Series Temporales

Series temporales
1. Introduccion.
2. Analisis
de la serie.
3. Modelos ARMA y ARIMA.
4. Prediccion.
Est.Ind. 07/08 - fjnm

Introduccion
Introduccion
Serie temporal: Conjunto de observaciones zt, cada una recogida en un

tiempo especfico t.
1. Tiempo discreto (habitualmente a intervalos de tiempo fijos).
2. Tiempo continuo.
de la serie a lo largo del tiempo y prever sus
Objetivo: Explicar la evolucion
valores futuros.
principal es un grafico
La representacion
temporal.

Introduccion
Ejemplos:
Serie de nacimientos.
Serie de temperaturas.
Serie de ventas de una empresa.
Serie de la demanda de energa electrica.

Serie de cotizaciones en bolsa.

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)
a julio de 1999 (serie mensual).

# $%"""&
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).
Time Series Plot for ibm

610
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
No tiene sentido aplicar los metodos

descriptivos de una variable, ya que no
ahora ya no disse tiene en cuenta la dependencia temporal. Por esta razon,
n de una v.a. sino que disponemos de n
ponemos de una muestra de tamano
1 de n v.a.
muestras de tamano
Hay que imponer ciertas condiciones a las series:
Tenemos poca informacion.
Estacionarias: Media y varianza constantes.
No Estacionarias: Media y/o varianza cambian a lo largo del tiempo.
Ademas,
que se repite.
Estacionales: Pauta de evolucion
14

Introduccion
Tipos de series
Las series estacionarias son convenientes porque:

faciles
las predicciones son mas

de obtener,
la media se puede estimar con todos los datos y utilizarla para predecir nuevas observaciones,
se pueden obtener intervalos de confianza para las predicciones.
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).
3. A partir del modelo, predecir los residuos, rt, y a partir de estos

predecir la
serie original, zt.
16

Introduccion
Analisis
descriptivo de Series Temporales
La serie se puede descomponer en tres componentes:

zt = Tt + St + at :
Tendencia (Tt)
Estacionalidad (St)
Irregular (at): componente no controlable
Es muchos casos es conveniente obtener estos componentes.
17

Introduccion
Analisis
descriptivo de Series Temporales
1. Tendencia:
Constante
Variable: La tendencia cambia con el tiempo, tanto en magnitud como en
direccion.
sistematicamente
2. Estacionalidad: Unos meses estan

por encima o por de
bajo de la media del ano.
3. Componente irregular: Variaciones aleatorias alrededor de las componentes anteriores.
Constante
Variable: La variabilidad vara con el tiempo o con la magnitud de la serie.
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
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
Descripcion
Grafico
del ndice estacional
Seasonal Index Plot for Pasajeros
seasonal index
104
102
100
98
96
0
12
15
season
21
Descripcion
Grafico
de las subseries anuales
Annual Subseries Plot for Pasajeros

Cycle
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
Para analizar y modelar la serie es necesario identificar la estructura que la
genera, es decir, como

influyen las observaciones del pasado en las futuras.
Herramientas:
de Autocorrelacion
Simple (FAS)
Funcion
de Autocorrelacion
Parcial (FAP)
Funcion
23

Analisis
de la serie
de autocorrelacion
simple
Funcion
Proporciona la estructura de dependencia lineal de la serie.

Los valores que se observan en la serie son:
z1, z2, . . . , zt2, zt1, zt, zt+1, . . .
zt+1 representa el valor de la serie para un periodo proximo,

es decir, un valor
futuro.
24

Analisis
de la serie
de autocorrelacion
simple
Funcion
Objetivo de la FAS: Estudiar como

se influyen las diversas observaciones.
z1 z2 zt1 zt zt+1
entre las observaciones separadas un
Idea: Dar el coeficiente de correlacion
numero
determinado de periodos.
1 , 2 , . . . , k , . . .
[1, 1]
en la siguiente, zi zi+1.
1 Como
influye una observacion
sobre la que esta dos periodos hacia

