Post on 14-Aug-2020
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Aplicacion a datos reales
Presentamos a continuacion un ejemplo con datos reales en elque se hace uso de gran parte de lo expuesto hasta estemomento.
La serie de tiempo que analizaremos se corresponde con laproduccion anual de tabaco en EE.UU. (1872-1983).
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
1: Identificacion del modelo (graf. secuencial, fas y fap muestrales)
1872-1983 El grafico de la izquierdamuestra presencia deheterocedasticidad y tendencia.
Comenzamos transformando laserie para tratar de estabilizarla variabilidad. Puesto que estaaumenta con el nivel de la serie(quizas la desviacion tıpica sealineal en la media), le aplicamosa la produccion de tabaco lafuncion logaritmo neperiano.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Produccion transformada (ln) El grafico de la izquierdamuestra que:
La varianza de laproduccion se haestabilizado al aplicarle lafuncion logaritmoneperiano.
La serie transformadatiene tendencia.
La diferenciacion regular podrıaeliminar la tendencia.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Dif. reg. del ln de la producc. El grafico de la izquierdamuestra que:
La tendencia ha sidoeliminada al aplicarle unadiferencia regular.
La serie diferenciada esestacionaria (quizaspresenta algun valoratıpico).
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Dif. reg. del ln de la producc. A la espera de realizar elanalisis de residuos, el graficode la izquierda sugiere que:
La serie transformadaproviene de un procesoMA(1).
El logaritmo neperiano dela produccion de tabaco hasido generado por unproceso ARIMA(0,1,1).
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
El modelo identificado (ARIMA(0,1,1)) se puede expresar como
(1− B) Yt = c + (1 + θ1B) at ,
siendo Yt = ln (Xt) y Xt la produccion de tabaco del ano t.
Una representacion equivalente es
Yt = c + Yt−1 + at + θ1at−1.
Nota: Observese que, puesto que el proceso diferenciado notiene parte AR, la constante c coincide con su media µ.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
2: Estimacion del modelo identificado ARIMA(0,1,1)
Estimando los parametros por maxima verosimilitud resulta:
θ1 = −0.6899 (0.0698), µ = 0.0145 (0.0049),
y σ2a = 0.02624.
Notese que todos los parametros son significativamentedistintos de cero.
Puesto que el modelo no tiene parte AR, la constante c delmodelo coincide con la media µ del proceso diferenciado. Portanto, c = 0.0145.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
3: Diagnosis del modelo ARIMA(0,1,1)
Residuos: graficos secuencial yQ-Q normal
Contrastes de independencia
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Contrastes de media cero ynormalidad
µa = 0:p − valor = 0.9145
Normalidad:
Jarque-Bera:p − valor = 9.39e − 07
Shapiro-Wilk:p − valor = 0.002283
Conclusion: Un modeloARIMA(0,1,1) con constante einnovaciones no gaussianasresulta adecuado comogenerador de la serie de laproduccion de tabaco(transformada a traves de lafuncion logaritmo neperiano).
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
4: Seleccion del modelo (criterio BIC)
Hemos calculado los valores del criterio BIC para distintosprocesos ARIMA(p,1,q) (p, q ∈ {0, 1, 2, 3}).
El modelo ARIMA(0,1,1) resulto ser el de menor BIC(BIC= −74.31). Notese que este modelo coincide con elpreviamente identificado en base a las fas y fap muestrales.
Ninguno de los demas modelos evaluados alcanzo un BIC quedistase del mınimo menos de 2 unidades.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
5: Prediccion en base al modelo ARIMA(0,1,1)
El ARIMA(0,1,1) que hemosseleccionado, estimado ychequeado fue utilizado pararealizar predicciones ahorizontes de prediccionk = 1, . . . , 5.
Estas se muestran en el graficode la derecha (azul), junto conla serie histotica (negro).Puesto que no tenemosgaussianidad, no presentamoslos intervalos de prediccion.
Serie histotica y predicciones
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Procesos ARIMA estacionales: Introduccion
La clase de procesos ARIMA que acabamos de estudiar:
Captura no estacionariedades provocadas por la presenciade tendencia (incluso no determinista).
