Post on 03-Jul-2018
Series Temporales Univariantes
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Profesoras
• Carolina García-Martos (garcia.martos@upm.es)
• María Jesús Sánchez Naranjo (mjsan@etsii.upm.es)
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
ÍNDICE
• Introducción a las series temporales (objetivos, clasificación de los modelos de series, análisis descriptivo…).
• Funciones de autocorrelación simple y parcial
• Procesos estacionarios: Modelos AR, MA y ARMA
• Modelos ARIMA
• Modelos ARIMA estacionales.
• Ejemplos prácticos
• Algunas ideas sobre: modelos multivariantes y modelos de heterocedasticidad condicional
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Bibliografía
• Box, G.E.P., Jenkins, G.M. y Reinsel, G. (1994). Time Series
Analysis: Forecasting and Control. Prentice Hall.
• Peña, D. (2010). Análisis de Series Temporales. Alianza Editorial.
• Chatfield, C. (1989). The Analysis of Time Series. An Introduction.
Chapman & Hall.
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
¿Qué sé de Estadística?
¿Qué debo saber?
Inferencia (Contrastes) y modelos de regresión lineal
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Objetivo del análisis de series temporales
• Explicar la evolución de una variable a lo largo del tiempo
• Prever sus valores futuros
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Gráfico temporal del precio de un componente eléctrico
Pec
io
0 30 60 90 120 15025
28
31
34
37
40
43
Gráfico Temporal de la temperatura de un proceso químico (cada minuto)
Tem
pera
tura
0 40 80 120 160 20016
16,4
16,8
17,2
17,6
18
18,4
18,8
Gráfico Temporal para la serie de pasajeros de avión
Núm
ero
de p
asaj
eros
0 30 60 90 120 1500
200
400
600
800
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
ClasificaciClasificacióón de los modelos de series temporalesn de los modelos de series temporales
• EN FUNCIÓN DEL NÚMERO DE RESPUESTAS (número de variables que evolucionan en el tiempo que se estudian):
– RESPUESTA UNIVARIANTE
– RESPUESTA MULTIVARIANTE
• FUNCIONES DE TRANSFERENCIA
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
ClasificaciClasificacióón de los modelos de series temporalesn de los modelos de series temporales
• Lineales
• Estacionarios
– No estacionarios
• No lineales
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
•• Series estacionariasSeries estacionarias: Estacionarias en la media y la varianza (frecuentes en el mundo físico, pero no en el social o económico).
•• Series no estacionariasSeries no estacionarias: Su variabilidad y/o su media cambian en el tiempo.
– El cambio en la varianza implica que la dispersión (variabilidad) no es constante en el tiempo.
– El cambio en la media implica tendencia (a crecer o decrecer), la serie no oscila alrededor de un valor constante. Fenómenos sociales.
• Pauta que se repite: serie estacional.
– NO HISTOGRAMA, NO MEDIA, NO DESVIACIÓN TÍPICA
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
¿¿CCóómo detectamos si una serie es o no estacionaria en varianza? mo detectamos si una serie es o no estacionaria en varianza?
0 50 100 150−100
−50
0
50
100Non−stationary in variance time series
time
0 50 100 150−0.4
−0.2
0
0.2
0.4Stationary in variance time series
time
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
¿¿CCóómo detectamos si una serie es o no estacionaria en media? mo detectamos si una serie es o no estacionaria en media?
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
¿¿CCóómo detectamos si una serie es o no estacionaria en media? mo detectamos si una serie es o no estacionaria en media?
Gráfico Temporal de la temperatura de un proceso químico (cada minuto)
Tem
pera
tura
0 40 80 120 160 20016
16,4
16,8
17,2
17,6
18
18,4
18,8
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Descomposición básica de una serie temporal
Valor observado = tendencia+ estacionalidad + comp. irregular
Zt= Tt +St+ It
• Tendencia: movimiento suave de la serie a largo plazo
• Estacionalidad: movimientos de oscilación dentro del mes, año (p. ej.)
• Irregular: variaciones aleatorias alrededor de los componentes anteriores.
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Modelos univariantes de series temporales
Objetivo:
Zt=f(Zt-1,Zt-2,…)+ at
Zt=Zt*+ at (1)
at es independiente de su pasado
Existen dos enfoques básicos para obtener (1):
– Postular la forma de Zt* (siendo Zt
* la parte predecible).
