Principios de Econometria 10 1213023429535571 9

Principios de Econometría
y modelación
Parte 10: Modelos autorregresivos
Por Lic. Gabriel Leandro, MBA
La Metodología Box – Jenkins
• El método Box-Jenkins de pronóstico es
diferente de la mayoría de los métodos.
• Esta técnica no asume ningún patrón
particular en los datos históricos de la
serie a pronosticar.
– Se utiliza un enfoque iterativo de
identificación de un modelo útil a partir de
modelos de tipo general.
La Metodología Box – Jenkins
• El modelo elegido se verifica contra los datos
históricos para ver si describe la serie con
precisión.
• El modelo se ajusta bien si los residuos entre el
modelo de pronóstico y los puntos de datos
históricos son reducidos, distribuidos de manera
aleatoria e independiente.
– Si el modelo especificado no es satisfactorio, se
repite el proceso utilizando otro modelo diseñado
para mejorar el origen.
– Este proceso se repite hasta encontrar un modelo
satisfactorio.
Modelos ARIMA
• Los modelos ARIMA o modelos de
promedio móvil autorregresivo integrado
son un tipo general de los modelos de
Box-Jenkins para series de tiempo
estacionarias.
– Recuerde que una serie histórica estacionaria
es aquella cuyo valor promedio no cambia a
través del tiempo.
Modelos ARIMA
• Este grupo incluye a:
– los modelos AR sólo con términos
autorregresivos,
– los modelos MA sólo con términos de
promedio móvil y
– los modelos ARIMA que comprenden tanto
términos autorregresivos como de promedio
móvil.
Modelos ARIMA
• Para efectuar la selección del modelo
apropiado:
– Se compara la distribución de los coeficientes
de autocorrelación de la serie histórica que se
está ajustando,
– con las distribuciones teóricas para los
distintos modelos.
Modelos AR
• Los modelos autorregresivos se presentaron
cuando se tocó el tema de las series de tiempo.
• Sin embargo, las ecuaciones que se plantearán
ahora difieren en varias formas importantes.
– Antes los coeficientes de regresión se estimaban
mediante el método lineal de mínimos cuadrados.
– Ahora los coeficientes de regresión se encuentran
por medio de un método de mínimos cuadrados no
lineal.
Modelos AR
• Por lo regular el método de mínimos
cuadrados no lineal utiliza una técnica de
solución iterativa para calcular los
parámetros en vez de usar un cálculo
directo.
– Se emplean estimaciones preliminares como
puntos iniciales.
– Luego estas estimaciones se mejoran
sistemáticamente hasta encontrar valores
óptimos.
Modelos AR
• Además, ahora las varianzas para las
ecuaciones se calculan de una forma
distinta,
– que toma el hecho de que las variables
independientes están relacionadas entre sí.
– Por último, ahora las ecuaciones pudieran o
no contener un término constante.
Modelos AR
• La modelización ARIMA o Box-Jenkins parte de
considerar que el valor observado de una serie
(un dato de una variable económica) en un
momento determinado de tiempo t es una
realización de una variable aleatoria yt definida
en dicho momento de tiempo.
– Por tanto, una serie de t datos es una muestra de un
