Series temporales. Series temporales

Transcripción

1 Series temporales Series temporales Una serie temporal es una variable cuya evolución se sigue a lo largo del tiempo. Para obtenerla tomaremos observaciones de la variable a intervalos regulares de tiempo.

2 Series temporales Series temporales Las variables/series pueden ser económicas, financieras o de otros tipos ya que la técnica se utiliza en muchas discicplinas. Unos ejemplos serían: En análisis macroeconómico: estaremos interesados en estudiar y prever la evolución de: los precios la producción exportaciones y otras muchas variables de coyuntura. En finanzas : es importante prever la evolución de: Indicadores macroeconómicos Series financieras como, por ejemplo, evolución del índice de la bolsa de Nueva York.

3 Series temporales Series temporales En Energía interesa prever: El nivel de los embalses para saber la cantidad de agua esperable en el futuro. Demanda de potencia eléctrica en cada momento En demografía es importante conocer el número de nacidos o fallecidos en un país.

4 Características de una serie temporal Las características básicas de de una serie temporal son:.periodicidad 2.Tendencia 3.Variabilidad-Volatilidad 4.Ciclo estacional 5.Combinación de de características Serie estacionaria

5 Periodicidad Se Se define la la periodicidad de de la la serie como cada cuanto tiempo se se toman los los datos. Por ejemplo: Periodicidad anual: Se Se toma el el dato dato una una vez vez al al año. año. Periodicidad mensual: Se Se toma el el dato dato una una vez vez al al mes mes obteniéndose 2 2 datos al al año. año. Periodicidad trimestral: se se toma el el dato dato una una vez vez al al trimestre obteniéndose 4 datos al al año. año. Otras periodicidades: semestrales (2 (2 datos al al año) año) semanales (52 (52 datos al al año) año) diarias (365 (365 datos al al año) año) etc. etc.

6 Periodicidad La serie de Temperaturas en La Coruña tiene periodicidad mensual. La serie de Tasas de Actividad masculina en España tiene periodicidad trimestral. Procede de la Encuesta de Población Activa que cada trimestre realiza el INE. La serie del Indice Nikkei tiene periodicidad mensual Volver

7 Tendencia Una serie tiene tendencia cuando su valor no permanece en un rango constante. Cuando la serie tiene tendencia crece o decrece a largo plazo.

8 Tendencia creciente: Tendencia creciente: 80 Serie con tendencia

9 Serie sin tendencia Serie sin tendencia (X 0,00) 38 Serie sin tendencia

10 Tasa de actividad masculina en España Tasa de actividad masculina en España Tasa de actividad masculina 62 Q3/76 Q3/8 Q3/86 Q3/9 Q3/96 Q3/0 Q3/06 Tendencia decreciente que parece haberse estabilizado en en los los últimos años. La La bajada se se debe al al descenso de de la la edad de de jubilación, y a que los los jóvenes se se incorporan más tarde al al mercado laboral por el el incremento de de estudiantes universitarios.

11 Tasa de actividad masculina en España Tasa de actividad masculina en España Tasa de actividad masculina 62 Q3/76 Q3/8 Q3/86 Q3/9 Q3/96 Q3/0 Q3/06 La La tasa tasa de de desempleo elevada que que ha ha tenido España desde influye. A partir el el desempleo ha ha disminuido, y no no hay hay ya ya cambios sustanciales en en las las edades de de jubilación e incorporación al al mercado laboral. Esto Esto se se refleja en en la la zona zona constante de de la la serie. Finalmente la la incorporación al al mercado laboral español de de los los numerosos inmigrantes llegado a partir de de se se refleja en en la la subida final. final. Volver

12 Volatilidad-Varianza Se dice que una serie es homocedástica cuando su variabilidad (volatilidad) es constante a lo largo del tiempo. Cuando la volatilidad varía a lo largo del tiempo, la serie es heterocedástica. La variabilidad se refiere al grosor de la serie, y una serie puede tener varianza constante aunque sea muy gruesa

13 Heterocedástica 2,,7,3 0,9 0,5 0, Serie heterocedástica -0,

14 Homocedástica (X 0,00) Serie homocedástica Volver

15 Ciclo estacional Ciclo estacional El El ciclo estacional aparece únicamente en en series de de periodicidad menor que la la anual. Es Es decir en en las que se se toma más de de un un dato al al cabo del año. El El ciclo estacional es es debido a la la diferencia de de actividad que se se produce debido a la la estacionalidad de de la la tierra y que tiene reflejo en en las actividades económicas, físicas o biológicas.