– Obtener at en la serie (at es la parte no predecible).
Los métodos clásicos buscan Zt* y el enfoque Box-Jenkins se centra en
at.
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
= +*t t tz z atz = Serie observada
= Componente predecible
= Componente aleatoria
Dos enfoques:
1. Método clásico: buscar2. Metodología Box-Jenkins: buscar
*tzta
FILTROtzta
*tz
ta
Análisis univariante: enfoques
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
¿Cómo es at?
at debe ser un proceso de ruido blanco
• E[at]=0 t=1,2,...
• Var[at]=σ2 t=1,2,...
• Cov[at ,at-k]=0 k=±1,± 2
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Serie observada
Estimación de parámetros y contrastes• Función de verosimilitud• Cálculo de estimadores y estadísticos
Crítica y diagnosis: validación del modelo
¿Esel modeloadecuado?
• Predicción• Analizar estructura• Datos anómalos
NO SI
Identificación del modelo ARIMA(p,d,q)• Transformaciones• Selección p,d,q
Etapas para la construcción de un modelo ARIMA(p,d,q)
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Herramientas a utilizar para identificar el modelo
• Gráfico de la serie: a la vista de la evolución temporal de la variable de interés se detecta 1) La necesidad de estabilizar la varianza y 2) La necesidad de estabilizar la media si ésta no es constante (proceso no estacionario en media).
• Función de autocorrelación simple (FAS, en inglés ACF).
• Función de autocorrelación parcial (FAP, en inglés PACF).
0 20 40 60 80 100 120 140-15
-10
-5
0
5
10
15
Tiempo
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
ACF o FAS
• Función de autocovarianzas
• Coeficiente de autocorrelación
• La FAS es la representación retardo-coeficiente de autocorrelación
AR(2)
( ) [( )( )]γ µ µ−, − = − − =t t kt t k E z z γ ,k 0 1 2= , ± , ± ,...k
( )
( ) ( )ρ −
−
,= .t t k
t t k
Cov z z
k Var z Var z
0 5 1 0 1 5 2 0 2 5 3 0
-1
-0 .8
-0 .6
-0 .4
-0 .2
0
0 .2
0 .4
0 .6
0 .8
1
R e t a r d o
Au
toc
orr
ela
ció
n
xt= - .9 x
t -1 + . 5 w
t -1 + w
t
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
PACF o FAP
• Herramienta fundamental para determinar el orden de un proceso autorregresivo.
• El coeficiente de correlación parcial mide la relación entre xt y xt-k cuando se elimina el efecto de xt-1, xt-2 ,…, xt-k+1.
• La ACF sólo tiene en cuenta que xt y xt-2 están relacionados en ambos casos, si se mide la relación directa entre ellos (eliminando el efecto debido a xt-1), para un AR(1) es nulo pero no para un AR(2).
• El número de coeficientes distinto de cero indica el orden del proceso autorregresivo.
ttttt xxxxx →→→→ −−−− 1234
ttttt xxxxx →→→→ −−−− 1234
AR(1)
AR(2)
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Herramientas a utilizar para identificar el modelo
• Gráfico de la serie
• Función de autocorrelación simple
• Función de autocorrelación parcial
0 2 4 6 8 1 0 1 2 1 4 1 6 1 8 2 0
-1
-0 . 8
-0 . 6
-0 . 4
-0 . 2
0
0 . 2
0 . 4
0 . 6
0 . 8
1
re ta rd o
Au
toc
orr
ela
ció
n
xt = 1 .5 x
t- 1 - .7 5 x
t-2 + w
t
0 5 1 0 1 5 2 0 2 5 3 0
-1
-0 .8
-0 .6
-0 .4
-0 .2
0
0 .2
0 .4
0 .6
0 .8
1
R e t a r d o
Au
toc
orr
ela
ció
n
xt= - .9 x
t -1 + . 5 w
t -1 + w
t
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Pasos para la identificación del modelo
• Transformaciones para conseguir proceso estacionario
– 1. Heterocedasticidad: obtención de λλλλ
• Gráfico de la serie y gráfico rango-media para zt y para zt (λ
• Transformación Box-CoxPasajeros de avión
Pasajeros
0 30 60 90 120 150
0
200
400
600
800
(en logaritmos)
Pasajeros
0 30 60 90 120 150
4.6
5
5.4
5.8
6.2
6.6
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Pasos para la identificación del modelo
– 2. Determinación del orden de diferenciación regular d: número de diferencias que se deben aplicar para convertir la serie en
estacionaria.