vector de t variables aleatorias ordenadas en el
tiempo al que denominamos proceso estocástico.
Modelos AR
• En ocasiones pretendemos predecir el
comportamiento de una variable y en un
momento futuro t, a partir del comportamiento
que la variable tuvo en un momento pasado, por
ejemplo, en el período anterior, yt-1.
– Formalmente notaríamos que
yt = f(yt-1)
– es decir, que el valor de la variable y en el momento t
es función del valor tomado en el período t-1.
Modelos AR
• Puesto que en el comportamiento de una
variable influyen más aspectos, debemos
incluir en la relación anterior un término de
error, et.
– Este et es una variable aleatoria a la que
suponemos ciertas características
estadísticas apropiadas.
• Es decir:
yt = f(yt-1, et)
Modelos AR
• Ahora debemos elegir una forma funcional
concreta para esta expresión.
– Por ejemplo, una forma lineal como
yt = 0 + 1yt-1 + et
– donde 0 es un término independiente y 1 es
un parámetro que multiplica al valor de la
variable y en el período t-1.
Modelos AR
• Utilizando métodos estadísticos
adecuados podemos estimar los
parámetros 0 y 1 de forma que estos
cumplan propiedades estadísticas
razonables y sean una buena (la mejor
posible) estimación.
– Con ello obtendríamos una expresión que
utilizaríamos a efectos de predicción.
Modelos AR
• Esta es la esencia de los modelos
autorregresivos (o modelos AR).
• Se realiza una regresión de la variable yt
sobre sí misma (autorregresión).
– Es decir, se realiza una regresión sobre los
valores que la variable tomó en el período o
periodos anteriores.
Modelos AR
• Un aspecto importante es el orden del modelo
AR.
– Por ejemplo, el modelo
yt = 0 + 1yt-1 + et
– es de orden 1, y se denota como AR(1).
• Si se toma en el modelo como explicativas los
valores de la variable y en los 2 períodos
anteriores, es decir:
yt = 0 + 1yt-1 + 2yt-2 + et
– entonces se ha especificado un AR(2).
Modelos AR
• De igual forma un AR(3) vendría dado por
yt = 0 + 1yt-1 + 2yt-2 + 3yt-3 +et
• En general, un AR(p) viene dado por
yt = 0 + 1yt-1 + 2yt-2 + …+ pyt-p +et
– Es frecuente encontrarnos con Modelos AR con un
bajo orden (1 o 2).
– En series con componente estacional es habitual que
el desfase sea coincidente con la periodicidad de los
datos.
• En ese caso hablamos de modelos SAR.
Modelos AR en Gretl
• Suponga que se tiene la siguiente serie de
datos:
25, 28, 36, 34, 29, 20, 17, 21, 19, 28, 32, 25
• Y que se desea emplear un modelo AR(1)
para efectuar un pronóstico de la serie.
Modelos AR en Gretl
• Primero se introduce la serie de datos.
• Es útil observar la gráfica de los datos.
– Menú: Variable – Time series plot
• Para aplicar el modelo AR(1):
– Menú: Model – Time series – ARIMA
• Dependent variable: Yt
• AR order: 1
• Difference: 0
• MA order: 0
36
34
32
30
28
Yt
26
24
22
20
18
16
1950 1951 1952
Modelos AR en Gretl
ARMA estimates using the 12 observations 1950:1-1952:4
Estimated using Kalman filter (exact ML)
Dependent variable: Yt
VARIABLE COEFFICIENT STDERROR T STAT P-

