Pronsticos Series de Tiempo y Regresin Captulo 9

Pronósticos, Series de Tiempo y Regresión Capítulo 9: Modelos Box-Jenkins No Estacionales y Su Identificación Tentativa Capítulo 10: Estimación, Diagnósticos y Pronósticos para Modelos Box. Jenkins No Estacionales

Temas 1. 2. 3. 4. 5. 6. Introducción al tema Proceso Box-Jenkins Estacionalidad Identificación tentativa del modelo Diagnósticos Pronósticos

Proceso: metodología Box. Jenkins 1. Identificación tentativa del modelo 2. Estimación de los parámetros del modelo 3. Evaluación de diagnósticos para comprobar si el modelo es adecuado; mejorar el modelo si es necesario. 4. Generación de Pronósticos

Proceso en general ¿Estacionario? No Sí Determinar qué tipo de modelo es el adecuado Transformar los datos (primera diferencia) Sí Transformar los datos (segunda diferencia) Estimar los parámetros del modelo Diagnósticos ¿Estacionario? No Sí Pronósticos ¿Estacionario? No transformaciones más complejas

Series temporales estacionarias o Una serie es estacionaria si: la media y la varianza son constantes a través del tiempo n la SAC se corta o Si no es estacionaria, hay que transformarla hasta adquirir una serie transformada estacionaria. o Primera diferencia: zt = yt – yt-1 o Segunda diferencia: zt = (yt – yt-1)- (yt-1 – yt-2) n

SAC y SPAC o La autocorrelación de la muestra con rezago k (SAC, rk) mide la tendencia de observaciones separadas por un período de k, a moverse juntos. o -1 < rk < 1 o Si rk > 2 srk, decimos que hay una espiga en el rezago k. o Cuando ya no hay espigas a partir de un rezago j, decimos que la SAC se corta en j.

SAC y SPAC o Cuando ya no hay espigas a partir de un rezago j, decimos que la SAC se corta en k. o Si la SAC se corta o se extingue rápidamente, concluimos que la serie es estacionaria. o Si la SAC se extingue lentamente, concluimos que la serie es no estacionaria, y hay que transformarla antes de identificar el modelo adecuado.

SAC y SPAC o La SPAC mide una relación menos intuitiva. o Las definiciones son las mismas para una espiga y cuando se corta.

SAC y SPAC o Se utilizan la SAC y la SPAC para identificar el modelo adecuado: o SAC se corta y SPAC se extingue: MA o SAC se extingue y SPAC se corta: AR o ambos se extinguen: modelo mixto o ambos se cortan: determinar cuál se corta más rápidamente para elegir MA o AR.

Proceso: Identificación del modelo estacionario SAC se corta modelo de medias móviles (MA) ¿Dónde se corta la SAC? Número de rezagos (períodos) a incluir SPAC se extingue SAC se extingue SPAC se extingue modelo mixto SPAC se corta modelo autoregresivo (AR) ¿Dónde se corta la SPAC? Número de rezagos (períodos) a incluir

Estimación del modelo o En Stata, se utiliza el comando arima. Por ejemplo, para estimar un modelo autorregresivo con dos rezagos: n arima y, ar(1/2) o de medias móviles en una primera diferencia, con tres rezagos: n arima D. y, ma(1/3) o mixto, con una segunda diferencia y un rezago tanto para las medias móviles como para lo auto-regresivo: n arima D 2. y, ma(1) ar(1)

Estimación del modelo o Se debe eliminar una variable del modelo si no cumple con cualquiera de las siguientes condiciones equivalentes: o Así se puede lograr que el modelo sea parsimonioso.

Diagnósticos del modelo 1. 2. 3. Análisis de residuos La mejor estadística para determinar si el modelo es adecuado, es la estadística Ljung-Box. Si el valor-p de la estadística Ljung-Box es menor que. 01, es evidencia muy fuerte de que el modelo no es adecuado. Análisis de autocorrelación de residuos para identificar espigas: n RSAC n RSPAC

Diagnósticos del modelo o En Stata, se utiliza el comando armadiag después de haber corrido el modelo arima. Genera cuatro gráficas: n n residuos valores-p de la estadística Q* RSAC RSPAC

Pronósticos o para un modelo auto-regresivo sin tendencia: o si podemos calcular yt-1, o si no podemos calcular yt-1.

Pronósticos o para un modelo de medias móviles con tendencia: o El pronóstico puntual de todas las fechas futuras es la misma, pero el rango del intervalo de confianza se va ampliando conforme nos alejamos.

Series estacionales o Se sigue el mismo procedimiento que para no estacionales, pero incluyendo rezagos del número de períodos en el año. o Por ejemplo: n n n arima y, ma(1 12) arima D. y, ar(1 2 4) arima D. z, ar(1 3 5) ma(12) p donde z = y-L 12. y

Comandos en Stata o arima y, ma(1 2) ar(1 2) corre el modelo mixto en los o o o datos originales, con dos rezagos y dos choques. arima D. y, ma(1) corre un modelo de medias móviles en los datos transformados con una primera diferencia, con un período de rezago. ac y grafica la SAC de los datos originales pac D 2. y grafica la SPAC de los datos transformados con una segunda diferencia. STATA utiliza el método de maximum likelihood (a diferencia de SAS y MINITAB, que utilizan OLS). Box, Jenkins y Reinsel (1994) prefieren maximum likelihood. noconstant opción elimina el constante del modelo armadiag para las herramientas de diagnóstico (hay que instalarlo. )