2 Como
adelante, zi zi+2.
sobre la que esta tres periodos hacia

3 Como
adelante, zi zi+3.
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
Estimated Autocorrelations for 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
Estimated Autocorrelations for 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
Estimated Autocorrelations for Acciones
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
Cadena de influencia directa. Como

influye z1 sobre z3 directamente, sin
pasar por z2.
31

Analisis
de la serie
de autocorrelacion
parcial
Funcion
directa existente entre observaciones separadas por

Proporciona la relacion
k retardos.
Elimina el problema que presentaba la FAS.
lo sera 2.
En la FAS, si 1 es significativo, tambien
En la FAP, esto no tiene por que ocurrir.
32

Analisis
de la serie
Grafico
de la FAP de la serie de ventas
Estimated Partial Autocorrelations for Ventas

Partial Autocorrelations
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
Estimated Partial Autocorrelations for 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
Estimated Partial Autocorrelations for Acciones

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
Caractersticas:
No tiene tendencia.
Homocedastica.
No tiene ciclos estacionales.
importante
La estructura de dependencia se mantiene constante. Condicion
para modelizar la serie y poder prever su evolucion.

La influencia de las observaciones sobre las posteriores decrece con el tiempo.
Tipo especial de serie estacionaria: Ruido Blanco. Es una serie estacionaria en
influye en las siguientes. Tanto la FAS como la FAP
la que ninguna observacion
de palos no significativos.
de un RB son una sucesion
37
Grafico
de la FAS de un ruido blanco
Estimated Autocorrelations for RB
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
38
Grafico
de la FAP de un ruido blanco
Estimated Partial Autocorrelations for RB

1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
39
Objetivo
Hay que ir consiguiendo componentes irregulares (residuos) cada vez mas

parecidos a un ruido blanco.
En primer lugar hay que conseguir series estacionarias:
general para eliminar tendencias

Diferenciando (yt = zt zt1): metodo
mas
que evolucionan lentamente en el tiempo.
Diferenciando estacionalmente para eliminar ciclos: (yt = zt zts).
Transformando la serie para conseguir estabilizar la varianza.
40
Grafico
de la serie de acciones de IBM

610
ibm
570
530
490
450
0
20
40
60
80
100
120
41
Grafico
de la FAS de IBM
Estimated Autocorrelations for ibm
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
42
Grafico
de la serie de acciones de IBM en diferencias
Time Series Plot for adjusted ibm
adjusted ibm
25
15
-5
-15
0
20
40
60
80
100
120
43
Grafico
de la FAS de IBM en diferencias
Estimated Autocorrelations for adjusted ibm
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
44
Modelos ARMA y ARIMA
Recordemos que el objetivo principal de series temporales es predecir una

serie de datos no determinista (contiene un componente aleatorio).
Si el componente aleatorio es estacionario, se pueden desarrollar tecnicas

eficientes para predecir valores futuros de la serie.
Si el componente aleatorio no es estacionario, primero se debe convertir dicho componente en estacionario, se predice dicho componente y, finalmente,
para recuperar la prediccion
de interes.
se deshace la conversion
45
Modelos ARMA y ARIMA

Formalmente, un proceso zt es estacionario si
1. t = E(zt) = t (tendencia constante).
2. t2 = Var(zt) = 2 t (varianza constante).
3. Cov(zt, zt+k ) = Cov(zt, ztk ) = k t, k = 0, 1, 2, . . . (dependencia temporal constante).
La FAS de un proceso estacionario se define como
k =
k
, k = 0, 1, 2, . . .
0
(0 = 1).
Para modelar un proceso estacionario, nos centraremos en tecnicas

basadas
en modelos ARMA y ARIMA: AutoRegressive Moving Average y AutoRegressive Integrated Moving Average.
46
Procesos autorregresivos
depende (linealmente) de las anteriores.

