Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Sesi on 3
Marzo - 2013
Modelos ARIMA(p,d,q) Test de Raices Unitarias Estimaci on de modelos ante quiebres estructurales Estimaci on de modelos ante outliers Modelos ARFIMA
Modelos ARIMA La no estacionariedad afecta las propiedades de los estimadores M nimos Cuadrados Ordinarios (MCO) y los procedimientos convencionales de inferencia estad stica. El problema est a en que la combinaci on lineal de series no estacionarias es generalmente no estacionaria; la excepci on es lo que se denomina cointegraci on: Engle y Granger (1987), por lo que los errores de una regresi on de variables no estacionarias ser an no estacionarios si estas no est an cointegradas. Al dejar de ser los errores un ruido blanco, no se cumplir an entonces los supuestos que garantizan las propiedades de los estimadores MCO. La no estacionariedad conduce tambi en a que la distribuci on asint otica de los estimadores MCO no sea normal, por lo que los procedimientos de inferencia estad stica, como las pruebas t y F, dejan de tener validez y pueden generar resultados enga nosos.
Rafael Capar o Coronado An alisis de Series de Tiempo
Modelos ARIMA
Uno de los peligros que se corre al modelar series no estacionarias es la obtenci on de regresiones espurias (Granger y Newbold 1974). Los resultados enga nosos de los distintos estad sticos conducen a aceptar una relaci on que no existe entre variables no estacionarias. Existen diferentes v as para modelizar series no estacionarias. Si la no estacionariedad es u nicamente en la media (tendencia determinista), se debe a nadir una variable de tendencia al modelo. Si las series presentan no estacionariedad en la varianza (tendencias estoc asticas), se debe probar primero la presencia de una relaci on de cointegraci on entre las variables; si no hay evidencias de una relaci on de cointegraci on, entonces se diferencian las series hasta obtener series estacionarias.
Modelos ARIMA
Desde el punto de vista econ omico la estacionariedad tiene interpretaciones que pueden resultar u tiles para el an alisis econ omico y la formulaci on de pol ticas. Los procesos estacionarios y estacionarios sobre una tendencia se dice que tienen memoria limitada; ante cualquier perturbaci on la serie tiende a volver a su media, los shocks sobre estas series tienen un efecto transitorio. Los procesos con varianza no estacionaria (tendencia estoc astica) tienen una fuerte dependencia de los valores pasados, se dice que tienen memoria ilimitada, por lo que los shocks tendr an sobre ellas efectos permanentes.
Modelos ARIMA
Recordar que yt es estacionario si y solo si: E (yt ) = < , t Cov (yt , yt j ) = j < , t yt es no estacionario si al menos algunas de las condiciones anteriores no se cumple.
Modelos ARIMA
Modelos ARIMA
Consideremos una estimaci on MCO de un proceso AR(1) gausiana yt = a1 yt 1 + t Donde ut > i .i .d .N (0, 2 ) y yo = 0. La estimaci on MCO de a1 es dada por: T yt 1 yt a1 = t =1 T 2 t =1 yt 1 a1 1 =
T t =1 yt 1 t T 2 t =1 yt 1 T t =1 yt 1 t T 2 t =1 yt 1
T ( a1 1) =
(1/T ) (1/T 2 )
Modelos ARIMA
(1/2)[W (1)]2 1
1 [W (r )]2 dr 0
yt = (a1 1)yt 1 +
i =2
i yt i +1 + t
Donde i = (1
i j =1
ai )
An alisis de Series de Tiempo
d (yt /a) =
(1)
Luego se considera una regresi on de MCO con los datos cuasidiferenciados d (yt /a) en los datos cuasidiferenciados d (xt /a) d (yt /a) = d (xt /a) + nt donde xt contiene una constante o una constante y tendencia
(2)
Se dene el GLS detrended como ytd usando las estimaciones asociadas a a: ( ytd = yt xt a) Donde la prueba DFGLS implica estimar el siguiente modelo: ytd = ytd1 + 1 ytd1 + ... + p ytdp + vt igual que en DFA, se considera el ratio para evaluar la proporci` on de en la ecuaci on.
Donde s es el error estandar del test de regresi on, o es una estimaci on consistente de la varianza del error (calculado como (T k )s 2 /T ). El termino fo es el estimador del espectro residual en la frecuencia cero.
Test de Raices Unitarias Test de Kwiatkowski, Phillips, Schmidt, and Shin (1992)
Los autores proponen contrastar como hip otesis nula la estacionariedad de la serie, y es esta la principal diferencia con los contrastes anteriores. El estad stico es basado en los residuos de un MCO de yt sobre las variables ex ogenas xt . yt = xt + t El estad stico LM es denido como:
T
LM =
t =1
S (t )2 /(T 2 fo )
donde fo es un estimador del espectro residual en la frecuencia cero y S (t ) es la funci on de residuos acumulados (S (t ) = t r ). r =1