16 Temperaturas medias en en La La Coruña desde Agosto de de 994. Periodicidad mensual Temperaturas en La Coruña 2 8/94 8/96 8/98 8/00

17 Paro Registrado en en España. Tiene periodicidad mensual Paro registrado en España 6500 /88 /92 /96 /00 /04

18 Gráficos estacionales: para estudiar la la estacionalidad de de la la serie.. Gráfico de de descomposición estacional Gráfico de de índices estacionales Gráfico de de subseries anuales Estos gráficos en en Statgraphics

19 Gráfico de descomposición estacional Gráfico de descomposición estacional Se va a realizar para las temperaturas en La Coruña. Se construye tomando el valor medio de todos los Agostos y trazando una línea horizontal en ese valor (23ºC). Eso se repite para todos los meses y así se obtienen las lineas horizontales que representan el ciclo estacional. Además, sobre la línea de agostos, se dibuja cada uno de los agostos. Así, si la serie tuviera tendencia y ciclo, el ciclo se vería en las lineas horizontales y la tendencia en los puntos dibujados en torno a estas lineas.

20 Gráfico de descomposición estacional Gráfico de descomposición estacional 32 Seasonal Subseries Plot Temperatura en La Coruña temperatur Season Volver

21 Gráfico de índices estacionales (PARO REGISTRADO) Este Gráfico presenta unos índices para cada mes que suman 00. En este caso se observa claramente que la economía española genera mucho trabajo durante los meses de primavera y verano. Esto es debido a las actividades agrícola y turística. 05 Paro Registrado en España seasonal index season Volver

22 Gráfico de subseries anuales Gráfico de subseries anuales Annual Subseries Plot for Temperatura en La Coruña temperatur Cycle Season Este gráfico dibuja los valores obtenidos cada año y superpone unos años sobre otros Volver

23 Vamos a hacerlos Vamos a hacerlos Volver

24 Combinación de caracteristicas: Combinación de caracteristicas: Las series pueden tener simultáneamente Tendencia, Heterocedasticidad y Ciclo Estacional. Veamos algunos ejemplos:. Paro registrado en España 2. Consumo de Champagne en USA

25 Paro registrado Paro registrado Paro registrado en España /88 /92 /96 /00 /04. La serie se toma con periodicidad mensual y se aprecia claramente el ciclo estacional de orden Además tiene tendencia decreciente salvo en el periodo 993/995 en que tuvo tendencia creciente.

26 Consumo de Champagne en USA Consumo de Champagne en USA Consumo de Champagne en USA 0 /80 /82 /84 /86 /88 Se observa de nuevo el ciclo estacional de orden 2 y la serie es heterocedástica. Volver

27 Definición de series estacionarias Definición de series estacionarias Una serie es estacionaria si:. No tiene tendencia 2. Es homocedástica 3. No tiene ciclo estacional (X 0,00) 38 Serie sin tendencia 3,6 Serie Homocedástica 8 2,6, ,4 -, ,

28 Cómo volver estacionaria una serie que no no lo lo es:. La serie tienen tendencia 2. La serie es heterocedástica 3. La serie tiene un ciclo estacional. 4. En Statgraphics Seguimos

29 La serie tiene tendencia La serie tiene tendencia Si Si la la serie serie tiene tiene tendencia se se le le quita quita estudiando, en en lugar lugar de de la la serie serie original una una nueva nueva serie serie construida restando a cada cada dato dato el el anterior. 9 5 Serie con tendencia Col_ z t 5,6 Serie con tendencia: Se toma un diferencia adjusted Col_3 3,6,6-0,4-2,4 w t = z t -z t- -4, Volver

30 La serie es heterocedástica La serie es heterocedástica Si Si la la volatilidad no no es es constante hay que transformar la la serie. Logaritmos o elevarla a una potencia entre 0.0 y 0.99 IPC en España Time Series Plot for (ipc) (ipc)

31 20 00 Time Series Plot for (ipc) IPC en España 80 (ipc) adjusted (ipc) 2,,7,3 0,9 0,5 0, Time Series Plot for adjusted (ipc) IPC en España con una diferencia -0, adjusted (ipc) 2,3,3 0,3-0,7 -,7 Time Series Plot for adjusted (ipc) IPC en España con dos diferencias