No captura no estacionariedades provocadas por lapresencia de componente estacional.
A continuacion, ampliaremos la clase de procesos ARIMAestudiada, de modo que la nueva clase sea capaz de modelizarno estacionariedades provocadas tanto por la presencia detendencia (determinista o estocastica) como por la presencia decomponente estacional (determinista o estocastica).
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Procesos ARMA estacionales: Introduccion
En la construccion de los procesos ARIMA ya estudiadosjugaban un papel fundamental los procesos ARMA. Recuerdeseque:
{Xt}t es ARIMA(p,d,q) ⇔ (1− B)d Xt es ARMA(p,q).
Del mismo modo, necesitaremos de los procesos ARMAestacionales para construir la nueva clase de procesos ARIMAestacionales.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Procesos ARMA estacionales: Introduccion
Los procesos ARMA que ya hemos estudiado modelizan ladependencia regular: dependencia entre observacionesconsecutivas ocurridas en el pasado inmediato. Por ejemplo:
AR(1): Xt = c + φ1Xt−1 + at .
MA(2): Xt = c + θ1at−1 + θ2at−2 + at .
ARMA(1,1): Xt = c + φ1Xt−1 + θ1at−1 + at .
Los procesos ARMA estacionales modelizan la dependenciaestacional: dependencia entre observ. ocurridas en instantesseparados por multiplos del perıodo estacional s. Ası, si s=12:
AR(1)12: Xt = c + Φ1Xt−12 + at .
MA(2)12: Xt = c + Θ1at−12 + Θ2at−24 + at .
ARMA(1,1)12: Xt = c + Φ1Xt−12 + Θ1at−12 + at .
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Ejemplo de la fas y la fap de procesos AR(1)12 y MA(2)4
AR(1)12 MA(2)4
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Ejemplo de la fas y la fap de procesos ARMA(1,1)12
ARMA(1,1)12: Φ1 > 0,Θ1 > 0 ARMA(1,1)12: Φ1 < 0,Θ1 < 0
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Procesos ARMA estacionales: Definicion
Un proceso estacionario {Xt}t que admite la representacion
Xt = c + Φ1Xt−s + Φ2Xt−2s + · · ·+ ΦPXt−Ps
+at + Θ1at−s + Θ2at−2s + · · ·+ ΘQat−Qs ,
donde c,Φ1, . . . ,ΦP ,Θ1, . . . ,ΘQ son constantes, se conocecomo un proceso ARMA(P,Q)s (proceso ARMA estacional).
Es un ARMA(sP,sQ) con muchos coeficientes nulos. Portanto, las condiciones de estacionariedad, causalidad einvertibilidad se deducen de las de los ARMA.
ARMA(P,0)s ⇔ AR(P)s .
ARMA(0,Q)s ⇔ MA(Q)s .
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Procesos ARMA estacionales: Definicion
La ecuacion que define al proceso ARMA(P,Q)s
Xt = c + Φ1Xt−s + Φ2Xt−2s + · · ·+ ΦPXt−Ps
+at + Θ1at−s + Θ2at−2s + · · ·+ ΘQat−Qs ,
se puede escribir en la forma compacta
Φ (Bs) Xt = c + Θ (Bs) at ,
donde
Φ (Bs) =(1− Φ1Bs − Φ2B2s − · · · − ΦPBPs
),
Θ (Bs) =(1 + Θ1Bs + Θ2B2s + · · ·+ ΘQBQs
)y Bs denota al operador retardo estacional, definido porBsXt = Xt−s .
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Procesos ARMA estacionales: Identificacion
fas∗ fap∗
AR(P)s
Retardos s, 2s, . . . :Muchos coeficientesno nulos
Se anula para todoretardo mayorque Ps
MA(Q)s
Se anula para todoretardo mayorque Qs
Retardos s, 2s, . . . :Muchos coeficientesno nulos
ARMA(P,Q)s
Retardos s, 2s, . . . :Muchos coeficientesno nulos
Retardos s, 2s, . . . :Muchos coeficientesno nulos
∗Los valores en los retardos no estacionales (distintos de ks)son nulos.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Utilizando la informacion contenida en la tabla anterior, y ladistribucion muestral de ρk o αk bajo procesos MA o AR,respect., identificamos algunos procesos ARMA estacionales.