• Gráfico de la serie y ACF de la serie original: IBM
ACF para IBM
retardo
Autocorrelaciones
0 5 10 15 20 25
-1
-0,6
-0,2
0,2
0,6
1
ibm
0 20 40 60 80 100 120
450
490
530
570
610
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Pasos para la identificación del modelo
Gráfico de la serie y ACF de la serie diferenciada d (1,2,...) veces
•
• 3. Identificación de la estructura estacionaria: determinación de los ordenes p y q del modelo.
• Funciones de autocorrelación simple y parcial (AR(p) y MA(q)).
ibm con d=1
0 20 40 60 80 100 120
-15
-5
5
15
25
ACF para IBM con d=1
retardo
Autocorrelaciones
0 5 10 15 20 25
-1
-0,6
-0,2
0,2
0,6
1
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Proceso estacionario (en sentido débil)
1.
2.
3.
µ µ= = ,t cte2 2σ σ= =t cte
( ) [( )( )]γ µ µ−, − = − − =t t kt t k E z z γ ,k 0 1 2= , ± , ± ,...k
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Proceso Auto-Regresivo de orden 1, AR(1).
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]1
t t t
t a
t
t
at
z z a
a N
a a independientes
E z t
z
φσ
σφ
−= +
→
= ∀
=−
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]1
t t t
t a
t
t
at
z z a
a N
a a independientes
E z t
z
φσ
σφ
−= +
→
= ∀
=−
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Proceso Auto-Regresivo de orden 1, AR(1). FAS y FAP.
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]1
t t t
t a
t
t
at
z z a
a N
a a independientes
E z t
z
φσ
σφ
−= +
→
= ∀
=−11
, 1,....
0, 1
k
k
kk
k
k
γ φα φα
= === >
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Proceso Auto-Regresivo de orden 1, AR(1). FAS o ACF.
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]1
t t t
t a
t
t
at
z z a
a N
a a independientes
E z t
z
φσ
σφ
−= +
→
= ∀
=−
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Proceso Auto-Regresivo de orden 1, AR(1). FAP o PACF.
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]1
t t t
t a
t
t
at
z z a
a N
a a independientes
E z t
z
φσ
σφ
−= +
→
= ∀
=−
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Proceso Auto-Regresivo de orden 2, AR(2).
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]1
t t t
t a
t
t
at
z z a
a N
a a independientes
E z t
z
φσ
σφ
−= +
→
= ∀
=−
1 1 2 2
2
1
2
2
2 2
2 2 1
(0, )
,..., ,...
1var[ ] ( )
1 {(1 ) }
t t t t
t a
t
at
z z z a
a N
a a independientes
z
φ φσ
σφφ φ φ
− −= + +
→
−=+ − −
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Proceso Auto-Regresivo de orden 2, AR(2). FAS y FAP.
ESTRUCTURA DE AUTOCORRELACIÓN
La autocorrelación simple decrece con el retardo de forma exponencial.
La autocorrelación parcial no es significativa para retardos > 2.
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Proceso Auto-Regresivo de orden p, AR(p).
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]1
t t t
t a
t
t
at
z z a
a N
a a independientes
E z t
z
φσ
σφ
−= +
→
= ∀
=−
1 1 2 2
2
1
...
(0, )
,..., ,...
[ ] 0,
t t t p t p t
t a
t
t
z z z z a
a N
a a independientes
E z t
φ φ φ
σ− − −= + + + +
→
= ∀
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Proceso Auto-Regresivo de orden p, AR(p).
Sobre la notación: El operador retardo B
1
2
2
1
2 2
2
1 2
2 2
2
1 2
(1 )
(1 ) (1 ...)
.....
(1 ) (1 ...)