32 adjusted (ipc) 2,3,3 0,3-0,7 -,7 Time Series Plot for adjusted (ipc) IPC en España con dos diferencias adjusted log(ipc) (X 0,00) Time Series Plot for adjusted log(ipc) LOGARITMO DE IPC en España con dos diferencias Volver

33 La serie tiene ciclo estacional La serie tiene ciclo estacional Consumo de Champagne en USA 0 /80 /82 /84 /86 /88 Para quitar el el ciclo se se toma una una diferencia estacional: Consiste en en resta a cada observación su su equivalente el el año año anterior w t = z t -z t-2 si los datos son mensuales w t = z t -z t-4 si los datos son trimestrales

34 La serie tiene ciclo estacional La serie tiene ciclo estacional Consumo de Champagne en USA 0 /80 /82 /84 /86 /88 2,9,9 0,9-0, -, -2, Champagne con una diferencia estacional Con una diferencia de orden 2 Volver

35 Vamos a hacerlos en Statgraphics

36 Es estacionaria? Es estacionaria? 3,6 2,6,6 Time Series Plot for var4 var4-0,4 -,4-2,

37 Es estacionaria? Es estacionaria? 5,4 Time Series Plot for var5 3,4 var5,4 - -2,

38 Es estacionaria? Es estacionaria? (X 0000) 76 Nacidos en Eapaña

39 Es estacionaria? Es estacionaria? (X 000) 4 Nacidos en Eapaña 2-9 Con una diferencia (X 000) 52 Nacidos en Eapaña Con dos diferencias

40 Es estacionaria? Es estacionaria? 0 Nikkei 90 bolsa Nikkei con una diferencia adjusted bolsa Con una diferencia

41 Es estacionaria? Es estacionaria? Contratacion accioones (X,E7) Volumen contratación bolsa Madrid /8 /86 /9 /96 /0 /06

42 Es estacionaria? Es estacionaria? Contratacion accioones (X,E7) Volumen contratación bolsa Madrid /8 /86 /9 /96 /0 /06 (X,E6) 2 (Volumen contratación bolsa Madrid) con una diferencia -9 Con una diferencia -9 /8 /86 /9 /96 /0 /06 0,9 0,3 0-0,3 - -0,9 Log (Volumen contratación bolsa Madrid) con una diferencia /8 /86 /9 /96 /0 /06 Con una diferencia y logs

43 Series no estacionales Ruido blanco y modelos autorregresivos

44 Nomenclatura de series temporales Nomenclatura de series temporales Una serie temporal se denomina genéricamente z t z l z 2 z 3... z t z t+ z t+2 z representa el primer valor de la serie z 2 z t el segundo será el valor actual de la serie. z t+ representa el valor de la serie para el próximo periodo, es decir que es un valor futuro.

45 Identificar la serie Identificar la serie En primer lugar debemos encontrar la estructura de dependencia de la serie: Cómo se influyen las observaciones entre sí. z z 2 La flecha indica que Z influye sobre Z 2.

46 Identificar la serie Identificar la serie En general la serie tendrá un estructura de dependencia:

47 Identificar la serie Identificar la serie En general la serie tendrá un estructura de dependencia: z z 2 z 3 z 4 z 5

48 Identificar la serie Identificar la serie En general la serie tendrá un estructura de dependencia: z z 2 z 3 z 4 z 5 Existen dos funciones para representar la estructura de dependencia:. Función de Autocorrelación Simple (FAS) 2. Función de Autocorrelación Parcial (FAP)

49 Función de autocorrelación simple (FAS) La FAS proporciona el coeficiente de correlación entre una observación y las siguientes Tenemos un valor para cada grado de separación (retardos) Es un sucesión de números: ρ, ρ 2, ρ 3,., ρ k que representan: cómo una observación influye sobre la siguiente (ρ ) sobre la segunda posterior (ρ 2 ) sobre la k retardos posterior (ρ k ).