Una observacion
Se denominan procesos AutoRegresivos (AR) y se caracterizan por su orden
(de dependencia).
Se supone que la serie proviene de un proceso estacionario.
47
Procesos autorregresivo de primer orden AR(1)
sencillo.
Es el mas
Sigue la siguiente ecuacion:

zt = c + zt1 + at
se construye a partir de la anterior mas
una perturbacion
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 de primer orden AR(1)
El proceso AR(1) es estacionario si || < 1 (ejercicio).

Si || > 1 el proceso es explosivo.
La media del proceso es (ejercicio): =
c
1 .
La varianza del proceso es (ejercicio): =
a2
.
12
49
Procesos autorregresivos de primer orden AR(1)
k = k (ejercicio) decrecimiento exponencial:

Ademas,
Si es positivo, la FAS decrece positivamente.
Si es negativo, la FAS decrece de forma alternada.
existe influencia directa de primer orden.
Solo
Si es positivo, la FAP tendra un unico
palo significativo y sera positivo.
Si es negativo, la FAP tendra un unico

palo significativo y sera negativo.
50
Grafico
de un AR(1) con > 0
Time Series Plot for var3

5.8
var3
3.8
1.8
-0.2
-2.2
-4.2
0
20
40
60
80
100
120
51
Grafico
de la FAS de un AR(1) con > 0
Estimated Autocorrelations for var3
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
52
Grafico
de la FAP de un AR(1) con > 0
Estimated Partial Autocorrelations for var3

1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
53
Grafico
de un AR(1) con < 0

5.4
var5
3.4
1.4
-0.6
-2.6
0
20
40
60
80
100
120
54
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
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 de segundo orden AR(2)

de un proceso AR(2) es:
La ecuacion
zt = c + 1zt1 + 2zt2 + at
El polinomio caracterstico de un AR(2) se define como:
1 1x 2x2
Para que el proceso sea estacionario, las races del polinomio caracterstico
deben estar fuera del crculo unidad.
compleja y admite varias posibilidades, en funcion
de como
La FAS es mas
sean las races del polinomio caracterstico.
La FAP tendra unicamente
dos palos significativos.
57
Grafico
de un AR(2)

10
7
var7
4
1
-2
-5
-8
0
20
40
60
80
100
120
58
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
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 de orden superior, AR(p)

de un proceso AR(p) es:
La ecuacion
zt = c + 1zt1 + 2zt2 + + pztp + at
esta influida por las p observaciones anteriores.
Una observacion
El polinomio caracterstico es:
1 1x 2x2 pxp
Para que el proceso sea estacionario, las races del polinomio caracterstico
deben estar fuera del crculo unidad.
compleja.
La FAS es mas
La FAP tendra unicamente
p palos significativos.
61

Procesos de media movil
Procesos de media movil,

MA
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.
La realidad demuestra que existen series que absorben rapidamente

los impactos.
Se introduce otra familia de procesos de memoria corta: procesos de media
(moving average).
movil
62


de primer orden, MA(1)
es (suponiendo que a zt le hemos restado la media):
Su ecuacion
zt = at 1at1
se le denomina innovacion
y representa los efectos externos a
A at tambien
la serie.
dados por los efectos externos muy recienEn un MA(1), los valores vendran
tes, el actual at y el anterior at1.
Tiene memoria corta y absorbe rapidamente

los impactos.
La FAS de un MA(1) es como la FAP de un AR(1), dem para la FAP:
La FAS tiene un unico
palo significativo.
LA FAP tiene varios palos que van decreciendo.

63

Grafico
de un MA(1)
Time Series Plot for Col_20

5
Col_20
-1
-3
0
20
40
60
80
100
64

Grafico
de la FAS de un MA(1)
Estimated Autocorrelations for Col_20
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
65

Grafico
de la FAP de un MA(1)
Estimated Partial Autocorrelations for Col_20

1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
66


de orden superior, MA(q)
de un proceso MA(q) (de media 0) es:

La ecuacion
zt = at 1at1 2at2 q atq
El proceso tarda q periodos en absorber los impactos.
Su FAS tendra q palos significativos.
Su FAP presentara un decrecimiento.
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)
Time Series Plot for Col_2

3.5
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)
Estimated Autocorrelations for Col_2
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)
Estimated Partial Autocorrelations for Col_2

1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
71
Procesos ARIMA(p,d,q)
Series no estacionarias. Procesos ARIMA(p,d,q)
Los modelos ARMA sirven para ajustar series estacionarias.

