Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
COMPONENTES DE UNA SERIE TEMPORAL TENDENCIA (T): Componente de la serie que refleja su evolucin a largo plazo. VARIACIONES CCLICAS (C): Componente de la serie que recoge las oscilaciones peridicas de amplitud superior a un ao. VARIACIONES ESTACIONALES (E): Componente de la serie que recoge las oscilaciones peridicas que se producen en perodos de repeticin iguales e inferiores a un ao. VARIACIONES ACCIDENTALES (A): Componente de la serie que recoge las fluctuaciones errticas que se dan por la ocurrencia de fenmenos imprevisibles.
Tcnicas avanzadas de series temporales
2
Esquema aditivo
1998
1999
2000
2001
TENDENCIA
0.90 1.00 0.85 0.80 0.75 1996 1997 1998 1999 2000 2001 0.99 0.98 0.97 1996 1997 1998 1999 2000 2001 ESTACIONAL avanzadas de series temporales IRREGULAR Tcnicas
Yt = a + b t + et Tt = a + b t
130 120 110 100 90 80 70 1996 1997 1998 IPI 1999 Lineal 2000 2001 130 120 110 100 90 80 70 1996
Tt* =
Yt 3 + Yt 2 + Yt 1 + Yt 4
1997 IPI
1998
1999
2000
2001
Medias Mviles
Concepto de factor estacional Se repiten todos los aos en el mismo perodo En el esquema multiplicativo las fluctuaciones crecen con la tendencia (son un % del nivel de la serie). Es el ms frecuente en las series econmicas. En el esquema aditivo las fluctuaciones son constantes a lo largo del tiempo. No afecta a la tendencia, su efecto se anula dentro del ao En el esquema multiplicativo en promedio valen 1. En el esquema aditivo en promedio valen 0. Ejemplos de estacionalidad: Ventas en Navidad, Rebajas de enero, vacaciones de agosto Semana Santa, efectos puente, ... (no son estacionales)
mt = yt + (1 ) yt 1 + (1 ) yt 2 + =
2
= yt + (1 )mt1
Con
0 1
m1 = y1
(y m )
t =1 t t 1
-series con tendencia sin estacionalidad: Alisado de Holt Presenta dos ecuaciones, una para la media y otra para la pendiente
bt = mt mt 1 + (1 )bt 1
El algoritmo se inicia con
mt = yt + (1 ) mt 1 + bt 1
0 1 0 1
m1 = y2 , b2 = y2 y1
Y los parmetros se eligen de forma que minimice el ECM Si ~0 y ~0 , la tendencia sera determinista Si ~0 , la pendiente sera determinista
bt = mt mt 1 + (1 )bt 1 d t = ( yt mt ) + (1 )d t s
bs +1 =
El algoritmo se inicia con
mt = ( yt d t s ) + (1 ) mt 1 + bt 1
0 1 0 1 0 1
(y
t =1
st ) + ((st +1 st ) (st st 1 ))
2 t =2
T 1
si los datos son anuales 100 = 1.600 si los datos son trimestrales 14.400 si los datos son mensuales
Tcnicas avanzadas de series temporales
10
yt = t + t
Si Si
t = t 1 + t
2 = 0 2 > 0
t = t 1 + t 1 + t t = t 1 + t
Si Si
2 = 0 2 > 0
el modelo tendr una pendiente determinista el modelo tendr una pendiente estocstica
En conjunto
t = t 1 + t 1 + t t = t 1 + t
yt = t + t
12
t = ci Dit con ci = 0
i =1 i =1
-Modelo estocstico:
j =0
s 1
t j
independiente de t , t y t
13
yt = t + t + t t t = t 1 + t 1 + t t t = t 1 + t con t s 1 t = t i + t t i =1
~ N ( 0, 2 )
2 ~ N ( 0, )
~ N ( 0, )
2 2 ~ N ( 0, )
14
2.4 Forma estacionaria y forma reducida -Modelo con oscilaciones locales de nivel
yt = t + t
t = t 1 + t
Propiedades:
diferenciando
yt = t + t
E ( yt ) = 0 V ( yt ) = 2 + 2 2
ARIMA(0,1,1)
2 , si k = 1; 0 en otro caso k = 2 + 2 2
Tcnicas avanzadas de series temporales
15
t = t 1 + t 1 + t t = t 1 + t
Propiedades:
E ( 2 yt ) = 0 V ( yt ) = + 2 + 6
2 2 2 2
yt = t + t
diferenciando
2 yt = t + t + 2 t
ARIMA(0,2,2)
16
yt = t + t + t t = t 1 + t 1 + t diferenciando t = t 1 + t s yt = S ( L)t 1 + st + 2t + s t s 1 t = t i + t i =1
ARIMA(0,1,s+1)x(0,1,0)s
17
yt = Z t + d + t
t = T t 1 + c + Rt
t ~ N ( 0, 2 ) y t ~ N ( 0, Q )
Adems,
E ( 0 ) = a0
E ( t s' ) = 0, t y s
' E ( t 0 ) = 0, t ' E (t 0 ) = 0, t
E ( ( 0 a0 )( 0 a0 ) ') = P0
18
Los modelos representados mediante el modelo del espacio de los estados para despus: a) filtrar: estimar el componente inobservado con informacin hasta t. b) Suavizar: estimar el componente con toda la informacin disponible. c) Predecir:
19
2.6 Filtro de Kalman: 1) Ecuaciones de prediccin: Permiten estimar el componente y su ECM con informacin hasta t-1.
at|t 1 = Tat 1 + c
at = at|t 1 + Pt|t 1Z ' Ft1 ( yt Zat|t 1 d ) Pt = Pt|t 1 Pt|t 1Z ' Ft1ZPt|t 1 Ft = ZPt|t 1Z '+ 2
Tcnicas avanzadas de series temporales
20
Inicializacin del filtro: a) Vector de estados estacionario: media y varianza no condicional de la serie a) Vector de estados no estacionario: Observaciones iniciales
21
2.7 Suavizados Actualizacin del componente con todas las observaciones disponibles hasta el momento T: Algoritmo de intervalo fijo
con aT |T = aT y PT |T = PT
22