50 ρ : representa la influencia de z i sobre z i+

51 ρ : representa la influencia de z i sobre z i+ ρ : z i z i+

52 ρ : representa la influencia de z i sobre z i+ ρ : z i z i+ ρ 2 : representa la influencia de z i sobre z i+2

53 ρ : representa la influencia de z i sobre z i+ ρ : z i z i+ ρ 2 : representa la influencia de z i sobre z i+2 ρ 2 : z i z i+2

54 ρ : representa la influencia de z i sobre z i+ ρ : z i z i+ ρ 2 : representa la influencia de z i sobre z i+2 ρ 2 : z i z i+2 ρ k : representa la influencia de z i sobre z i+k

55 ρ : representa la influencia de z i sobre z i+ ρ : z i z i+ ρ 2 : representa la influencia de z i sobre z i+2 ρ 2 : z i z i+2 ρ k : representa la influencia de z i sobre z i+k ρ k : z i z i+k

56 Los valores de la FAS ρ, ρ 2, ρ 3,., ρ k, están acotados entre [-,+]. Cuando un ρ k vale cero quiere decir que no existe relación entre la observación z i y la separada k retardos, z i+k. Cuando un ρ k es próximo a +, la relación entre z i y la separada k retardos, z i+k. es muy fuerte y positiva. Cuando un ρ k es próximo a -, la relación entre z i y la separada k retardos, z i+k. es muy fuerte y negativa

57 Podemos resumir entonces que la FAS mide las influencias de una observación sobre las siguientes.

58 Ejemplo de FAS Ejemplo de FAS FAS Autocorrelations La FAS proporciona los coeficientes de correlación de la serie consigo misma para distintos retardos. Los palos largos son significativos. Las bandas horizontales son los límites para considerar significativo un retardo. Es decir si un palo está dentro de las bandas lo consideraremos no significativo en general. En el caso de la figura, los palos de retardos superiores no son significativos. Esto indica que una observación no influye excesivamente sobre las que están muy alejadas de ella lo cual es muy razonable

59 Ruido blanco Ruido blanco El ruido blanco es una serie temporal en la que las observaciones no tienen ninguna relación entre sí. Las observaciones no se influyen unas a otras La FAS del ruido blanco será...

60 FAS de ruido blanco: FAS de ruido blanco: FAS de ruido blanco Autocorrelations Todas los palos son cero (están dentro de los límites de confianza)

61 Proceso AR() Proceso AR() En un proceso AR() cada observación recibe influencia directa de la observación anterior z t = φ z t- +a t Cada observación se construye a partir de la anterior más una perturbación aleatoria a t.

62 Proceso AR() Proceso AR() z t = φ z t- + a t Cada observación se construye a partir de la anterior más una perturbación aleatoria a t. Por ejemplo: si φ = 0.6 y z 7 = 50 sustituyendo en la ecuación: z 8 = a t = 30 + a t El papel de a t es permitir que z 8 valga algo en torno a 30, y no exactamente 30. Si no existiera el término a t, la serie sería determinista, y conocido un valor de z ya conoceríamos todos los demás.

63 Un AR() es estacionario Un AR() es estacionario z t = φ z t- + a t Si φ es menor que En valor absoluto Un proceso no estacionario se va a infinito enseguida. Es explosivo

64 FAS de un AR() FAS de un AR() Fi positivo Fi negativo

65 FAS de un AR() FAS de un AR() Fi positivo Fi negativo

66 Ejemplo de serie real AR() Ejemplo de serie real AR() 5,8 3,8,8-2,2 Gráfico de la serie -4, FAS Autocorrelations

67 Ejemplo de serie real AR() Ejemplo de serie real AR() 5,4 Gráfico de la serie 3,4 var5,4 - -2, FAS Autocorrelations

68 Modelos AR(2) Modelos AR(2) z t = φ z t- + φ 2 z t-2 + a t Cada observación se construye a partir de las dos anteriores más una perturbación aleatoria a t.

69 Modelos AR(2) Modelos AR(2) z t = φ z t- + φ 2 z t-2 + a t Cada observación se construye a partir de las dos anteriores más una perturbación aleatoria a t. z z 2 z 3 z 4 z 5 AR() relación de primer orden AR(2) relación de z z 2 z 3 z 4 z 5 primer orden y directa de segundo orden

70 FAS de un AR(2) FAS de un AR(2) z t = φ z t- + φ 2 z t-2 + a t Utilizando el operador de retardos: Bz t =z t- B 2 z t =z t-2... B k z t =z t-k (- φ B- φ 2 B 2 )z t = a t

71 (- φ B- φ 2 B 2 )z t = a t Se denomina polinomio característico y el aspecto del AR(2) depende de las soluciones de la ecuación Las soluciones (2), pueden ser: Reales positivas Reales negativas Imaginarias conjugadas - φ B- φ 2 B 2 =0

72 Un AR(2) es estacionario Un AR(2) es estacionario (- φ B- φ 2 B 2 )z t = a t Si las raíces del polinomio característico son mayores que en Módulo: Reales: Mayores que en valor absoluto Imaginarias: Módulo mayor que.