Si una serie no lo es, hay que transformarla como se indico en el primer tema:
eliminar tendencia, heterocedasticidad,. . .
Los procesos ARIMA eliminan la tendencia de una serie diferenciandola

d
veces. Tpicamente, d = 1, 2. Por tanto, un ARIMA(2,1,1) es un ARMA(2,1)
diferenciado 1 vez.
Notacion:
zt = zt zt1, 2zt = {zt zt1} = zt 2zt1 + zt2, etc.
72
Grafico
de la serie de acciones de IBM

610
ibm
570
530
490
450
0
20
40
60
80
100
120
73
Grafico
de la FAS de IBM
Estimated Autocorrelations for ibm
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
74
Grafico
de la serie de acciones de IBM diferenciada
Time Series Plot for adjusted ibm
adjusted ibm
25
15
-5
-15
0
20
40
60
80
100
120
75
Grafico
de la FAS de IBM diferenciada
Estimated Autocorrelations for adjusted ibm
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
76
Grafico
de la FAP de IBM diferenciada
Estimated Partial Autocorrelations for adjusted ibm

1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
77
Modelo para la serie de IBM diferenciada
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
de modelos ARIMA(p,d,q)
Estimacion
Una vez identificada la serie, es necesario estimar los parametros:

, i, j ,
a2.
es compleja (sobre todo en presencia de MA) y requiere algoLa estimacion
sofisticados. Basicamente,
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:
dos, los errores estandar

y los estadsticos t.
79
Estimacion
Ejemplo de la serie de IBM. Si se ajusta un MA(1) a la serie diferenciada:

ARIMA Model Summary
Parameter
Estimate
Stnd. Error
t
P-value
---------------------------------------------------------------------------MA(1)
-0,270708
0,0908496
-2,97974
0,003509
Mean
1,12023
0,583698
1,91919
0,057396
Constant
1,12023
---------------------------------------------------------------------------Backforecasting: yes
Estimated white noise variance = 25,9011 with 117 degrees of freedom
Estimated white noise standard deviation = 5,08931
80
Estimacion
Ejemplo de la serie de IBM. Si se ajusta un MA(2) a la serie diferenciada:

ARIMA Model Summary
Parameter
Estimate
Stnd. Error
t
P-value
---------------------------------------------------------------------------MA(1)
-0,229556
0,0931328
-2,46482
0,015173
MA(2)
0,069806
0,0918814
0,759741
0,448951
Mean
1,12009
0,528482
2,11945
0,036185
Constant
1,12009
---------------------------------------------------------------------------Backforecasting: yes
Estimated white noise variance = 26,0423 with 116 degrees of freedom
Estimated white noise standard deviation = 5,10317
81
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.
82
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
Grafico
de la FAP de los residuos de la serie IBM
Residual Partial Autocorrelations for adjusted ibm
ARIMA(0,1,1) with constant
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
84
Modelos estacionales
Muchas series con periodicidad menor que la anual tienen estacionalidad.

La estacionalidad aparece en forma de ciclo, es decir, la serie tiene una pauta
que se repite.
El orden de la estacionalidad indica cada cuantos

periodos se repite el ciclo.
Por ejemplo, en series mensuales, en general, se encontrara estacionalidad
de orden 12.
85
Las series estacionales tienen dos tipos de estructura de dependencia.