Serie, fas y fap Conclusion
Los graficos de la izquierdasugieren que la serie:
1 Es estacionaria.
2 Ha sido generada por unproceso AR(1)3.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Serie, fas y fap Conclusion
Los graficos de la izquierdasugieren que la serie:
1 Es estacionaria.
2 Ha sido generada por unproceso AR(1)12, o por unMA(1)12.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Procesos ARMA estacionales multiplicativos: Definicion
ARMA: φ (B) Xt = c + θ (B) at . Modeliza la dependenciaregular.
ARMA estacional: Φ (Bs) Xt = c + Θ (Bs) at . Modeliza ladependencia estacional.
ARMA estacional multiplicativo: Combinando ambosmodelos, podemos modelizar conjuntamente ladependencia regular y la estacional a traves del modelo
φ (B) Φ (Bs) Xt = c + θ (B) Θ (Bs) at .
Este modelo se denota por ARMA(p,q)×(P,Q)s y es, enparticular, un ARMA(p+sP,q+sQ) con muchoscoeficientes nulos.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Procesos ARMA estacionales multiplicativos: Ejemplos
El proceso AR(1)× MA(1)12.1 (1− φ1B) Xt = c +
(1 + Θ1B12
)at .
2 Xt = c + φ1Xt−1 + at + Θ1at−12.
El proceso MA(1)×AR(1)12.1(1− Φ1B12
)Xt = c + (1 + θ1B) at .
2 Xt = c + Φ1Xt−12 + at + θ1at−1.
El proceso AR(1)×AR(1)12.1 (1− φ1B)
(1− Φ1B12
)Xt = c + at .
2 Xt = c + φ1Xt−1 + Φ1Xt−12 − φ1Φ1Xt−13 + at .
El proceso MA(1)×MA(1)12.1 Xt = c + (1 + θ1B)
(1 + Θ1B12
)at .
2 Xt = c + at + θ1at−1 + Θ1at−12 + θ1Θ1at−13.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Ejemplos de la fas y la fap de ARMAs estacionales multiplicativos
AR(1)×MA(1)12 MA(1)×AR(1)12
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Ejemplos de la fas y la fap de ARMAs estacionales multiplicativos
AR(1)×AR(1)12 MA(1)×MA(1)12
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Procesos ARMA estacionales multiplicativos: Identificacion
Fas de un proceso ARMA estacional multiplicativo:
En los retardos bajos (1, 2, . . . , [s/2]) se observara la fasde la parte regular.
En los retardos estacionales (s, 2s, 3s . . .) se observara lafas de la parte estacional.
A ambos lados de los retardos estacionales se repetira lafas de la parte regular (invertida, si la fas en el retardoestacional es negativa).
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Procesos ARMA estacionales multiplicativos: Identificacion
Fap de un proceso ARMA estacional multiplicativo:
En los retardos bajos (1, 2, . . . , [s/2]) se observara la fapde la parte regular.
En los retardos estacionales (s, 2s, 3s . . .) se observara lafap de la parte estacional.
A la derecha de cada retardo estacional aparecera la fapde la parte regular (invertida, si la fap en el retardoestacional es positiva).
A la izquierda de cada retardo estacional aparecera la fasde la parte regular (invertida, si la fap en el retardoestacional es negativa).
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Utilizando la informacion contenida en las 2 transparenciasanteriores, y la distribucion muestral de ρk o αk bajo procesosMA o AR, respectivamente, identificamos algunos procesosARMA estacionales multiplicativos.