73 Dos raíces reales positivas: Cada raíz real positiva aporta a las FAS una estructura decreciente de palos como la de un AR() con φ positivo. La FAS del AR(2) con raíces positivas será la superposición de dos estructuras decrecientes y positivas.

74 Dos raíces reales negativas: Cada raíz real positiva aporta a las FAS una estructura decreciente de palos alternados como la de un AR() con φ negativo. La FAS del AR(2) con raíces negativas será:

75 Dos raíces imaginarias conjugadas: Estructura sinusoidal FAS Autocorrelations

76 AR(p) z t = φ z t- + φ 2 z t φ p z t-p + a t Una observación recibe influencia directa de las p anteriores. z t-p z t-2 z t- z t (+ φ B+ φ 2 B φ p B p )z t = a t

77 Un AR(p) es estacionario si: Un AR(p) es estacionario si: (- φ B- φ 2 B φ p B p )z t = a t Todas las raíces reales del polinomio característico son mayores que en valor absoluto. Las imaginarias mayores que en módulo.

78 FAS del AR(p) FAS del AR(p) Cada raíz real positiva aporta una estructura decreciente de palos positivos Cada raíz real negativa aporta una estructura decreciente de palos de signos alternados Cada pareja de conjugadas aporta una estructura sinusoidal. Tremendo follón

79 LA FAS tiene un problema LA FAS tiene un problema Proporciona la influencia TOTAL de una observación sobre las siguientes pero no puede distinguir entre estas situaciones z z 2 z 3 z 4 z 5 z z 2 z 3 z 4 z 5

80 LA FAS tiene un problema LA FAS tiene un problema z z 2 z 3 z 4 z 5 Influencia directa de orden Influencia directa de orden y de orden 2 z z 2 z 3 z 4 z 5

81 Solución: FAP Solución: FAP La Función de Autocorrelación Parcial proporciona las relaciones directas entre observaciones. Para un AR() dará un palo Para un AR(2) dará dos palos Para un AR(p) dará p palos

82 FAS y FAP de un AR() fi positivo FAS y FAP de un AR() fi positivo

83 FAS y FAP de un AR() fi negativo FAS y FAP de un AR() fi negativo

84 Fas y Fap de AR(2) fi positivo Fas y Fap de AR(2) fi positivo

85 Fas y Fap de AR(2) raíces imaginarias FAS Autocorrelations FAP

86 Ejercicios: Qué puede ser esto?

87 Time Series Plot for var var 3,5 2,5,5 0,5-0,5 -,5-2, Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var

88 Time Series Plot for var2 3,6 2,6,6 var2-0,4 -,4-2, Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var

89 Time Series Plot for var3 5,8 3,8 var3,8-2,2-4, Estimated Autocorrelations for var3 Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var

90 Time Series Plot for var4 3,6 2,6,6 var4-0,4 -,4-2, Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var

91 Time Series Plot for var5 5,4 3,4 var5,4 - -2, Estimated Autocorrelations for var5 Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var

92 Time Series Plot for var6 8 5 var Estimated Autocorrelations for var6 Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var

93 Time Series Plot for var7 var Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var

94 Time Series Plot for var8 var8 3,7 2,7,7 0,7-0,3 -,3-2, Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var

95 Time Series Plot for var var Estimated Autocorrelations for var Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var

96 Time Series Plot for var var 3,5 2,5,5 0,5-0,5 -,5-2, Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var

97 Series no estacionales Modelos de Media Móvil

98 Gráfico de la serie 4,9 2,9 var7 0,9 -, -3, FAS Autocorrelations FAS Partial Autocorrelations - - FAP

99 Modelos AR y MA Modelos AR y MA Los procesos autorregresivos modelizan bien series en en las que un un impacto del exterior va va absorbiéndose lentamente. La absorción del impacto puede durar muchos periodos. Hay series en en las que la la absorción de de los impactos se se hace muy rápidamente: tienen incidencia durante uno o dos periodos pero luego la la serie vuelve su su comportamiento normal.