Estructura regular. Se ajustan modelos ARIMA(p,d,q).
z1 z2 zt1 zt zt+1
Estructura estacional. Se ajustan modelos ARIMA estacionales.
Por ejemplo, si la serie es mensual
z1 z13 zt12 zt zt+12
86
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.
87
Grafico
de la serie del IPI de Francia: IPI
Time Series Plot for Francia

126
116
ipi
106
96
86
76
66
0
30
60
90
120
150
88
Grafico
de la FAS del IPI de Francia
Estimated Autocorrelations for Francia
Autocorrelations
1
0.6
0.2
-0.2
-0.6
-1
0
10
20
30
40
50
lag
89
Grafico
de la FAP del IPI de Francia
Estimated Partial Autocorrelations for Francia

1
0.6
0.2
-0.2
-0.6
-1
0
10
20
30
40
50
lag
90
Grafico
del IPI de Francia con una diferencia regular: IPI
adjusted ipi
51
31
11
-9
-29
0
30
60
90
120
150
91
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
Grafico
de la FAP de IPI

1
0.6
0.2
-0.2
-0.6
-1
0
10
20
30
40
50
lag
93
Grafico
del IPI con diferencia estacional: 12 IPI

8
adjusted ipi
5
2
-1
-4
-7
0
30
60
90
120
150
94
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
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
Grafico
de 12 IPI

9
adjusted ipi
6
3
0
-3
-6
0
30
60
90
120
150
97
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
Grafico
de la FAP de 12 IPI

1
0.6
0.2
-0.2
-0.6
-1
0
10
20
30
40
lag
99
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
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
Grafico
de la FAP de los residuos del IPI de Francia
Residual Partial Autocorrelations for Francia
1
0.6
0.2
-0.2
-0.6
-1
0
10
15
20
25
lag
102
Resumen: Metodologa Box-Jenkins
de un modelo de series temporales (basado en la

Etapas en la construccion
metodologa Box y Jenkins, (1970)):
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
Estacionaridad: Es necesario que las propiedades sean estables a lo largo del

tiempo.
La dependencia entre observaciones debe tender a cero a medida que aumentan los retardos.
Procesos integrados: La gran mayora de los procesos no son estacionarios y
su nivel medio vara con el tiempo. Sin embargo, es frecuente que el proceso se
convierta en estacionario al diferenciarlo.
La primera diferencia del proceso {zt} es un nuevo proceso {wt} obtenido me
diante wt = zt zt1. Analogamente,
llamaremos proceso segunda diferencia
del original a yt = wt wt1 = zt 2zt1 + zt2.
Proceso integrado de orden h si al diferenciarlo h veces se obtiene un proceso
estacionario.
104
Ejemplo: Un proceso que sea suma de una tendencia polinomica

y un proceso
estacionario sera un proceso integrado: zt = a + bt + ut,
wt = zt zt1 = a + bt + ut (a + b(t 1) + ut1) = b + ut ut1 = b + t
donde t es otro proceso estacionario.
AR(p): zt = 1zt1 + . . . + pztp + at.
Para facilitar el manejo de estos procesos se define el operador de retardo B
(equivalente a ):
Bzt = zt1
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.
105

MA(q): zt = at 1at1 . . . q atq
Los procesos AR son casos particulares de los procesos MA.
Ejemplo: zt = 1zt1 + at
(1 1B)zt = at
|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.
106
Procesos no estacionarios. Ejemplo: zt = 1zt1 + at

Si |1| > 1 el proceso es explosivo. Si |1| = 1 es un proceso integrado de orden
1, ya que su primera diferencia es un proceso estacionario. Operador diferencia
= 1 B.
ARIMA(p,d,q):
(1 1B 2B 2 . . . pB p)(1 B)dzt = (1 1B . . . q B)at.
Equivalentemente: p(B)dzt = q (B)at.
107
Estacionalidad: Pauta regular de comportamiento periodico

en la serie.
s = 1 B s convierte en general un proceso estacional en estacionario.
ARIMA(p,d,q)ARIMA(P,D,Q)s:
P (B)p(B)dD
s zt = Q (B)q (B)at ,
donde
p(B) = (1 sB s 2sB 2s P sB P s),
q (B) = (1 sB s QsB Qs).
108
FAS y FAP:
Retardos bajos: Se observara unicamente
la parte regular.
Retardos estacionales: Se observara basicamente

la parte estacional.
entre la
Alrededor de los retardos estacionales observaremos la interaccion
parte regular y estacional.
109
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
Diagnosis: Residuos. Contrates.