.....
t t
t t
p
t t p
t t t t
t t t t
t t t
t t t t
t t t
Bz z
B z z
B z z
z B z z z
B z a z B B a
a a a
B a z a B B z
z z z
ϕ ϕ ϕϕ ϕ
θ θ θθ θ
−
−
−
−
− −
− −
=
=
=
∇ = − = −
− = ⇔ = + + + =
= + + +
− = ⇔ = + + + =
= + + +
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Proceso Auto-Regresivo de orden p, AR(p). FAS y FAP.
ESTRUCTURA DE AUTOCORRELACIÓN
La autocorrelación simple decrece con el retardo de forma exponencial.
La autocorrelación parcial no es significativa para retardos > p.
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Modelos autorregresivos: AR(1), AR(2),..., AR(p)
100,)0(
)()( <<≥== φφ
γγρ yhh
h h
1),2()1()( 21 ≥−+−= hhhh ρφρφρ
Modelo AR(1)
(Fácil de identificar)
Modelo AR(2)
Modelo AR(p)
1)(...)2()1()( 21 ≥−++−+−= hphhhh pρφρφρφρ
•Si p>1 la identificación utilizando sólo la ACF no es posible
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Proceso de Media móvil de orden 1, MA(1).
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]1
t t t
t a
t
t
at
z z a
a N
a a independientes
E z t
z
φσ
σφ
−= +
→
= ∀
=−
1 1
2
1
2 2
1
(0, )
,..., ,...
[ ] 0,
var[ ] (1 )
t t t
t a
t
t
t a
z a a
a N
a a independientes
E z t
z
θσ
σ θ
−= − +
→
= ∀
= +
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Proceso de Media móvil de orden 1, MA(1). FAS y FAP.
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]1
t t t
t a
t
t
at
z z a
a N
a a independientes
E z t
z
φσ
σφ
−= +
→
= ∀
=−
1
0, 1
, 1,...
k
k
kk
k
k
γ θγα θ
== >
= =
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Proceso de Media móvil de orden 1, MA(1). FAS y FAP
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]1
t t t
t a
t
t
at
z z a
a N
a a independientes
E z t
z
φσ
σφ
−= +
→
= ∀
=−
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Proceso de Media móvil de orden 2, MA(2).
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]1
t t t
t a
t
t
at
z z a
a N
a a independientes
E z t
z
φσ
σφ
−= +
→
= ∀
=−
1 1 2 2
2
1
2 2 2
1 2
(0, )
,..., ,...
[ ] 0,
var[ ] (1 )
t t t t
t a
t
t
t a
z a a a
a N
a a independientes
E z t
z
θ θσ
σ θ θ
− −= − − +
→
= ∀
= + +
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Proceso de Media móvil de orden 2, MA(2). FAS y FAP.
ESTRUCTURA DE AUTOCORRELACIÓN
La autocorrelación simple no es significativa para retardos > 2.
La autocorrelación parcial decrece con el retardo de forma exponencial.
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Proceso de Media móvil de orden q, MA(q).
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]1
t t t
t a
t
t
at
z z a
a N
a a independientes
E z t
z
φσ
σφ
−= +
→
= ∀
=−
1 1 2 2
2
1 2
2 2 2
1
...
(1 ... )
[ ] 0,
var[ ] (1 ... )
t t t t q t q
q
t q t
t
t a q
z a a a a
z B B B a
E z t
z
θ θ θ
θ θ θ
σ θ θ
− − −= − − − −
= − − − −
= ∀
= + + +
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Proceso de Media móvil de orden q, MA(q). FAS y FAP.
ESTRUCTURA DE AUTOCORRELACIÓN
La autocorrelación simple no es significativa para retardos > q.
La autocorrelación parcial decrece con el retardo de forma exponencial.
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Proceso ARMA(1,1).
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]1
t t t
t a
t
t
at
z z a
a N
a a independientes
E z t
z
φσ
σφ
−= +
→
= ∀
=−
1 1
2
1
22
2
(0, )
,...,
[ ] 0,
1 2var[ ]
1
t t t t
t a
t
t
t a
z z a a
a N
a a independientes
E z t
z
φ θσ
θ θφσφ
− −= − +
→
= ∀
+ −=−
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Proceso ARMA(1,1). FAS y FAP
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]1
t t t
t a
t
t
at
z z a
a N
a a independientes
E z t
z
φσ
σφ
−= +
→
= ∀
=−
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Proceso de ARMA (1,1). FAS y FAP.