VALUE
const 25,9867 2,69424 9,645 <0,00001 ***

phi_1 0,522529 0,225317 2,319 0,02039 **
• Mean of dependent variable = 26,1667

• Standard deviation of dep. var. = 6,10266
Modelos AR en Gretl
• Para efectuar pronósticos:
– En la ventana del resultado del modelo:
• Menú: Analysis – Forecast
• Seleccionar periodos del pronóstico
– Se obtienen dos ventanas:
• Una es la del pronóstico
• Otra es el gráfico
Modelos AR en Gretl
For 95% confidence intervals, z(.025) = 1,96
Obs Yt prediction std. error 95% confidence

interval
1951:4 21,00 21,29

1952:1 19,00 23,38
1952:2 28,00 22,34
1952:3 32,00 27,04
1952:4 25,00 29,13
1953:1 25,47 4,839 15,99 - 34,96
36
Yt
forecast
34 95 percent confidence interval
32
30
28
26
24
22
20
18
16
14
1951.8 1952 1952.2 1952.4 1952.6 1952.8 1953
Modelos SAR
• Cuando se modela una serie con
estacionalidad,
• por ejemplo, la tasa de variación mensual de
inflación, con 12 datos al año,
– la comparación adecuada no solo debe ser,
por ejemplo, de la inflación de junio de 2004
con mayo y abril de 2004,
– sino con el mismo mes (junio) de los años
anteriores, en nuestro ejemplo 2003 y 2002.
• Ello da lugar a los modelos SAR.
Modelos SAR
• La formulación sería la siguiente:
– Un modelo SAR(1), también denotado como
ARs(1) viene dado por:
yt = 0 + 1yt-s + et
• donde s=4, si la serie a modelar es de frecuencia
trimestral,
• o s=12, si la serie es mensual.
– Un modelo SAR(2) se especificaría como:
yt = 0 + 1yt-s + 2yt-2s + et
Modelos MA
• Una alternativa de modelización pasa por
tratar de explicar el comportamiento de
una variable y, no en función de los
valores que tomó en el pasado (modelos
AR)
– sino a través de los errores al estimar el valor
de la variable en los períodos anteriores.
• Ello da lugar a los modelos de medias
móviles.
Modelos MA
• Por ejemplo, un modelo MA(1) viene dado
por la expresión
yt =  + et + 1et-1
– donde  es el valor constante alrededor del
cual se mueve la variable, y ha de ser
estimado igualmente con los coeficientes .
Modelos MA en Gretl
• Se introducen los datos.
– Menú: Model – Time series – ARIMA
– MA order: 1
Modelos MA en Gretl

VALUE
const 26,1191 2,13224 12,250 <0,00001 ***

theta_1 1,00000 0,266606 3,751 0,00018 ***

Modelos MA
• En general un modelo MA(q) viene dado
por la expresión:
yt =  + et + 1et-1 + …+ qet-q
– Al igual que ocurría con los modelos AR, en
series con componente estacional es
frecuente que el retardo coincida con la
periodicidad de los datos.
Modelos SMA
• En series con componente estacional
(periodicidad inferior a la anual) es
frecuente que en los modelos MA los
retardos se establezcan no con los
períodos inmediatamente anteriores,
– sino que sean coincidentes con la
periodicidad de los datos.
Modelos SMA
• Así, un modelo SMA(1),o MAs(1) vendría
dado por:
yt =  + et + 1et-s
– donde s=4, si la serie a modelar es de
frecuencia trimestral, o s=12, si la serie es
mensual.
• Un modelo SMA(2) se especificaría como:
yt =  + et + 1et-s + 2et-2s
Modelos ARMA
• Entre los modelos AR y los Modelos MA
existe una relación que, bajo ciertas
condiciones, es útil conocer.
• Los modelos ARMA integran a los
modelos AR y a los modelos MA en una
única expresión.
– Por tanto, la variable y queda explicada en
función de los valores tomados por la variable
en períodos anteriores y los errores
cometidos en la estimación.
Modelos ARMA
• Una expresión general de un modelo
ARMA (p, q) viene dada por
yt =  + 1yt-1 + …+ pyt-p + et + 1et-1 + …+ qet-q
– que, es la unión de un modelo AR(p) y un
modelo MA(q).
– Obviamente, los modelos AR(p) se
corresponden con modelo ARMA(p,0),
– mientras que los modelos MA(q) se
corresponden con ARMA(0,q).
Modelos ARIMA
• Para la obtención de estimaciones con
propiedades estadísticas adecuadas de los
parámetros de un modelo ARMA, es necesario
que la serie muestral que utilizamos para la
estimación sea estacionaria en media y
varianza.
• En un sentido laxo del término diríamos que
precisamos que la serie:
– no tenga tendencia, y
– que presente un grado de dispersión similar en
cualquier momento de tiempo.
Modelos ARIMA
• A efectos prácticos, el cumplimiento de
esta propiedad pasa por tomar logaritmos
y diferenciar adecuadamente la serie
original objeto de estudio.
• Con la serie ya tratada para convertirla en
estacionaria ya es posible estimar un
Modelo ARMA.
Modelos ARIMA
• Un Modelo Autorregresivo-Integrado de
Medias Móviles de orden p, d, q
– abreviadamente ARIMA(p,d,q),
• no es más que un modelo ARMA (p,q)
aplicado a una serie integrada de orden d,
– es decir, una serie a la que ha sido necesario
diferenciar d veces para eliminar la tendencia.
Modelos ARIMA
• Por lo tanto, la expresión general de un
modelo ARIMA(p,d,q) viene dada por
dyt = 1dyt-1 + …+ pdyt-p + et + 1et-1 + …+ qet-q
– donde dyt , expresa que sobre la serie original