con modelos ARIMA: ultimo
Prediccion
tema.
frecuente es el llamado modelo de paNota: El modelo ARIMA estacional mas

o lneas aereas:
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,. . .
Las predicciones siempre tienen que ir acompanadas

de los correspondientes
(complicados de calcular).
intervalos de prediccion
112

Prediccion
Prediccion
Medidas del comportamiento en la prediccion:

MSE =
MAE =
(zt zt)2
|zt zt|
y tambien
se pueden
Estas medidas se obtienen de la etapa de estimacion
(externos a la estimacion).
obtener de datos de validacion
113

Prediccion
Previsiones para la serie del IPI con el modelo ajustado

Time Sequence Plot for Francia
126
actual
116
forecast
95.0% limits
ipi
106
96
86
76
66
0
30
60
90
120
150
114

Series Temporales

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Series Temporales

Caricato da

Copyright:

Formati disponibili

Series temporales

Est.Ind. 07/08 - fjnm

Serie temporal: Conjunto de observaciones zt, cada una recogida en un

Est.Ind. 07/08 - fjnm

Serie de la demanda de energa electrica.

Est.Ind. 07/08 - fjnm

Est.Ind. 07/08 - fjnm

a julio de 1999 (serie mensual).

Est.Ind. 07/08 - fjnm

Est.Ind. 07/08 - fjnm

Est.Ind. 07/08 - fjnm

Est.Ind. 07/08 - fjnm

Est.Ind. 07/08 - fjnm

Est.Ind. 07/08 - fjnm

Time Series Plot for ibm

Est.Ind. 07/08 - fjnm

Est.Ind. 07/08 - fjnm

Est.Ind. 07/08 - fjnm

No tiene sentido aplicar los metodos

Est.Ind. 07/08 - fjnm

Las series estacionarias son convenientes porque:

las predicciones son mas

Est.Ind. 07/08 - fjnm

3. A partir del modelo, predecir los residuos, rt, y a partir de estos

Est.Ind. 07/08 - fjnm

La serie se puede descomponer en tres componentes:

Est.Ind. 07/08 - fjnm

2. Estacionalidad: Unos meses estan

Est.Ind. 07/08 - fjnm

Est.Ind. 07/08 - fjnm

Est.Ind. 07/08 - fjnm

Seasonal Index Plot for Pasajeros

Est.Ind. 07/08 - fjnm

Annual Subseries Plot for Pasajeros

Est.Ind. 07/08 - fjnm

Para analizar y modelar la serie es necesario identificar la estructura que la

genera, es decir, como

Est.Ind. 07/08 - fjnm

Proporciona la estructura de dependencia lineal de la serie.

zt+1 representa el valor de la serie para un periodo proximo,

Est.Ind. 07/08 - fjnm

Objetivo de la FAS: Estudiar como

sobre la que esta dos periodos hacia

sobre la que esta tres periodos hacia

Est.Ind. 07/08 - fjnm

Est.Ind. 07/08 - fjnm

Estimated Autocorrelations for Ventas

Est.Ind. 07/08 - fjnm

Estimated Autocorrelations for Pasajeros

Est.Ind. 07/08 - fjnm

Estimated Autocorrelations for Acciones

Est.Ind. 07/08 - fjnm

Est.Ind. 07/08 - fjnm

Cadena de influencia directa. Como

Est.Ind. 07/08 - fjnm

directa existente entre observaciones separadas por

Est.Ind. 07/08 - fjnm

Estimated Partial Autocorrelations for Ventas

Est.Ind. 07/08 - fjnm

Estimated Partial Autocorrelations for Pasajeros

Est.Ind. 07/08 - fjnm

Estimated Partial Autocorrelations for Acciones

Est.Ind. 07/08 - fjnm

Est.Ind. 07/08 - fjnm