de medias T m oviles). Construimos la nueva serie t . xt T Obtenemos, a partir de la nueva serie, los ndices estacionales Sk (ltro de medias m oviles).
Series de Tiempo
Descomposici on
Turismo y suavizaci on
Series de Tiempo
Serie con tendencia, componente estacional y heterocedasticidad Consumo de electricidad Modelo: xt = Tt St + at 1 Asumimos que S1 + + Ss = s
2
Obtenemos la tendencia t (ltro de medias T m oviles). Construimos la nueva serie t . xt /T Obtenemos, a partir de la nueva serie, los ndices estacionales Sk (ltro de medias m oviles).
Series de Tiempo
Descomposici on
Series de Tiempo
C omo tratar una serie que contenga componente estacional pero que, aparentemente, no tenga tendencia? Temperatura Modelo: xt =Tt ? + St + at Trataremos la serie como si tuviese tendencia. Si realmente no la tiene, el suavizador de medias m oviles dar a lugar a un tendencia pr acticamente constante. Si realmente la tiene, estar amos en una situaci on que ya hemos tratado. Series de Tiempo
Descomposici on
Temperatura y suavizaci on
Series de Tiempo
A continuaci on, formalizamos lo que se ha hecho en la suavizaci on de series con componente estacional. Tendencia: Suavizador de medias m oviles t Suavizador en t: T Si s es impar, se calcula la tendencia en t a trav es del suavizador de medias m oviles: xt (s 1)/2 + + xt 1 + xt + xt +1 + + xt +(s 1)/2 s Si s es par, se calcula la tendencia en t a trav es del suavizador de medias m oviles ponderado: 0.5xt s /2 + xt s /2+1 + + xt + + xt +s /21 + 0.5xt +s /2 s
Germ an Aneiros P erez Series de Tiempo
Componente estacional: Suavizador de medias m oviles Descomposici on aditiva: La tendencia es sustra da de la serie, dando lugar a la serie sin tendencia y con t = St + at . componente estacional xt T Descomposici on multiplicativa: La serie es dividida por la tendencia, dando lugar a la serie sin tendencia y con xt xt at componente estacional = St at o = St + , t Tt Tt T dependiendo de si la descomposici on multiplicativa es pura o mixta, respectivamente. Al aplicar un suavizador de medias m oviles (estacional) a la serie sin tendencia, se obtienen sus ndices estacionales. El resultado de sustraerles su media (dividirlos entre su media, en el caso de los modelos multiplicativos) da lugar a los ndices estacionales de la serie original.
Germ an Aneiros P erez Series de Tiempo
Recapitulaci on A lo largo de este tema: Se ha denido el concepto de serie tiempo. Se ha establecido la base de la descomposici on cl asica de una serie de tiempo: La serie de tiempo puede expresarse como una funci on de una tendencia, una componente estacional y un error Se han propuesto dos m etodos para aislar cada componente de la descomposici on cl asica de una serie de tiempo:
1 2
Series de Tiempo