ESTRUCTURA DE AUTOCORRELACIÓN
FAS: decrecimiento geométrico dependiente del parámetro autorregresivo.
FAP: Decrecimiento geométrico dependiente del parámetro de media móvil.
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Proceso ARMA(p,q).
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]1
t t t
t a
t
t
at
z z a
a N
a a independientes
E z t
z
φσ
σφ
−= +
→
= ∀
=−
11 1 2 2 1 2 2
2 2
1 2 1 2
2
1
... ...
(1 ... ) (1 ... )
(0, )
,...,
[ ] 0,
− − − − − −= + + + − − − − +
− − − − = − − − −
→
= ∀
φ φ φ θ θ θ
φ φ φ θ θ θ
σ
t t t p t p t t q t q t
p q
p t q t
t a
t
t
z z z z a a a a
B B B z B B B a
a N
a a independientes
E z t
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Proceso ARMA(p,q). Estructura de la FAS y la FAP.
1
2
1
2
2
(0, )
,..., ,...
[ ] 0,
var[ ]1
t t t
t a
t
t
at
z z a
a N
a a independientes
E z t
z
φσ
σφ
−= +
→
= ∀
=−
Muchos coeficientes distintos a 0
Muchos coeficientesdistintos a 0
ARMA(p,q)
Muchos coeficientes distintos a 0
0 excepto los primeros qMA(q)
0 excepto los primeros pMuchos coeficientesdistintos a 0
AR(p)
PACF ACF
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Procesos integrados.
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Procesos integrados.
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Procesos integrados. Modelos ARIMA (p,d,q).
2 2
1 2 1 2
2
1
( ) ( )
(1 ... )(1 ) (1 ... )
(0, )
,..., ,...
∇ =
− − − − − = − − − −
→
φ θφ φ φ θ θ θ
σ
d
t t
p d q
p t q t
t a
t
B z B a
B B B B z B B B a
a N
a a independientes
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Procesos ARIMA estacionales
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Algunos ejemplos...
Un tipo de falta de estacionariedad en la media muy habitual en la práctica: el comportamiento estacional.
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Algunos ejemplos...
Un tipo de falta de estacionariedad en la media muy habitual en la práctica: el comportamiento estacional.
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Algunos ejemplos...
Un tipo de falta de estacionariedad en la media muy habitual en la práctica: el comportamiento estacional.
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Precios de energía eléctrica. FAS y FAP muestran también la presencia de estacionalidad
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
¿Qué es una serie estacional?
Diremos que una serie es estacional cuando su media no es constante en el tiempo pero varía de forma periódica, cíclica.
Si entonces diremos que la estacionalidad es de periodo s.
– En series diarias, en las que suele haber estacionalidad semanal: s=7.
– En series mensuales s=12.
– En series horarias, estacionalidad diaria: s=24.
– En series bimensuales, la estacionalidad anual hace que s=6, y análogamente con las cuatrimestrales (s=3) y trimestrales (s=4).
Ez t = Ezt+s
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Tipos de estacionalidad
MODELADO DE LA ESTACIONALIDAD DE FORMA ADITIVA
Consiste en escribir la serie como suma de un proceso estacionario y un componente estacional:
La serie no es estacionaria, pues el componente estacional no toma mismo valor en todos los periodos.
z t = Sts
+ nt
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Representación del IPI en España para los distintos meses. Efectoestacional.
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Demanda. Efecto estacional.
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Formas de modelar la estacionalidad
• Que sea determinista, es decir constante para el mismo mes de distinto año.
• Senos y cosenos.
• Introducir s-1 variables ficticias
• Que la estacionalidad evoluciona en el tiempo pero oscilando alrededor de un valor fijo
• Permitir que sea cambiante en el tiempo sin ningún valor medio fijo, en este caso diremos que la estacionalidad es no estacionaria. Primera forma sencilla de modelar la estacionalidad:
z t = zt−s + at
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Diferencia estacional
z t = zt−s + at, a t: Proceso estacionario
En el caso más sencillo, si at es ruido blanco diremos que la serie ztsigue un proceso I(1)s
zt − zt−s = a t → ∇szt = a t, at ∼ N0,σa2
∇s = 1 − Bs
Operador diferencia estacional
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Diferencias regulares y estacionales
Si al aplicar a la serie zt: D diferencias estacionales y d diferencias regulares tenemos un proceso de ruido blanco, diremos que dicha serie sigue un modelo I(d)xI(D)s.
