Series de tiempo

Estadstica

Miguel Angel
Chong R.
miguel@sigma.iimas.unam.mx

7 de mayo del 2013

Miguel Chong

Series de tiempo

Modelos no estacionarios
Como dijimos al inicio del curso, cuando tenemos una serie de
tiempo observada y graficamos los datos, es posible que notemos
que la serie no sea estacionaria, entonces es deseable aplicar alguna
trasformacion a los datos para hacerlos estacionarios.
Si en nuestra serie observada solo se aprecia un compontente de
tendencia (media no constante)

Xt

= mt + Yt ,

esta puede eliminarse mediante la aplicaci

on del operador
diferencia rd = (1 B)d , con esto buscamos eliminar una
tendencia polinomial de orden d en la serie, este tipo de
trasformacion da origen a los modelos integrados o ARIMA.

Miguel Chong

Series de tiempo

Definici
on Procesos ARIMA(p,d,q) (causales e invertible)
Sea d 2 {1, 2, 3, . . .}. Diremos que {Xt }t2T es un proceso ARIMA(p, d, q)
causal e invertible si al diferenciarlo d veces, es decir, Yt = rd Xt =
(1 B)d Xt tenemos un proceso ARMA(p, q) causal e invertible.
Dicho de otro modo, si {Xt } es un proceso ARIMA(p, d, q) se escribe de
la siguiente forma

1B

2B

(B)Xt

...

pB

(1

B)d Xt =

p (B)(1

B)d Xt

p (B)Yt

q (B)t ,

1 + 1 B + 2 B 2 + . . . + q B q t ,

q (B)t ,

donde {t } es ruido blanco, p (B) y q (B) son los polinomios de retraso

de grado p y q respectivamente.

Miguel Chong

Series de tiempo

Observaciones
1

El polinomio (B) = p (B)(1 B)d tiene una raz de orden

d cuando B = 1, o tiene una raz unitaria.

El proceso es estacionario si solo si d = 0 y

ARIMA(p, 0, q) = ARMA(p, q).

Aunque los modelos ARIMA(p, d, q) son muy usados para

modelar series con tendencia, tambien pueden ser usados para
modelar series sin tendencia.

La estimacion de los parametros = ( 1 , 2 , . . . , p ) ,

= (1 , 2 , . . . , q ) y 2 se haran con respecto el proceso
estacionario (1 B)d Xt .

Miguel Chong

Series de tiempo

Ejemplo
Si {Xt } es un proceso ARIMA(1, 1, 1) causal e invertible donde
2 ( 1, 1) y 2 ( 1, 1)
(1

B)(1

(1
donde Yt = (1
invertible.

B)Xt

B)Yt

= (1 + B)t ,

= (1 + B)t ,

B)Xt es un proceso ARMA(1, 1) causal e

Miguel Chong

Series de tiempo

Modelos puramente estacionales

Ahora nuestro objetivo es poder describir series de tiempo que
tengan ademas1 una componente estacional,

Xt

= St + Yt
o

Xt

= mt + St + Yt .

donde la parte estacional {St } se repite en forma determinstica

en un periodo de tama
no s. Primero vamos a hablar de los
modelos estacionales puros, la idea en estos modelos es que solo
existe una dependencia entre las observaciones que estan separadas
un multiplo de s.
1

Con o sin un compontente de tendencia mt .

Miguel Chong

Series de tiempo

Por ejemplo, si tenemos una serie mensual y el periodo del cclo s = 12

Meses

A
nos

...

11

12

X1

X2

X3

...

X11

X12

2
..
.

X13
..
.

X14
..
.

X15
..
.

...
..
.

X23
..
.

X24
..
.

1
r

X12(r

2)+1

X12(r

2)+2

X12(r

2)+3

...

X12(r

2)+11

X12(r

1)+1

X12(r

1)+2

X12(r

1)+3

...

X12(r

1)+11

X12(r
X12r

Es importante notar que aunque la estacionaridad se puede considerar como un

fen
omeno anual, puede existir un comportamiento periodico con duraci
on
menor a un a
no2 .

Semestral o trimestral por ejemplo.

