Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
1. Introduccion.
2. Analisis
de la serie.
3. Modelos ARMA y ARIMA.
4. Prediccion.
Introduccion
Introduccion
La representacion
temporal.
Introduccion
Ejemplos:
Serie de nacimientos.
Serie de temperaturas.
Serie de ventas de una empresa.
Introduccion
Ejemplos
desde 1946 a 1996 (serie anual).
Numero
de nacimientos en Espana
!
nacimientos
76
66
56
46
36
1940
1950
1960
1970
1980
1990
2000
Introduccion
Ejemplos
desde enero de 1977
Numero
de inscripciones mensuales en el INEM (Espana)
# $%"""&
18
15
paro
12
9
6
3
0
!
!
"
Introduccion
Ejemplos
Temperaturas medias en Valencia (serie mensual).
38
temperatur
34
30
26
22
18
14
0
20
40
60
80
Introduccion
Ejemplos
Ventas de una empresa (beneficios mensuales en MPta).
50
ventas
40
30
20
10
0
0
10
15
20
25
30
Introduccion
Ejemplos
a aerea
Numero
de pasajeros de una compan
(serie mensual).
6,6
pasajeros
6,2
5,8
5,4
5
4,6
0
30
60
90
120
150
Introduccion
Ejemplos
durante 2000 (serie diaria).
Precios medios de energa (Pta/KWh) en Espana
10,3
precio
8,3
6,3
4,3
2,3
30/10/99
07/02/00
17/05/00
25/08/00
03/12/00
13/03/01
Introduccion
Ejemplos
durante 2000 (serie diaria).
Demandas medias de energa (KWh) en Espana
!
58
demanda
54
50
46
42
38
34
30/10/99
07/02/00
17/05/00
25/08/00
03/12/00
13/03/01
10
Introduccion
Ejemplos
Cierre de las acciones de IBM (serie diaria).
ibm
570
530
490
450
0
20
40
60
80
100
120
11
Introduccion
Ejemplos
Numero
de usuarios conectados a un servidor de Internet por minuto.
230
usuarios
200
170
140
110
80
0
20
40
60
80
100
12
Introduccion
Periodicidad
Introduccion:
Anual
Mensual
Semanal
Diaria
Claramente, existen otros tipos de periodicidad: semestral, trimestral, horaria.
El tipo de periodicidad es una caracterstica muy importante en una serie y apa determinadas pautas debida a ella.
receran
13
Introduccion
Tipos de series
Ademas,
que se repite.
Estacionales: Pauta de evolucion
14
Introduccion
Tipos de series
15
Introduccion
Analisis:
etapas
1. Analisis
descriptivo: tendencia, estacionalidad, cambios estructurales, atpicos.
2. Analisis
estadstico:
a) Conseguir una serie estacionaria (residuos): eliminar la tendencia y componentes estacionales y aplicar transformaciones para estabilizar la variabilidad.
b) Elegir un modelo que ajuste bien los residuos (se hace uso de las correlaciones).
16
Introduccion
Analisis
descriptivo de Series Temporales
17
Introduccion
Analisis
descriptivo de Series Temporales
1. Tendencia:
Constante
Variable: La tendencia cambia con el tiempo, tanto en magnitud como en
direccion.
sistematicamente
18
de series temporales
Descripcion
Analisis
descriptivo de una serie
Objetivo: Identificar si la serie tiene tendencia, estacionalidad, cambios estructurales, heterocedasticidad, atpicos,. . .
Herramientas:
Grafico
de la serie.
estacional.
Grafico
de la descomposicion
19
de series temporales
Descripcion
Grafico
de la serie de pasajeros
6,6
pasajeros
6,2
5,8
5,4
5
4,6
0
30
60
90
120
150
20
de series temporales
Descripcion
Grafico
del ndice estacional
seasonal index
104
102
100
98
96
0
12
15
season
21
de series temporales
Descripcion
Grafico
de las subseries anuales
6.6
1
2
Pasajeros
6.2
3
4
5.8
5
6
5.4
7
8
9
4.6
10
0
Season
12
15
11
12
22
Analisis
de la serie
Analisis
estadstico de la serie
23
Analisis
de la serie
de autocorrelacion
simple
Funcion
24
Analisis
de la serie
de autocorrelacion
simple
Funcion
1 , 2 , . . . , k , . . .
[1, 1]
en la siguiente, zi zi+1.
1 Como
influye una observacion
25
Analisis
de la serie
de autocorrelacion
simple
Funcion
Conclusion:
sobre como
influye en las
La FAS proporciona informacion
una observacion
siguientes.