Serie, fas y fap Conclusion
Los graficos de la izquierdasugieren que la serie:
1 Es estacionaria.
2 Ha sido generada por unproceso AR(1)×AR(1)7.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Serie, fas y fap Conclusion
Los graficos de la izquierdasugieren que la serie:
1 Es estacionaria.
2 Ha sido generada por unproceso MA(1)×AR(1)12.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Procesos ARIMA estacionales: Introduccion
Sea Xt = St + Vt , donde {St}t no es estacionario, {Vt}t sı y
1 St = St−s (componente estacional determinista),o
2 St = St−s + Wt donde {Wt}t es estacionario con media 0(componente estacional estocastica).
{Xt}t no es estacionario, pues contiene una componente queno lo es, St . Sin embargo, sı lo es el proceso diferenciadoestacionalmente
1 Xt − Xt−s = Vt − Vt−s
o
2 Xt − Xt−s = Wt + Vt − Vt−s .
Conclusion: A veces, la diferenciacion estacional consigueeliminar la componente estacional.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Procesos ARIMA estacionales: Introduccion
Basandonos en los ejemplos anteriores, ante una serie contendencia y/o componente estacional, sugerimos:
Eliminar la tendencia aplicando d diferencias regulares((1− B)d). En general, es suficiente d ≤ 3.
Eliminar la componente estacional aplicando D diferenciasestacionales ((1− Bs)D). En general, es suficiente D = 1.
Una vez que la serie diferenciada es estacionaria,modelizarla a traves de un ARMA:
Solo dependencia regular: ARMA(p,q).Solo dependencia estacional: ARMA(P,Q)s .Ambos tipos de dependencia: ARMA(p,q)×(P,Q)s .
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Procesos ARIMA estacionales: Definicion
Un proceso ARIMA(p,d,q)×(P,D,Q)s (o ARIMA estacionalmultiplicativo) es aquel que, despues de aplicarle d diferenciasregulares y D diferencias estacionales de periodo s, se corvierteen un proceso ARMA(p,q)×(P,Q)s .
Equivalentemente:
{Xt}t es un proceso ARIMA(p,d,q)×(P,D,Q)s (o ARIMAestacional multiplicativo) si admite una representacion del tipo:
φ (B) Φ (Bs) (1− B)d (1− Bs)D Xt = c + θ (B) Θ (Bs) at ,
donde el polinomio φ (z) Φ (zs) no tiene raıces de modulo 1.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Ejemplo: Proceso ARIMA(1,1,1)×(1,1,1)12
La expresion del ARIMA(1,1,1)×(1,1,1)12 es
ARreg.
ARest.
Dif.reg.
Dif.est.
↓ ↓ ↓ ↓(1− φ1B)
(1− Φ1B12
)(1− B)
(1− B12
)Xt =
c + (1 + θ1B)(1 + Θ1B12
)at
↑ ↑MAreg.
MAest.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Ejemplo: Proceso ARIMA(1,1,1)×(1,1,1)12
Operando en la expresion del ARIMA(1,1,1)×(1,1,1)12
(1− φ1B)(1− Φ1B12
)(1− B)
(1− B12
)Xt =
c + (1 + θ1B)(1 + Θ1B12
)at
se obtiene la representacion:
Xt = c + (1 + φ1) Xt−1 − φ1Xt−2 + (1 + Φ1) Xt−12
− (1 + φ1 + Φ1 + φ1Φ1) Xt−13
+ (φ1 + φ1Φ1) Xt−14 − Φ1Xt−24
+ (Φ1 + φ1Φ1) Xt−25 − φ1Φ1Xt−26
+at + θ1at−1 + Θ1at−12 + θ1Θ1at−13
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Procesos ARIMA estacionales: Definicion
El proceso ARIMA(p,d,q)×(P,D,Q)s :
Es estacionario cuando d = D = 0 (se convierte en unproceso ARMA(p,q)×(P,Q)s).
Modeliza la dependencia regular (p o q 6= 0).
Modeliza la dependencia estacional (s > 1, y P o Q 6= 0)
Captura no estacionariedades provocadas por la presenciade tendencia (d > 0).
Captura no estacionariedades provocadas por la presenciade componente estacional (s > 1 y D > 0).
Generaliza a todos los procesos que hemos estudiado.