yt, se han aplicado d diferencias.
Modelos ARIMA
• Por lo tanto, sobre una serie integrada de
orden 2, necesitaría una doble
diferenciación, lo cual se expresa como:
2yt = (yt) = (yt - yt-1) - (yt-1 - yt-2)
– Observe que en la expresión del
ARIMA(p.d.q) desaparece el término
independiente, justamente por la aplicación
de las diferencias sucesivas.
Modelos ARIMA
• Cuando la estimación del modelo ARMA
se haya realizado con una serie
diferenciada, a efectos de predicción, es
necesario recalcularla integrando
nuevamente la serie.
– Por ejemplo, si mediante un modelo ARMA
(1,1) se obtuviera unos valores de predicción
yt, se obtendrá la predicción final mediante:
yt = yt-1 + yt
Modelos ARIMA
• En la estimación de los modelos ARIMA el
problema principal parte de identificar el
modelo que mejor describe el fenómeno
(la serie económica) a predecir
• Esto es, la clave de una buena predicción
pasa por determinar el más adecuado de
los órdenes del autorregresivo, de la
media móvil, y el orden de integrabilidad.
Modelos ARIMA
• Para la determinación del orden de
integrabilidad,
– esto es, para determinar el número de veces
que será necesario diferenciar la serie para
hacerla estacionaria en media,
– existen dos procedimientos fundamentales de
detección del número de raíces unitarias,
• aparte de la simple representación gráfica, que no
es más que un método intuitivo.
Modelos ARIMA
• Estos métodos para determinar el orden
de integrabilidad son:
– Test Dickey-Fuller o Test Dickey-Fuller
Aumentado (abreviadamente DF o ADF
respectivamente) y
– el Test de Phillips-Perron (Test PP).
Modelos ARIMA
• Para la obtención del orden (p,q) se
realiza una comparación entre:
1. las características que dos importantes
funciones estadísticas presentan para los
distintos modelos ARIMA teóricos y
2. las características que tales funciones,
presentan en la serie objeto de estudio pero
a nivel muestral.
Modelos ARIMA
• Tales funciones estadísticas son:
– la función de autocorrelación (fac), y
– la función de autocorrelación parcial (facp).
• Estas son los dos instrumentos básicos en
la fase de identificación del ARIMA, al
permitirnos inferir el verdadero mecanismo
subyacente que han generado los datos.
Modelos ARIMA
• La fac y la facp estimadas para nuestra
serie siempre se alejarán de cualquiera de
las funciones de los modelos teóricos.
– La clave está en la mayor aproximación de
nuestra serie a uno u otro modelo.
• Una vez identificado el modelo que
subyace a nuestra serie, ya es posible la
estimación de los parámetros del modelo.
Autocorrelaciones parciales
• Al principio, el analista pudiera no darse
cuenta del orden apropiado del proceso
autorregresivo para ajustarlo a una serie
histórica.
– A este mismo tipo de problema se enfrentó al
decidir el número de variables independientes
a incluir en un modelo de regresión múltiple.
Autocorrelaciones parciales
• Las autocorrelaciones parciales se
emplean para ayudar a identificar el grado
de relación entre los valores reales de una
variable y valores anteriores de la misma.
– Esto mientras que se mantienen constantes
los efectos de las otras variables (períodos
retrasados).
Distribuciones teóricas de los coeficientes de
autocorrelación y autocorrelación parcial para algunos de
los modelos ARIMA más comunes
• Las figuras siguientes muestran las

ecuaciones de un modelo AR(1), AR(2),
MA(1), MA(2) y ARIMA(1,1).
• Se ilustra el comportamiento de las
funciones teóricas de autocorrelación y
autocorrelación parcial para estos
modelos.
AR(1): yt = 0 + 1yt-1 + et
1 1
0 k 0 k
-1 -1
Autocorrelación Autocorrelación parcial