26
Analisis
de la serie
Grafico
de la FAS de la serie de ventas
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
lag
27
Analisis
de la serie
Grafico
de la FAS de la serie de pasajeros
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
28
Analisis
de la serie
Grafico
de la FAS de la serie de acciones de IBM
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
29
Analisis
de la serie
Grafico
de la FAS de la serie de precios
Autocorrelations
1
0,6
0,2
-0,2
-0,6
-1
0
10
15
20
25
lag
30
Analisis
de la serie
de autocorrelacion
simple
Funcion
Problema de la FAS: Si 1 6= 0, entonces
z1 z2 zt1 zt zt+1
es decir, existe una cadena de influencia separada por un retardo.
Si z1 z2 y z2 z3, entonces z1 z3.
Hay que distinguir entre varias cadenas de influencia:
de 1.
Cadena de influencia general a traves
31
Analisis
de la serie
de autocorrelacion
parcial
Funcion
32
Analisis
de la serie
Grafico
de la FAP de la serie de ventas
1
0.6
0.2
-0.2
-0.6
-1
0
10
lag
33
Analisis
de la serie
Grafico
de la FAP de la serie de pasajeros
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
34
Analisis
de la serie
Grafico
de la FAP de la serie de acciones de IBM
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
35
Analisis
de la serie
Grafico
de la FAP de la serie de precios
!#"
1
0,6
0,2
-0,2
-0,6
-1
0
10
15
20
25
lag
36
Series estacionarias
Series estacionarias
Caractersticas:
No tiene tendencia.
Homocedastica.
No tiene ciclos estacionales.
importante
La estructura de dependencia se mantiene constante. Condicion
37
Series estacionarias
Grafico
de la FAS de un ruido blanco
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
38
Series estacionarias
Grafico
de la FAP de un ruido blanco
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
39
Series estacionarias
Objetivo
40
Series estacionarias
Grafico
de la serie de acciones de IBM
ibm
570
530
490
450
0
20
40
60
80
100
120
41
Series estacionarias
Grafico
de la FAS de IBM
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
42
Series estacionarias
Grafico
de la serie de acciones de IBM en diferencias
adjusted ibm
25
15
-5
-15
0
20
40
60
80
100
120
43
Series estacionarias
Grafico
de la FAS de IBM en diferencias
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
44
Series estacionarias
se deshace la conversion
45
Series estacionarias
k
, k = 0, 1, 2, . . .
0
(0 = 1).
46
Procesos autorregresivos
Procesos autorregresivos
47
Procesos autorregresivos
sencillo.
Es el mas
Cada observacion
aleatoria:
at N (0, a2) independientes t ruido blanco
Ejemplo: Si = 0.6 y z0 = 0, entonces z1 = 0.6 0 + a1 = a1.
z2 = 0.6 a1 + a2 y as sucesivamente.
48
Procesos autorregresivos
c
1 .
a2
.
12
49
Procesos autorregresivos
50
Procesos autorregresivos
Grafico
de un AR(1) con > 0
var3
3.8
1.8
-0.2
-2.2
-4.2
0
20
40
60
80
100
120
51
Procesos autorregresivos
Grafico
de la FAS de un AR(1) con > 0
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
52
Procesos autorregresivos
Grafico
de la FAP de un AR(1) con > 0
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
53
Procesos autorregresivos
Grafico
de un AR(1) con < 0
var5
3.4
1.4
-0.6
-2.6
0
20
40
60
80
100
120
54
Procesos autorregresivos
Grafico
de la FAS de un AR(1) con < 0
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
55
Procesos autorregresivos
Grafico
de la FAP de un AR(1) con < 0
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
56
Procesos autorregresivos
La FAS es mas
sean las races del polinomio caracterstico.
La FAP tendra unicamente
dos palos significativos.
57
Procesos autorregresivos
Grafico
de un AR(2)
var7
4
1
-2
-5
-8
0
20
40
60
80
100
120
58
Procesos autorregresivos
Grafico
de la FAS de un AR(2)
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
59
Procesos autorregresivos
Grafico
de la FAP de un AR(2)
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
60
Procesos autorregresivos
61
Procesos de media movil
Caracterstica de los procesos AR: tienen memoria larga, es decir, los palos
de la FAS decrecen lentamente.
Un proceso AR tarda bastante tiempo en absorber los impactos externos.
62
Procesos de media movil
63
Procesos de media movil
Grafico
de un MA(1)
Col_20
-1
-3
0
20
40
60
80
100
64
Procesos de media movil
Grafico
de la FAS de un MA(1)
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
65
Procesos de media movil
Grafico
de la FAP de un MA(1)
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
66
Procesos de media movil
67
Procesos ARMA(p,q)
Procesos ARMA(p,q)
En la practica,
las series presentan parte AR y parte MA.
de estructuras autorregresiLos procesos ARMA(p,q) son una combinacion
y tienen una parte AR(p) y una parte MA(q).
vas y de media movil
combinacion
de ambos procesos:
La FAS y la FAP seran
dados por la parte MA. A partir de ah,
FAS: Los primeros q palos vendran
se producira un decrecimiento, que viene dado por la parte AR.
dados por la parte AR. A partir de ah,
FAP: Los primeros p palos vendran
se producira un decrecimiento, que viene dado por la parte MA.