Es, posiblemente, el proceso mas utilizado en lamodelizacion de series de tiempo univariantes.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Procesos ARIMA estacionales: Identificacion
En la practica, ante una serie real,...¿cuando propondremos un ARIMA estacional como su generador?
Cuando, siendo homocedastica, detectemos la presencia decomponente estacional.La presencia de componente estacional en una serie (y, portanto, la necesidad de diferenciarla estacionalmente paraeliminarla) suele ser delatada por:
El grafico secuencial de la serie.
La fas muestral:
Presenta fuerte correlacion positiva en el retardo estacional(y, posiblemente, en sus multiplos),Converge lentamente a cero a medida que el retardo crece.Presenta periodicidad del mismo periodo que la serie,
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Serie original Serie diferenciada regularmente
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Serie dif. reg. y estac. (s=12) Conclusion
Los graficos estudiadossugieren que la serie original:
1 No es estacionaria.
2 Ha sido generada por unprocesoARIMA(0,1,1)×(0,1,1)12,o quizas por unARIMA(1,1,0)×(0,1,1)12.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Heterocedasticidad
En los modelos teoricos que hemos presentado, la falta deestacionariedad venıa provocada por la presencia de tendenciay/o componente estacional.
Aplicando diferencias (regulares y/o estacionales,respectivamente) conseguıamos eliminar este tipo de noestacionariedad.
Otra fuente que provoca falta de estacionariedad es laheterocedasticidad (la varianza no es constante o estable).
A continuacion veremos como eliminar la heterocedasticidad.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
En el grafico de la derecha, seintuye que la variabilidad de laserie (consumo deelectricidad...) no es constante.
Concretamente, parece que lavariabilidad aumenta al hacerloel nivel de la serie.
Serie heterocedastica
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
En el grafico de la derecha, semuestra la serie transformada atraves de la funcion logaritmoneperiano.
Se observa que la aplicacion dedicha funcion ha conseguidoestabilizar la varianza.
Serie homocedastica (log)
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
TRANSFORMACIONES PARA ESTABILIZAR LA VARIANZA
Transformaciones de Box-Cox
La familia de transformacionesde Box-Cox se define comoaquella que transforma a xt en:
xλt − 1
λ, si λ 6= 0
ln(xt), si λ = 0
Si la desviacion tıpica esuna funcion potencial de lamedia (σt = kµ1−λ
t ),entonces la transformacionde Box-Cox con parametroλ consigue estabilizar lavarianza.
Un situacion muy usual esaquella en que σt = kµt .En este caso λ = 0 y laaplicacion del logaritmoneperiano estabiliza lavarianza.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Obtencion de un valor apropiado para λ
Partiendo de la igualdad
σt = kµ1−λt ,
se obtiene quelog(σt) = a + b log(µt),
donde a = log(k) y b = 1− λ.
Por tanto, si disponemos de estimaciones µt y σt y ajustamosun modelo lineal a {(log(µt), log(σt))}, obtendremos unaestimacion para el valor de λ:
λ = 1− b
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Para estimar la media y la desviacion tıpica utilizamos las 12observaciones de cada ano.
Regresion lineal: λ = −0.269 Intuitiva: λ = 0 (log)
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Procesos ARIMA estacionales: Identificacion
De manera esquematica, las etapas a seguir para identificar unmodelo como posible generador de una serie de tiempo son:
1 Si la serie presenta heterocedasticidad, eliminarla a travesde una transformacion de Box-Cox.
2 Si la serie (quizas transformada en la etapa 1) presentatendencia, eliminarla a traves de la diferenciacion regular.
3 Si la serie (quizas transformada en las etapas 1 y/o 2)presenta componente estacional, eliminarla a traves de ladiferenciacion estacional.
4 Identificar un modelo ARMA para la serie (quizastransformada en las etapas 1, 2 y/o 3).
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Proc. ARIMA estacionales: Estim., diag. y selec. del modelo
Como consecuencia de la estrecha relacion que existe entre losprocesos ARIMA y los procesos ARMA (diferenciando losprimeros se obtienen los segundos), se tiene que la aplicacionpractica de los ARIMA esta totalmente basada en lacorrespondiente a los ARMA:
Estimacion: Se ajusta un ARMA (regular, estacional oestacional multiplicativo) a la serie diferenciada (regulary/o estacionalmente).