AR(1): yt = 0 + 1yt-1 + et
1 1
0 k 0 k
-1 -1

AR(2): yt = 0 + 1yt-1 + 2yt-2 + et
1 1
0 k 0 k
-1 -1

AR(2): yt = 0 + 1yt-1 + 2yt-2 + et
1 1
0 k 0 k
-1 -1

MA(1): yt = W0 + et - W1et-1
1 1
0 k 0 k
-1 -1

MA(1): yt = W0 + et - W1et-1
1 1
0 k 0 k
-1 -1

MA(2): yt = W0 + et - W1et-1 – W2et-2
1 1
0 k 0 k
-1 -1

MA(2): yt = W0 + et - W1et-1 – W2et-2
1 1
0 k 0 k
-1 -1

ARIMA(1,1): yt = 0 + 1yt-1 + et - W1et-1
1 1
0 k 0 k
-1 -1

ARIMA(1,1): yt = 0 + 1yt-1 + et - W1et-1
1 1
0 k 0 k
-1 -1

ARIMA(1,1): yt = 0 + 1yt-1 + et - W1et-1
1 1
0 k 0 k
-1 -1

ARIMA(1,1): yt = 0 + 1yt-1 + et - W1et-1
1 1
0 k 0 k
-1 -1

FAC FAP
Se anula para Decrecimiento
MA(q) retardos rápido sin llegar a
superiores a q anularse
Decrecimiento Se anula para
AR(p) rápido sin llegar a retardos
anularse superiores a p
ARMA(p,q) Decrecimiento Decrecimiento

rápido sin llegar a rápido sin llegar a
anularse anularse
• Al seleccionar un modelo, recuerde que

las distribuciones que se muestran son
teóricas y que es muy improbable que las
autocorrelaciones de datos reales sean
exactamente idénticas a cualquiera de las
distribuciones teóricas.
– Se debe, mediante prueba y error, poder
ubicar en forma adecuada.
Modelos ARIMA en Gretl
• Considere la serie:
25, 28, 36, 34, 29, 20, 17, 21, 19, 28, 32, 25
• Construya un correlograma y determine
cuál modelo ARIMA puede ser más
apropiado.
Autocorrelation function for Yt
LAG ACF PACF Q-stat. [p-value]
1 0,5597 * 0,5597 * 4,7850 [0,029]

2 0,0015 -0,4541 4,7851 [0,091]
3 -0,3550 -0,1871 7,1370 [0,068]
4 -0,5475 * -0,3489 13,4311 [0,009]
5 -0,3335 0,1742 16,1010 [0,007]
6 -0,0761 16,2631 [0,012]
7 0,1301 16,8320 [0,019]
8 0,1463 17,7312 [0,023]
9 -0,0071 17,7341 [0,038]
10 -0,0218 17,7741 [0,059]
11 0,0033 17,7760 [0,087]
ACF for Yt
1 +- 1,96/T^0,5
0.5
-0.5
-1
0 2 4 6 8 10 12
lag
PACF for Yt
1 +- 1,96/T^0,5
0.5
-0.5
-1
0 1 2 3 4 5 6
lag
ARIMA(1,1): yt = 0 + 1yt-1 + et - W1et-1
1 1
0 k 0 k
-1 -1

• Un modelo ARIMA(1,1) parece ser más
adecuado que un modelo AR(1), AR(2),
MA(1) o MA(2).
• A continuación se muestra el resultado de
un modelo ARIMA(1,0,1).