68
Procesos ARMA(p,q)
Grafico
de un ARMA(1,1)
Col_2
1.5
-0.5
-2.5
-4.5
0
20
40
60
80
100
69
Procesos ARMA(p,q)
Grafico
de la FAS de un ARMA(1,1)
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
70
Procesos ARMA(p,q)
Grafico
de la FAP de un ARMA(1,1)
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
71
Procesos ARIMA(p,d,q)
Notacion:
zt = zt zt1, 2zt = {zt zt1} = zt 2zt1 + zt2, etc.
72
Procesos ARIMA(p,d,q)
Grafico
de la serie de acciones de IBM
ibm
570
530
490
450
0
20
40
60
80
100
120
73
Procesos ARIMA(p,d,q)
Grafico
de la FAS de IBM
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
74
Procesos ARIMA(p,d,q)
Grafico
de la serie de acciones de IBM diferenciada
adjusted ibm
25
15
-5
-15
0
20
40
60
80
100
120
75
Procesos ARIMA(p,d,q)
Grafico
de la FAS de IBM diferenciada
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
76
Procesos ARIMA(p,d,q)
Grafico
de la FAP de IBM diferenciada
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
77
Procesos ARIMA(p,d,q)
Tiene pinta de que IBM sigue un modelo ARMA(0,1), esto es, la serie de
acciones de IBM sigue un modelo ARIMA(0,1,1).
Este modelo es:
zt zt1 = at 1at1
Hay que estimar , 1, a2.
78
Procesos ARIMA(p,d,q)
de modelos ARIMA(p,d,q)
Estimacion
se basa en
ritmos de optimizacion
la estimacion
metodos
de mnimos cuadrados o en metodos
de maxima
verosimilitud.
figuran los valores estimaEl resultado es una tabla similar a la de regresion:
79
Procesos ARIMA(p,d,q)
de modelos ARIMA(p,d,q)
Estimacion
80
Procesos ARIMA(p,d,q)
de modelos ARIMA(p,d,q)
Estimacion
81
Procesos ARIMA(p,d,q)
Diagnosis
Si una serie esta bien identificada y se le ajusta un modelo correcto, los residuos deben carecer de estructura, es decir, deben ser ruido blanco.
La diagnosis esta basada en:
FAS y FAP de los residuos. Hay que comprobar que los palos no son significativos.
sobre si los primeros palos
El test de Box-Pierce proporciona informacion
de autocorrelacion
de los residuos son cero. Este test indica
de la funcion
problemas cuando el p-valor es bajo, por ejemplo menor que 0.05. Cuanto
evidencia a favor de que los residuos son ruido blanco.
mayor sea, hay mas
En la serie ajustada de IBM, el p-valor del estadstico de Box-Pierce (aplicado
a los 24 primeros residuos de la FAS) es 0.72, luego no hay evidencia para
rechazar la hipotesis
nula, es decir, no se rechaza que los residuos sean ruido
blanco.
Est.Ind. 07/08 - fjnm
82
Procesos ARIMA(p,d,q)
Grafico
de la FAS de los residuos de la serie IBM
Residual Autocorrelations for adjusted ibm
ARIMA(0,1,1) with constant
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
83
Procesos ARIMA(p,d,q)
Grafico
de la FAP de los residuos de la serie IBM
Residual Partial Autocorrelations for adjusted ibm
ARIMA(0,1,1) with constant
Partial Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
84
Modelos estacionales
Modelos estacionales
85
Modelos estacionales
Modelos estacionales
86
Modelos estacionales
Modelos estacionales
autorregresiva o de medias
Las series estacionales pueden tener una relacion
moviles.
Si la serie es mensual, hay que fijarse en los palos de la FAS y de la FAP
separados por 12 retardos.
se realiza estudiando la FAS y la FAP en los retardos estaLa identificacion
cionales.
Cuando una serie tiene parte regular y estacional, puede haber interaccion
entre ellas, tanto en la FAS como en la FAP.
Las series estacionales tienen ciclo estacional. La metodologa ARIMA permite eliminar el ciclo tomando diferencias de orden estacional: dzt = zt ztd.