Diagnosis: Se chequean los residuos procedentes del ajusteARMA anterior.
Seleccion del modelo: Se selecciona, para la seriediferenciada, el modelo ARMA cuyos ordenes (p, q, P y/oQ) minimicen uno de los criterios AIC, AICC o BIC.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Procesos ARIMA estacionales: Prediccion
Del mismo modo, la prediccion de valores futuros de procesosARIMA se basa en la prediccion de procesos ARMA.
Los pasos a seguir son:
1 Diferenciar (regular y/o estacionalmente) la serieprocedente del ARIMA hasta obtener una serie procedentede un ARMA (regular, estacional o estacional multiplic.).
2 Predecir los valores futuros del proceso ARMA.
3 Deshacer la diferenciacion en las predicciones del ARMA,obteniendo entonces las predicciones del proceso originalARIMA.
En cuanto a los intervalos de prediccion, su construccion esanaloga a lo ya hecho para procesos ARMA.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Aplicacion a datos reales
Presentamos a continuacion un ejemplo con datos reales en elque se hace uso de gran parte de lo expuesto en este capıtulo.
Para ello:
Dividiremos en 2 trozos la serie del consumo deelectricidad (introducida en el primer capıtulo):
1 Consumo entre los meses de enero 1972 y diciembre 2003(T = 384).
2 Consumo durante los proximos 12 meses.
El primer trozo sera utilizado para seleccionar y ajustar unmodelo.
En base a dicho modelo, realizaremos predicciones para elconsumo correspondiente a los proximos 12 meses, queseran comparadas con los consumos reales (2o trozo).
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
1: Identificacion del modelo (fas y fap muestrales)
Enero 1972 - Diciembre 2003 El grafico de la izquierdamuestra presencia deheterocedasticidad, tendencia ycomponente estacional.
Comenzamos transformando laserie para tratar de estabilizarla variabilidad. Puesto que estaaumenta con el nivel de la serie(quizas la desviacion tıpica sealineal en la media), leaplicamos al consumo lafuncion logaritmo neperiano.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Consumo transformado (ln) El grafico de la izquierdamuestra que:
La varianza del consumose ha estabilizado alaplicarle la funcionlogaritmo neperiano.
La serie transformadatiene tendencia ycomponente estacional.
La diferenciacion regular podrıaeliminar la tendencia.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Dif. reg. del ln del consumo El grafico de la izquierdamuestra que:
La tendencia ha sidoeliminada al aplicarle unadiferencia regular.
La componente estacionalse mantiene (s = 12).
La diferenciacion estacionalpodrıa eliminar la componenteestacional.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Dif. reg. y estac. del ln delconsumo (s=12)
A la espera de realizar elanalisis de residuos, el graficode la izquierda sugiere que:
La serie transformadaproviene de un procesoestacionario;concretamente, de unARMA(0,2)×(0,1)12.
El logaritmo neperiano delconsumo electrico ha sidogenerado por un procesoARIMA(0,1,2)×(0,1,1)12.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
El modelo identificado (ARIMA(0,1,2)×(0,1,1)12) se puedeexpresar como
(1− B)(1− B12
)Yt = c +
(1 + θ1B + θ2B2
) (1 + Θ1B12
)at ,
siendo Yt = ln (Xt) y Xt el consumo electrico del mes t.Una representacion equivalente es
Yt = Yt−1 + Yt−12 − Yt−13
+c + at + θ1at−1 + θ2at−2
+Θ1at−12 + θ1Θ1at−13 + θ2Θ1at−14.
Nota: Observese que, puesto que el proceso diferenciado notiene parte AR, la constante c coincide con su media µ.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
2: Estimacion del modelo identificado ARIMA(0,1,2)×(0,1,1)12
Estimando los parametros por maxima verosimilitud resulta:
θ1 = −0.3371 (0.0440), θ2 = −0.5503 (0.0452),
Θ1 = −0.7116 (0.0377), µ = 0e + 00 (1e-04)
y σ2a = 0.0006759.