Miguel Chong

Series de tiempo

1)

Definici
on
Diremos que {Xt }t2T es un proceso auto regresivo-medias moviles
estacional puro con periodo s de orden (P, Q), y lo denotamos
ARMA(P, Q)s donde P, Q 0 y 1 , . . . , P , 1 , . . . , Q . son reales tales
que
Xt

1 Xt s

+ ... +

P Xt Ps

+t + 1 t

+ . . . + Q t

Qs ,

o equivalentemente
1

1B

...

pB

Ps

P (B

Xt

)Xt

1 + 1 B s + . . . + Q B Qs t
Q (B s )t ,

donde {t }t es ruido blanco y los polinomios de retraso

tienen ceros en com
un.

P ()

y Q () no

Para que el proceso ARMA(P, Q)s sea causal e invertible necesitamos

que las races de los polinomios P () y Q () sean en modulo mayores a
la unidad.
Miguel Chong

Series de tiempo

Algunos ejemplos de este tipo de procesos son:

1

ARMA(0, 1)s = MA(1)s , de la forma Xt

de autocorrelaci
on est
a dada por
8
>
1
>
<
1
h
h =
=
1
+
21
>
0
>
:
0

= t + 1 t

s,

donde la funci
on

h=0
si h = s
cualquie otro caso.

ARMA(1, 0)s = AR(1)s , es decir, Xt = 1 Xt s + t , donde la funci

on de
autocorrelaci
on est
a dada por
8
>
<1 h h = 0
h
s
h =
=
si h = s, 2s, 3s, . . .
1
>
0
:
0
cualquie otro caso
ARMA(1, 1)s , de la forma Xt = 1 Xt s + t
autocorrelaci
on est
a dada por
8
>
1
>
>
> (1+ 1 1 )(1 + 1 )
<
h
1+21 +21 1
h =
=
>
0
>
1
> h s
>
:
0
Miguel Chong

+ 1 t

s,

y la funci
on de

h=0
h=s
si h = 2s, 3s, . . .
cualquie otro caso

Series de tiempo

Modelos estacionales multiplicativos y estacionarios

En la mayor parte de los casos los datos no s
olo estan correlacionados
con observaciones que estan separadas por un m
ultiplo de s, sino que
tambien pueden estar correlacionados con observaciones mas cercanas. A
continuaci
on definiremos una familia de modelos que combinen efectos
estacionales y no estacionales.
Definici
on
Diremos que {Xt }t es un proceso estacional multiplicativo, con periodo s,
y lo denotamos como ARMA(p, q)ARMA(P, Q)S si el proceso se escribe
como
p (B)

P (B

)Xt

q (B)Q (B s )t ,

donde {t }t es ruido blanco y los polinomios de retraso son los siguientes:

p

p (z) = 1
1B
pB ,
s
Ps

P (z) = 1
1B
PB ,
q
q (z) = 1 + 1 B + + q B ,
Q (z) = 1 + 1 B s + + Q B Qs .
Miguel Chong

Series de tiempo

Modelos estacionales no estacionarios

Si tenemos una serie de la forma Xt = mt + St + Yt , vimos que va difierencias
simples rd = (1 B)d podamos eliminar la componente mt y hablamos del
uso de la diferencia estacional rD
B s )D , para eliminar la componente
s = (1
St .
Estos los operadores los usaremos para describir el modelo m
as general, es
decir, una serie que tiene tanto una componente de tendencia como el de una
parte estacional.
Definici
on Sean d, D 2 Z enteros no negativos. Diremos que {Xt }t es un
proceso auto-regresivo de promedios moviles integrado estacional multiplicativo de periodo s, denotado por ARIMA(p, d, q) ARIMA(P, D, Q)s o
SARIMA(p, d, q) (P, D, Q)S si el proceso
Yt

(1

B)d 1

BS

Xt ,

es un proceso ARMA(p, q) ARMA(P, Q)S causal

p (B)

P (B

donde {t }t es ruido blanco.

)Yt

Miguel Chong

q (B)Q (B s )t ,

Series de tiempo

Identifica el modelo SARIMA(p, d, q) (P, D, Q)S

1

0.8B + 0.25B 2 rr12 Xt

Xt
2

= (1 + 0.2B) 1

Como se ve la ecuaci
on de los modelos
1
2

SARIMA(1, 0, 2) (0, 1, 1)3 ,

SARIMA(1, 1, 2) (2, 1, 1)2 ,

Miguel Chong

0.7B 2

Series de tiempo

0.5B 12 t ,
0.8B 8 t .