VALUE
const 26,1094 2,30529 11,326 <0,00001 ***

phi_1 0,0926461 0,285451 0,325 0,74551
theta_1 0,999998 0,297745 3,359 0,00078 ***

Estacionalidad y Modelos ARIMA
• Los modelos ARIMA adquieren su mayor
protagonismo en la predicción a corto
plazo de series de frecuencia inferior a la
anual (trimestral, mensual o incluso
diaria).
• Por ello el tratamiento de la estacionalidad
tiene un papel central en la metodología.
• En series con estacionalidad no sólo hay
que modelar la componente regular (o no
estacional) sino también la componente
estacional.
– En esos casos, lo normal es manejar un
modelo producto de dos:
ARIMA(p,d,q)*SARIMA(P,D,Q)
• Donde la primera parte corresponde a la
parte regular, y la segunda a la estacional.
• A efectos de identificación del modelo
estacional, se debe tener presente que la
componente estacional también puede
presentar una tendencia.
• Por ello, tal componente puede precisar
de una o varias diferencias de orden
estacional.
• Por ejemplo, para datos mensuales:
12yt = (1 - B12)yt = yt - yt-12
12²yt = (1 - B12)²yt = (yt - yt-12) - (yt-12 - yt-24)
• En series con estacionalidad la identificación
adquiere matices.
– Junto a la identificación del orden del autorregresivo y
de la media móvil de la componente regular (ya
comentado) se debe identificar los órdenes de la
componente estacional.
– Para ello las reglas de identificación son similares a
las comentadas para la parte estacional, pero
adaptadas a la frecuencia de la serie.
• Es decir, en una serie mensual, se presta atención a los
valores de las funciones para los retardos 12, 24, 36,...
• En una serie trimestral se fija la atención para los retardos 4,
8, 12,...
Fases de aplicación de la
metodología ARIMA
• Aunque la identificación es la etapa sobre
la que pivota toda la metodología ARIMA,
lo cierto es que la aplicación de estos
modelos necesita abordar un conjunto de
fases entre las que existe un proceso
continuo de mejora.
• Algunos detalles de estas fases ya se han
ido analizando.
metodología ARIMA
• Se pueden sintetizar las etapas de una
aplicación ARIMA en las siguientes:
1. Recogida de datos.
2. Representación gráfica.
3. Transformación previa.
4. Eliminación de tendencia.
5. Identificación del modelo.
metodología ARIMA
6. Estimación de coeficientes.
7. Contraste de validez.
8. Análisis de errores.
9. Selección del modelo.
10. Predicción.
Ejercicio
• La tabla muestra los 55 promedios de
cierre diario de un índice bursátil.
• Analice el comportamiento de los datos a
través de la metodología expuesta en esta
presentación.
n PCierre n PCierre n PCierre n PCierre
1 222,34 15 223,07 29 246,74 43 249,8
2 222,24 16 225,36 30 248,73 44 251,7
3 221,17 17 227,6 31 248,83 45 253,4
4 218,88 18 226,82 32 248,78 46 252
5 220,05 19 229,69 33 249,61 47 248,8
6 219,61 20 229,3 34 249,9 48 247,8
7 216,4 21 228,96 35 246,45 49 249,3
8 217,33 22 229,99 36 247,57 50 248
9 219,69 23 233,05 37 247,76 51 251,4
10 219,32 24 235 38 247,81 52 254,7
11 218,25 25 236,17 39 250,68 53 258,6
12 220,3 26 238,31 40 251,8 54 259,3
13 222,54 27 241,14 41 251,07 55 261,5
14 223,56 28 241,48 42 248,05
Solución
• El análisis puede iniciar observando el
comportamiento de la serie a través de
una gráfica.
• En Gretl:
– Abrir datos.
– Seleccionar PCierre
– Variable – Time series plot
265
260
255
250
245
240
235
230
225
220
215
0 10 20 30 40 50
Solución
• La gráfica parece mostrar una cierta
tendencia en los datos.
• El primer paso para identificar un modelo
tentativo es observar los coeficientes de
autocorrelación de los datos.
• En Gretl:
– Seleccionar PCierre
– Variable – Correlogram – Maximum lag: 24
Autocorrelation function for PCierre
LAG ACF PACF Q-stat. [p-value]
1 0,9505 *** 0,9505 *** 52,4554 [0,000]