Puesto que la media µ del proceso diferenciado no essignificativamente distinta de cero, estimaremos unARIMA(0,1,2)×(0,1,1)12 con µ = 0 o, lo que es lo mismo, conc = 0.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Bajo la restriccion µ = 0, se obtienen las estimaciones:
θ1 = −0.3365 (0.0439), θ2 = −0.5496 (0.0451),
Θ1 = −0.7111 (0.0377) y σ2a = 0.0006762,
resultando todos los parametros significativamente distintos decero. Por tanto, el ARIMA(0,1,2)×(0,1,1)12 estimado es:
Yt = Yt−1 + Yt−12 − Yt−13
+at − 0.3365at−1 − 0.5496at−2
−0.7111at−12 + 0.2393at−13 + 0.3908at−14,
siendo 0.0006762 la varianza del ruido blanco.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
3: Diagnosis del modelo ARIMA(0,1,2)×(0,1,1)12
Residuos: graficos secuencial yQ-Q normal
Contrastes de independencia
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Conclusiones:
El contraste de Ljung-Box rechaza la independencia de losresiduos.
Un modelo ARIMA(0,1,2)×(0,1,1)12 no resulta adecuadocomo posible generador de la serie del consumo electrico(transformada a traves del logaritmo neperiano).
Puesto que no tenemos independencia en los residuos, loscontrastes propuestos de media cero y normalidad notienen validez.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
4: Identificacion del modelo (criterio BIC)
Hemos calculado los valores del criterio BIC para distintosprocesos ARIMA(p,1,q)×(P,1,Q)12 (p, q ∈ {0, 1, 2, 3} yP,Q ∈ {0, 1, 2}).
El modelo ARIMA(1,1,2)×(0,1,1)12 resulto ser el de menor BIC(BIC= −1625.907, siendo la constante del modelo nula).
De entre los modelos evaluados, solo uno (elARIMA(2,1,1)×(0,1,1)12) tuvo un valor BIC que no distasemas de 2 unidades del optimo.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
5: Estimacion del modelo ARIMA(1,1,2)×(0,1,1)12
El modelo ARIMA(1,1,2)×(0,1,1)12 se puede expresar como
(1− φ1B) (1− B)(1− B12
)Yt =(
1 + θ1B + θ2B2) (
1 + Θ1B12)
at .
Las estimaciones de sus parametros por maxima verosimilitudhan resultado:
φ1 = 0.3214 (0.0901), θ1 = −0.5804 (0.0898),
θ2 = −0.3762 (0.0784), Θ1 = −0.7135 (0.0391),
y σ2a = 0.0006543.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
6: Diagnosis del modelo ARIMA(1,1,2)×(0,1,1)12
Residuos: graficos secuencial yQ-Q normal
Contrastes de independencia
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Contrastes de media cero ynormalidad
µa = 0:p − valor = 0.2012
Normalidad:
Jarque-Bera:p − valor = 0.7272
Shapiro-Wilk:p − valor = 0.7198
Conclusion: Un modeloARIMA(1,1,2)×(0,1,1)12 sinconstante y con innovacionesgaussianas resulta adecuadocomo generador de la serie delconsumo de electricidad(transformada a traves de lafuncion logaritmo neperiano).
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
7: Prediccion en base al modelo ARIMA(1,1,2)×(0,1,1)12
Para finalizar el estudio, elARIMA(1,1,2)×(0,1,1)12 quehemos seleccionado, estimado ychequeado fue utilizado pararealizar predicciones con origenen T = 384 y horizontes deprediccion k = 1, . . . , 12.
Estas se pueden observar en elgrafico de la derecha (azul),junto con los valores reales(verde) y los intervalos deprediccion al 95% (rojo).
Predicciones, ...