Podemos tener que aplicar más de una diferencia regular, pero es muy infrecuente tener que hacer más de una diferencia éstacional. En cualquier caso d≤3.
D: número de diferencias estacionales
s: orden de la estacionalidad
d: número de diferencias regulares
1 − BsD1 − Bdzt = a t, at ∼ N0,σa2
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Procesos ARIMA estacionales
Si al aplicar a la serie zt: D diferencias estacionales y d diferencias regulares tenemos un proceso estacionario, pero no ruido blanco:
Generalizar el modelo ARMA incluyendo además de la dependencia regular, también la estacional.
D: número de diferencias estacionales
s: orden de la estacionalidad
d: número de diferencias regulares
1 − BsD1 − Bdzt = y t, yt ∼ estacionario, pero con estructura de dependencia...
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Procesos ARIMA estacionales
La ecuación de un modelo multiplicativo estacional ARMA (p,q)x(P,Q)s:
Lo podemos escribir de forma compacta:
Y la fórmulación completa del modelo ARIMA(p.d.q)x(P,D,Q)s para zt:
1 − φ1B −. . .−φpBp1 − Φ1Bs −. . .−ΦpB
psyt = 1 − θ1B −. . .−θqBq1 − Θ1Bs −. . .−ΘQB
Qsa t
con a t ∼ N0,σa2
φpBΦpBsy t = θqBΘQB sat
φpBΦpBs∇d∇sDz t = θqBΘQB sat
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Procesos ARIMA estacionales
Para la fórmulación completa del modelo ARIMA(p.d.q)x(P,D,Q)s para zt:
φpBΦpBs∇d∇sDz t = θqBΘQB sat
con a t ∼ N0,σa2
φpB = 1 − φ1B −. . .−φpBp, operador AR regular de orden p
ΦpB s = 1 − Φ1Bs −. . .−ΦpB
ps, operador AR estacional de orden P
∇d = 1 − Bd, d diferencias regulares
∇sD = 1 − BsD, D diferencias estacionales
θqB = 1 − θ1B −. . .−θqBq, operador MA regular de orden q
ΘQB s = 1 − Θ1Bs −. . .−ΘQB
Qs, operador MA estacional de orden Q
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Identificación del modelo ARIMA estacional
PASOS A SEGUIR
• ¿Cuál es el orden de la estacionalidad? ¿s=? Para ello es importante conocer de qué datos se trata.
• Comprobar si la serie es estacionaria en varianza, y si no lo es tomar logaritmos.
• Comprobar si la serie es estacionaria en media, ¿es necesaria una diferencia estacional? Es muy infrecuente que sea necesaria más de una diferencia estacional, ¿es necesaria alguna diferencia regular? Usualmente p<4.
• Seleccionar el modelo ARMA multiplicativo más adecuado. Seleccionando paso a paso, p, P, q y Q.
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Identificación del modelo ARIMA estacional
La función de autocorrelación simple (FAS) de un ARMA(p,d)x(P,D)
• En los retardos bajos observamos únicamente lo correspondiente a la parte regular,
• En los retardos estacionales (s, 2s, 3s,...) observamos únicamente lo correspondiente a la parte estacional.
• Alrededor de los retardos estacionales (s-2, s-1, s+1, s+2, 2s-2, 2s-1, 2s+1, 2s+2,...) observamos lo correspondiente a la interacción entre la parte estacional y regular. En concreto lo que se observa es la repetición de la FAS de la parte regular a ambos lados de los retardos estacionales: Si la parte regular es MA, a cada lado de los retardos estacionales tendré q coeficientes significativos. Si la parte regular es AR, a cada lado de los retardos estacionales tendré el decaimiento exponencial propio de los AR.
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Pasos para la construcción de un modelo ARIMA
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Serie observada
Estimación de parámetros y contrastes• Función de verosimilitud• Cálculo de estimadores y estadísticos
Crítica y diagnosis: validación del modelo
¿Esel modeloadecuado?