2 0,8999 *** -0,0376 100,3587 [0,000]
3 0,8471 *** -0,0488 143,6242 [0,000]
4 0,7954 *** -0,0171 182,5157 [0,000]
5 0,7480 *** 0,0159 217,5930 [0,000]
6 0,7075 *** 0,0441 249,6182 [0,000]
7 0,6582 *** -0,1194 277,9149 [0,000]
8 0,6092 *** -0,0269 302,6734 [0,000]
9 0,5608 *** -0,0178 324,1034 [0,000]
10 0,5051 *** -0,1020 341,8805 [0,000]
11 0,4405 *** -0,1350 355,7054 [0,000]
12 0,3810 *** 0,0028 366,2879 [0,000]
13 0,3275 ** 0,0346 374,2958 [0,000]
14 0,2773 ** -0,0178 380,1772 [0,000]
15 0,2150 -0,1968 383,8016 [0,000]
16 0,1515 -0,0612 385,6470 [0,000]
17 0,0931 0,0459 386,3626 [0,000]
18 0,0388 -0,0096 386,4900 [0,000]
19 -0,0083 -0,0025 386,4959 [0,000]
20 -0,0531 -0,0389 386,7486 [0,000]
21 -0,0966 0,0037 387,6090 [0,000]
22 -0,1470 -0,1314 389,6631 [0,000]
23 -0,1930 -0,0355 393,3107 [0,000]
24 -0,2333 * 0,0417 398,8153 [0,000]
ACF for PCierre
1 +- 1,96/T^0,5
0.5
-0.5
-1
0 5 10 15 20 25
lag
PACF for PCierre
1 +- 1,96/T^0,5
0.5
-0.5
-1
0 5 10 15 20 25
lag
Solución
• Al observarse que las primeras 12
autocorrelaciones parecen descender a
cero, entonces podría decirse que la
apreciación inicial de que existe tendencia
era correcta.
• Para resolver este problema puede
diferenciarse la serie.
Solución
• En Gretl:
• Seleccionar PCierre
• Add – First differences of selected variables
– Después graficar:
• Variable – Time series plot
– Analizar autocorrelograma:
• Variable – Correlogram – Maximum lag: 24
6
-1
-2
-3
-4
0 10 20 30 40 50
• Autocorrelation function for d_PCierre
• LAG ACF PACF Q-stat. [p-value]
• 1 0,1853 0,1853 1,9594 [0,162]

• 2 -0,0437 -0,0809 2,0707 [0,355]
• 3 0,0927 0,1214 2,5801 [0,461]
• 4 0,1358 0,0944 3,6955 [0,449]
• 5 -0,1099 -0,1506 4,4408 [0,488]
• 6 -0,0945 -0,0382 5,0036 [0,543]
• 7 0,1102 0,1081 5,7846 [0,565]
• 8 -0,0877 -0,1477 6,2898 [0,615]
• 9 -0,1959 -0,1045 8,8690 [0,449]
• 10 0,0690 0,1251 9,1961 [0,514]
• 11 -0,0422 -0,1495 9,3214 [0,592]
• 12 -0,0444 0,0797 9,4633 [0,663]
• 13 -0,0093 0,0095 9,4698 [0,737]
• 14 0,0948 0,0064 10,1493 [0,751]
• 15 0,0246 0,0538 10,1961 [0,807]
• 16 -0,0857 -0,0823 10,7810 [0,823]
• 17 -0,0558 -0,1180 11,0359 [0,855]
• 18 -0,2678 ** -0,2786 ** 17,0604 [0,519]
• 19 -0,2473 * -0,1496 22,3434 [0,268]
• 20 -0,0860 -0,0536 23,0019 [0,289]
• 21 -0,0961 -0,0718 23,8475 [0,301]
• 22 -0,0782 0,0047 24,4252 [0,325]
• 23 -0,1513 -0,1472 26,6587 [0,271]
• 24 0,0606 0,0616 27,0283 [0,303]
ACF for d_PCierre
1 +- 1,96/T^0,5
0.5
-0.5
-1
0 5 10 15 20 25
lag
PACF for d_PCierre
1 +- 1,96/T^0,5
0.5
-0.5
-1
0 5 10 15 20 25
lag
Solución
• La gráfica de las autocorrelaciones de los
datos diferenciados muestra que los datos
son estacionarios.
• En consecuencia se puede aplicar la
metodología Box – Jenkins para modelar
los datos.
Solución
ARIMA estimates using the 11 observations 1950:2-1952:4
Dependent variable: (1-L) Yt