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Valores numericos
Mes Consumo Prediccion Intervalo de Prediccion (95%)
enero 229.922 233.2989 (221.8904 , 245.2940)febr. 207.913 202.7579 (190.4922 , 215.8133)mar. 195.917 197.3801 (185.1477 , 210.4206)abril 180.561 182.2473 (170.8927 , 194.3562)mayo 193.574 190.7098 (178.8020 , 203.4107)junio 222.073 216.9540 (203.3874 , 231.4254)julio 247.093 253.2536 (237.3969 , 270.1693)agos. 243.509 258.9025 (242.6725 , 276.2180)sept. 224.615 229.9236 (215.4930 , 245.3205)oct. 198.691 200.5321 (187.9313 , 213.9777)nov. 187.896 188.6941 (176.8231 , 201.3619)dic. 216.703 213.4435 (199.9998 , 227.7909)
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Resumen: Construccion del modelo generador de la serie
Etapas a seguir para identificar un ARIMA(p,d,q)×(P,D,Q)s
como posible generador de la serie de tiempo a analizar:
Etapa 1: Representar graficamente la serie frente altiempo, y su fas muestral frente al retardo.
1 Si el grafico de la serie sugiere presencia de variabilidad noconstante, transformar (Box-Cox) la serie para estabilizarla varianza.
2 Si el grafico de la serie (quizas transformada en el pasoanterior) y/o el grafico de su fas muestral sugiere/npresencia de tendencia, aplicar diferencias regulares (d)hasta eliminarla.
3 Si el grafico de la serie (posiblemente transformada enalguno de los 2 pasos anteriores) y/o el grafico de su fasmuestral sugiere/n presencia de componente estacional (s),aplicar diferencias estacionales (D) hasta eliminarla.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Resumen: Construccion del modelo generador de la serie
Etapa 2: Representar graficamente la serie (posiblementetransformada en la etapa 1) frente al tiempo, y sus fas yfap muestrales frente al retardo (en caso necesario,constuir tambien la tabla relativa a la fase muestral).
Dichos graficos debieran sugerir la procedencia de la serie(posiblemente transformada en la etapa 1) de un procesoestacionario (ARMA, quizas multiplicativo), pues en casocontrario no deberıamos haber pasado a esta etapa 2.
1 Tratar de identificar sus ordenes p, q, P y Q a traves delestudio de su fas y fap muestrales (quizas sea necesaria,ademas, la fase muestral).
2 Identificar sus ordenes p, q, P y Q a traves del estudio delas funciones AIC, AICC y/o BIC.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Resumen: Construccion del modelo generador de la serie
Una vez que uno o varios modelos han sido identificados, lasiguiente etapa es su estimacion.
A continuacion, el/los modelo/s estimado/s debe/n serchequeado/s (es necesario comprobar que verifica/n lashipotesis basicas que se han supuesto en su construccion).Principalmente, comprobaremos la hipotesis de que lasinnovaciones son ruido blanco (preferiblemente gaussiano).
Si disponemos de varios modelos que han superado el analisisde residuos (diagnosis), seleccionaremos aquel que, teniendo unAIC, AICC y/o BIC pequeno (diferencias de hasta 2 unidadesno se consideran relevantes), resulte mas simple. En base adicho modelo, realizaremos las predicciones.
German Aneiros Perez Series de Tiempo
Series deTiempo
GermanAneiros Perez
Introduccion
ProcesosARMA:Definicion eidentificacion
ProcesosARIMA:Definicion eidentificacion
Estimacion ydiagnosis
Seleccion delmodelo yprediccion
Aplicacion adatos reales
ProcesosARIMAestacionales
Aplicacion adatos reales
Recapitulacion
Modelos Box-Jenkins
Recapitulacion
A lo largo de este tema:
Se ha construido la clase de modelos Box-Jenkins.
Se han propuesto metodos para identificar sus ordenes:
Basados en el estudio de sus fas, fap y fase muestrales.Basados en el estudio de las funciones AIC, AICC y BIC.
Se han propuesto estimadores de sus parametros y se hanmostrado algunas de sus propiedades asintoticas.
Se han propuesto tecnicas para chequear el modeloajustado.
Se han propuesto metodos para predecir sus valoresfuturos, y se han construido intervalos de prediccion.
German Aneiros Perez Series de Tiempo