Metodologa de Box-Jenkins para modelos ARIMA

estacionales
Etapa de identificaci
on de los
ordenes p, d, q, P, D y Q.
Una vez que hemos introducido una familia de proceso nuestro objetivo ser
a,
dada una serie de tiempo observada {xt }N
,
encontrar
un(os)
modelo(
de
esa
t=1
familia del cual podamos suponer que nuestra serie observada sea un elemento
muestral. Usando el principio de parsimonia, es decir usar el modelo con el
menor n
umero de par
ametros posibles.
Etapa 1
Identificacin de
los parmetros
d,D,p,P,q y Q

No

Etapa 2
Estimacin de
los coeficientes

Etapa 3
Verificacin de
los supuestos

El modelo
cumple con
los supuestos

Usar el modelo
para hacer
prediccin

Miguel Chong

Series de tiempo

Identificacion del modelo, esta parte la podemos dividir en dos

partes:
1

Buscamos la estructura no estacionaria (si es que la hay), es

decir filtrar la parte de tendencia y/o parte estacional, para
quedarnos con la parte estacionaria.

Una vez obtenida la parte estacionaria buscaremos cual es el

modelo ARMA que mejor ajusta esta parte.

En otras palabras buscamos encontrar una transformacion de los

datos originales de tal forma que obtengamos una serie
estacionaria. Aqu tenemos dos posibles tipos de trasformaciones
posibles

Miguel Chong

Series de tiempo

Cuando graficamos la serie de tiempo observada y notamos que la

varianza no es constante, una forma de corregir este problema es aplicar
una transformaci
on del tipo Box Cox a los datos, es decir
(
Xt
1
si 6= 0
T (Xt ) =
.
log (Xt ) si = 0
Cuando graficamos la serie de tiempo observada y notamos que no tiene
una media costante es recomendable aplicarle el operador diferencia r;
anteriormente habamos platicado que el operador diferencia eliminaba

tendencias lineales, mt = a0 + a1 t, y que el operador diferenica aplicado

dos veces, r2 , elimina tendencias cuadr
aticas, mt = a0 + a1 t + a2 t 2 . En
la pr
actica no hacen falta diferenciar m
as de dos veces una serie para

quitarle el componente de tendencia.

Algunas veces las series de tiempo veces presentan un componente
estacional St con periodo s, esto lo podemos notar de manera gr
afica a
partir de la acf muestral, ya que las autocorrelaciones son muy
significativa en los lags s, 2s, 3s, 4s, . . . y decrece de manera lenta. En
estos casos es aconsejable aplicarle a la serie una diferencia estacional
rs = (1 B s ), no es com
un que se requiera aplicar una diferencia m
as
de una vez.
Miguel Chong

Series de tiempo

Encontrar d y D tal que la serie

Yt = (1 B)d (1 B s )D T (Xt ) tenga aspecto estacionario.
Notemos que la serie la serie de tiempo original Xt corre de
los ndices t 2 {1, 2, . . . , n}, mientras que la serie estacionaria
Yt corre de los ndices t 2 {d + sD + 1, . . . , n}.

Examinar la ACF y la PACF muestrales asociadas a {Yt }t

para aquellos enteros que son multiplos de s, (identificar los
ordenes de P y Q del modelo).
Si b() y k k son la ACF y la PACF muestral respectivamente
de la serie {Yt }t , entonces P y Q pueden seleccionarse de
forma tal que, b(ks) y sk sk con k = 1, 2, . . .sea compatible
con la ACF y la PACF te
oricas del modelo ARMA(P, Q)s .

Los ordenes de p y q deben ser seleccionados de forma tal que:

b(1), . . . , b(s 1) sea complatible con la ACF teorica y
1 1 , . . . , s 1 s 1 sea complatible con la PACF la teorica de
un proceso ARMA(p, q).

En las aplicaciones es usual que d 2 {0, 1, 2} y D 2 {0, 1}.

Miguel Chong

Series de tiempo