• Predicción• Analizar estructura• Datos anómalos
NO SI
Identificación del modelo ARIMA(p,d,q)• Transformaciones• Selección p,d,q
Etapas para la construcción de un modelo ARIMA(p,d,q)
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Etapas para la construcción de un modelo ARIMA(p,d,q)
Reglas prácticas
1. En primer lugar ha de estabilizarse la varianza si es necesario. Una vez estabilizada la varianza, y sólo si el proceso no es estacionario en media, se debe estabilizar la media (Tomando diferencias regulares (d), y/o estacionales, D).
Una vez se tiene una serie estacionaria y en desviaciones a la media...
2. Evitar la identificación inicial de modelos mixtos ARMA y comenzar con modelos AR y MA, preferiblemente de orden bajo.
3. Buscar modelos simples que expliquen los rasgos más obvios de la ACF. Coeficientes claramente significativos, pautas de decrecimiento geométricas o sinusoidales, etc.
4. Luego se utilizará la PACF para completar y confirmar los rasgos de la ACF.
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
ESTIMACIÓN DEL MODELO (detalles en Peña (2010)).
OBJETIVO: Obtener las estimaciones de los parámetros que definen el modelo
Parámetros: φ1, φ2,..., φp, θ1, θ2, θq, µx y σw2
Xt es estacionaria e invertible
β =[φ1, φ2,..., φp, θ1, θ2, θq ]T
wt ~ N(0, σw2) (i.i.d.)
Diferentes enfoques:
Condicionado
No condicionado (estimación exacta)
Independientemente del criterio que se elige hay dos problemas:
Determinación de condiciones iniciales
Modelos no lineales
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
ESTIMACIESTIMACIÓÓN DEL MODELO. Contrastes sobre los parN DEL MODELO. Contrastes sobre los par áámetros.metros.
0:
0:
1
0
≠=
i
i
H
H
ββ
Se obtienen los valores de los parámetros estimados.
Se obtienen las desviaciones típicas estimadas
¿¿Son nulos los parSon nulos los par áámetros?metros?
qhqh ϑβϑβφβφβ ˆˆ,ˆˆ,...,ˆˆ,ˆˆ112211 ==== −−
))ˆ(,(ˆiii N βσββ →
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
ESTIMACIESTIMACIÓÓN DEL MODELO. Contrastes sobre los parN DEL MODELO. Contrastes sobre los par áámetros.metros.
tN ii →−→−)ˆ(ˆ
0ˆ);1,0(
)ˆ(
0ˆ
11 βσβ
βσβ
Se obtienen los valores de los parámetros estimados.
Se obtienen las desviaciones típicas estimadas
¿¿Son nulos los parSon nulos los par áámetros?metros?
.0)2,2(
.0)2,2(
)ˆ(ˆ
0ˆ
0
0
1
≠−∉
=−∈
−=↑↑↑
ii
ii
ii
yHrechazaseZSi
yHrechazasenoZSi
ZnSi
ββ
βσβ
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
DIAGNOSIS DEL MODELO. DIAGNOSIS DEL MODELO. ¿¿Se cumplen las hipSe cumplen las hip óótesis asumidas?tesis asumidas?
1. Análisis sobre los coeficientes
2. Los coeficientes del modelo son suficientes para representar la serie
3. El modelo seleccionado debe tener un grado de ajuste elevado (en comparación con otros)
4. Análisis de residuos
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
• Los coeficientes estimados deben cumplir condiciones de estacionariedad e invertibilidad.
• Cálculo de raíces de los polinomios
• Si alguna raíz está muy cerca de la unidad hay que tener cierta precaución. Si es la correspondiente a la parte autorregresiva puede suceder que la serie esté subdiferenciada.
• Si existen raíces comunes se podría utilizar un modelo con dos parámetros menos.
DIAGNOSIS DEL MODELO. (1. AnDIAGNOSIS DEL MODELO. (1. An áálisis sobre los coeficientes)lisis sobre los coeficientes)
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
• Consiste en introducir parámetros adicionales para estudiar si el modelo está infradimensionado.
ARMA (p,q) ARMA(p+1,q)
ARMA (p,q) ARMA(p,q+1)
• Problema: redundancia paramétrica.