Est.Ind. 07/08 - fjnm
87
Modelos estacionales
Grafico
de la serie del IPI de Francia: IPI
ipi
106
96
86
76
66
0
30
60
90
120
150
88
Modelos estacionales
Grafico
de la FAS del IPI de Francia
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
20
30
40
50
lag
89
Modelos estacionales
Grafico
de la FAP del IPI de Francia
1
0.6
0.2
-0.2
-0.6
-1
0
10
20
30
40
50
lag
90
Modelos estacionales
Grafico
del IPI de Francia con una diferencia regular: IPI
adjusted ipi
51
31
11
-9
-29
0
30
60
90
120
150
91
Modelos estacionales
Grafico
de la FAS de IPI
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
20
30
40
50
lag
92
Modelos estacionales
Grafico
de la FAP de IPI
1
0.6
0.2
-0.2
-0.6
-1
0
10
20
30
40
50
lag
93
Modelos estacionales
Grafico
del IPI con diferencia estacional: 12 IPI
adjusted ipi
5
2
-1
-4
-7
0
30
60
90
120
150
94
Modelos estacionales
Grafico
de la FAS de 12 IPI
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
20
30
40
50
lag
95
Modelos estacionales
Grafico
de la FAP de 12 IPI
1
0.6
0.2
-0.2
-0.6
-1
0
10
20
30
40
50
lag
96
Modelos estacionales
Grafico
de 12 IPI
adjusted ipi
6
3
0
-3
-6
0
30
60
90
120
150
97
Modelos estacionales
Grafico
de la FAS de 12 IPI
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
20
30
40
lag
98
Modelos estacionales
Grafico
de la FAP de 12 IPI
1
0.6
0.2
-0.2
-0.6
-1
0
10
20
30
40
lag
99
Modelos estacionales
Analisis
de la FAS y FAP de la serie 12 IPI
Parte regular: Hay que fijarse en los primeros retardos. Un palo grande en la
FAS y un descenso en la FAP. Podra ser un MA(1).
Parte estacional: Los palos estacionales son grandes en el retardo 12 y no
se ven palos de orden superior. Podra ser un MA(1)12.
Se ajusta un modelo ARIMA(0,1,1)(0,1,1)12.
Los parametros
ajustados son significativos.
La diagnosis es correcta. El test de Box-Pierce da un p-valor de 0.60.
100
Modelos estacionales
Grafico
de la FAS de los residuos del IPI de Francia
Residual Autocorrelations for Francia
ARIMA(0,1,1)x(0,1,1)12 with constant
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
101
Modelos estacionales
Grafico
de la FAP de los residuos del IPI de Francia
Residual Partial Autocorrelations for Francia
ARIMA(0,1,1)x(0,1,1)12 with constant
Partial Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
102
Modelos estacionales
1. Grafico
de la serie, fas y fap.
de un modelo para los datos (residuos).
2. Identificacion
de los parametros.
3. Estimacion
4. Diagnosis (grafico
de los residuos, fas y fap). Es el modelo adecuado?
S Prediccion.
No Ir a 2.
103
Modelos estacionales
104
Modelos estacionales
B k zt = B Bzt = ztk
la ecuacion
de un AR(p) es:
Con esta notacion,
(1 1B 2B 2 . . . pB p)zt = at, y llamando p(B) = 1 1B 2B 2 . . .
general de un proceso autorregresivo:
pB p, entonces se obtiene la ecuacion
p(B)zt = at.
Est.Ind. 07/08 - fjnm
105
Modelos estacionales
|1| < 1
(1 1B)1 = 1 + 1B + 21B 2 + . . .
ARMA(p,q):
(1 1B 2B 2 . . . pB p)zt = (1 1B . . . q B)at
En forma compacta: p(B)zt = q (B)at
FAS: q-p+1 valores iniciales con cualquier estructura. Decrecimiento a partir
del coeficiente q p como una mezcla de exponenciales y sinusoides determinada por la parte autorregresiva.
FAP: Estructura similar.
Est.Ind. 07/08 - fjnm
106
Modelos estacionales
107
Modelos estacionales
108
Modelos estacionales
FAS y FAP:
Retardos bajos: Se observara unicamente
la parte regular.
109
Modelos estacionales
de la estructura no estacionaria
Identificacion
Transformar la serie para que tenga varianza constante.
Determinar el numero
de diferencias para que la media sea constante.
Si es estacional con periodo s, aplicar una diferencia estacional para convertirla en estacionaria.
110
Modelos estacionales
sajeros de avion
12 zt = (1 B)(1 B 12)at
111
Prediccion
Prediccion
Una vez ajustado el modelo es posible utilizarlo para predecir valores futuros.
siguiente:
Esto implica obtener la ecuacion
zt = f (zt1, zt2, . . . , at, at1, . . .).
Sustituyendo los valores se obtienen los valores futuros: z1, z2,. . .
112
Prediccion
Prediccion
MAE =
(zt zt)2
|zt zt|
y tambien
se pueden
Estas medidas se obtienen de la etapa de estimacion
(externos a la estimacion).
113
Prediccion
forecast
95.0% limits
ipi
106
96
86
76
66
0
30
60
90
120
150
114