VALUE
const 8,31905 0,942006 8,831 <0,00001 ***

phi_1 -0,387307 0,342364 -1,131 0,25794
theta_1 1,00000 0,572451 1,747 0,08066 *


Principios de Econometria 10 1213023429535571 9

Caricato da

Informazioni sul documento

Descrizione originale:

Titolo originale

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

Principios de Econometria 10 1213023429535571 9

Caricato da

Copyright:

Formati disponibili

Principios de Econometría

VARIABLE COEFFICIENT STDERROR T STAT P-

const 25,9867 2,69424 9,645 <0,00001 ***

• Mean of dependent variable = 26,1667

Obs Yt prediction std. error 95% confidence

1951:4 21,00 21,29

VARIABLE COEFFICIENT STDERROR T STAT P-

const 26,1191 2,13224 12,250 <0,00001 ***

• Mean of dependent variable = 26,1667

dyt = 1dyt-1 + …+ pdyt-p + et + 1et-1 + …+ qet-q

– donde dyt , expresa que sobre la serie original

• Las figuras siguientes muestran las

Autocorrelación Autocorrelación parcial

Autocorrelación Autocorrelación parcial

AR(2): yt = 0 + 1yt-1 + 2yt-2 + et

Autocorrelación Autocorrelación parcial

AR(2): yt = 0 + 1yt-1 + 2yt-2 + et

Autocorrelación Autocorrelación parcial

Autocorrelación Autocorrelación parcial

Autocorrelación Autocorrelación parcial

MA(2): yt = W0 + et - W1et-1 – W2et-2

Autocorrelación Autocorrelación parcial

MA(2): yt = W0 + et - W1et-1 – W2et-2

Autocorrelación Autocorrelación parcial

ARIMA(1,1): yt = 0 + 1yt-1 + et - W1et-1

Autocorrelación Autocorrelación parcial

ARIMA(1,1): yt = 0 + 1yt-1 + et - W1et-1

Autocorrelación Autocorrelación parcial

ARIMA(1,1): yt = 0 + 1yt-1 + et - W1et-1

Autocorrelación Autocorrelación parcial

ARIMA(1,1): yt = 0 + 1yt-1 + et - W1et-1

Autocorrelación Autocorrelación parcial

ARMA(p,q) Decrecimiento Decrecimiento

• Al seleccionar un modelo, recuerde que

LAG ACF PACF Q-stat. [p-value]

1 0,5597 * 0,5597 * 4,7850 [0,029]

Autocorrelación Autocorrelación parcial

VARIABLE COEFFICIENT STDERROR T STAT P-

const 26,1094 2,30529 11,326 <0,00001 ***

• Mean of dependent variable = 26,1667

LAG ACF PACF Q-stat. [p-value]

1 0,9505 *** 0,9505 *** 52,4554 [0,000]

PACF for PCierre

• LAG ACF PACF Q-stat. [p-value]

• 1 0,1853 0,1853 1,9594 [0,162]

PACF for d_PCierre

VARIABLE COEFFICIENT STDERROR T STAT P-

const 8,31905 0,942006 8,831 <0,00001 ***

• Mean of dependent variable = 8,22967

Potrebbero piacerti anche

1 0,9505 * 0,9505 * 52,4554 [0,000]