DIAGNOSIS DEL MODELO. (2. DIAGNOSIS DEL MODELO. (2. ¿¿Son suficientes los parSon suficientes los par áámetros metros para representar la serie? )para representar la serie? )
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Fase de identificación: varios modelos alternativos.
¿Cuál es el más adecuado?
AIC AIC
BICBIC
DIAGNOSIS DEL MODELO. (3. SelecciDIAGNOSIS DEL MODELO. (3. Selecci óón del modelo mn del modelo m áás adecuado )s adecuado )
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Comprobar las hipótesis realizadas:
• Los residuos tienen media cero,
• La varianza de los residuos es constante: homocedasticidad,
• Los residuos son independientes,
• Los residuos se distribuyen normalmente.
DIAGNOSIS DEL MODELO. (4. AnDIAGNOSIS DEL MODELO. (4. An áálisis de los residuos)lisis de los residuos)
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
PredicciPredicci óón con modelos ARIMAn con modelos ARIMA
Dos fuentes de incertidumbre: Media condicional y varianza condicional
( )t tz ψ B a====0
T k j T k j
j
z ψ a∞∞∞∞
+ + −+ + −+ + −+ + −====
====∑∑∑∑
1 1 1 1ˆ( ) ( ) ...T T k T T k T k k Te k z z k a ψa ψ a+ + + − − ++ + + − − ++ + + − − ++ + + − − += − = + + += − = + + += − = + + += − = + + +
2 2 2
1 1( ( )) (1 ... )T kVar e k σ ψ ψ −−−−= + + += + + += + + += + + +2 2 1/ 21 1
ˆ ˆ( ) 1.96 (1 ... )T kz k σ ψ ψ −−−−± + + +± + + +± + + +± + + +
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Un ejemplo práctico
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Un ejemplo práctico
Datos de pasajeros de avión: Datos mensuales en miles de pasajeros, desde Enero de 1949 hasta Diciembre de 1960.
Time Series Plot for Col_1
0 30 60 90 120 1500
200
400
600
800
Col
_1
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Un ejemplo práctico
Proceso no estacionario. Además son necesarias una diferencia estacional y una diferencia regular (para que el proceso sea estacionario en media).
Time Series Plot for log(Col_1)lo
g(C
ol_1
)
0 30 60 90 120 1504.6
5
5.4
5.8
6.2
6.6
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Un ejemplo práctico
Tras una diferencia estacional y otra regular…
Residual Autocorrelations for adjusted log(Col_1)ARIMA(0,1,0)x(0,1,0)12 with constant
lag
Aut
ocor
rela
tions
0 5 10 15 20 25-1
-0.6
-0.2
0.2
0.6
1
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Un ejemplo práctico
Modelo ARIMA (0,1,1) x (0,1,1)12
DIAGNOSIS DEL MODELO
Residual Autocorrelations for adjusted log(Col_1)ARIMA(0,1,1)x(0,1,1)12 with constant
lag
Aut
ocor
rela
tions
0 5 10 15 20 25-1
-0.6
-0.2
0.2
0.6
1
Residual Partial Autocorrelations for adjusted log(Col_1)ARIMA(0,1,1)x(0,1,1)12 with constant
lagP
artia
l Aut
ocor
rela
tions
0 5 10 15 20 25-1
-0.6
-0.2
0.2
0.6
1
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Un ejemplo práctico
Modelo ARIMA (0,1,1) x (0,1,1)12. Predicción para los tres años siguientes.
Time Sequence Plot for log(Col_1)ARIMA(0,1,1)x(0,1,1)12 with constant
log(
Col
_1)
actualforecast95.0% limits
0 40 80 120 1604.6
5
5.4
5.8
6.2
6.6
7
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Algunos temas avanzados en series temporales: Modelos multivariantes (VARMA) y modelos de heterocedasticidad
condicional (GARCH)
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Ejemplo de serie temporal multivariante
Fuente: Course on Time Series Analysis (Prof. Andrés M. Alonso) y Peña (2010).
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Modelos de heterocedasticidad condicional (Ver documento adjunto)
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Ejemplo de serie con heterocedasticidad condicional.
Series financieras: No predecimos la media condicio nal sino la volatilidad
o varianza condicional.
Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos
Ejemplo de serie con heterocedasticidad condicional.
Series financieras: No predecimos la media condicio nal sino la volatilidad
o varianza condicional.