100 Modelos AR y MA Modelos AR y MA Ejemplo: volumen de tráfico aéreo. La necesidad de viajar es grande. Empresas, turismo... Si ocurre un impacto sobre este mercado suele durar poco tiempo: Guerra del golfo. de septiembre. Sufren una bajada de pasajeros pero se recuperan pronto

101 Modelos MA Modelos MA Los modelos MA están diseñados para absorber los impactos rápidamente. El MA() los absorbe en un periodo. Es decir si en el periodo 23 ocurre un impacto que hace que la serie sufra un desplazamiento, ese impacto se absorbe en el periodo 24. En el periodo 25 la serie está de nuevo a su nivel normal. El proceso MA(2) absorbe el impacto en dos periodos. Volvería su nivel normal en la observación 26.

102 Modelo MA() Modelo MA() El proceso de media móvil de primer orden tiene una ecuación z t = a t - θ a t- donde a t se denomina la innovación y representa los efectos externos a la serie. Si un proceso es MA(), sus valores estarán formados por los efectos externos muy recientes, el actual a t y el inmediatamente anterior a t-. El proceso MA tiene memoria corta, y absorbe rápidamente los impactos.

103 Absorción de impactos en un MA() Serie AR() con ρ = 0.9 y un proceso MA() con θ = 0.9. En el período 50 les viene un impacto externo muy grande. El impacto puede verse en el salto que da la serie. La serie AR, tarda en volver a su nivel, mientras que la serie MA vuelve inmediatamente, en dos observaciones.

104 FAS y FAP del MA() FAS y FAP del MA() Son como las de un AR() pero cambiadas Estructura en la FAP y un palo en la FAS: Theta positivo: palos hacia abajo del mismo signo Theta negativo: Palos alternados, positivo-negativo...

105 MA() Gráfico de la serie 4,9 2,9 var7 0,9 -, -3, FAS Autocorrelations FAS Autocorrelations - - FAS

106 MA(2) El proceso de media móvil de orden 2 MA(2) tiene la siguiente ecuación: z t = a t - θ a t- - θ 2 a t-2 y tarda 2 períodos en absorber los impactos. Su FAS tendrá 2 palos significativos, y su FAP tendrá un decrecimiento.

107 MA(2) (X,E7) 8 Serie FAS Autocorrelations Partial Autocorrelations - - FAP

108 MA(q) El proceso de media móvil de orden superior MA(q) tiene la siguiente ecuación: z t = a t - θ a t- - θ 2 a t-2 - -θ q a t-q y tarda q períodos en absorber los impactos. Su FAS tendrá q palos significativos, y su FAP tendrá un decrecimiento.

109 MA(q) con el operado retardo B MA(q) con el operado retardo B z t = a t - θ a t- - θ 2 a t-2 - -θ q a t-q Como B a t =a t- y B k a t =a t-k aplicando el operador de retardos: z t = a t -θ Ba t - θ 2 B 2 a t - -θ q B q a t z t = (θ B - θ 2 B 2 - -θ q B q )a t

110 MA versus AR MA versus AR AR: tardan en absorber los impactos MA: absorben los impactos rápidamente. FAS: AR: Mucha estructura decreciente MA: Pocos palos FAP: AR: Pocos palos MA: Mucha estructura decreciente

111 Ejercicios: Qué puede ser esto?

112 Time Series Plot for var var 3,5 2,5,5 0,5-0,5 -,5-2, Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var

113 Time Series Plot for var2 3,6 2,6,6 var2-0,4 -,4-2, Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var

114 Time Series Plot for var3 5,8 3,8 var3,8-2,2-4, Estimated Autocorrelations for var3 Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var

115 5 Time Series Plot for var3 3 var Estimated Autocorrelations for var3 Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var

116 var4 3,5 2,5,5 0,5-0,5 -,5-2,5 Time Series Plot for var Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var

117 var5 3,4 2,4,4 0,4 - -,6-2,6 Time Series Plot for var Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var

118 5 Time Series Plot for var6 3 var Estimated Autocorrelations for var6 Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var

119 Time Series Plot for var4 3,6 2,6,6 var4-0,4 -,4-2, Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var

120 4,9 Time Series Plot for var7 2,9 var7 0,9 -, -3, Estimated Autocorrelations for var7 Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var

121 5,5 Time Series Plot for var9 3,5 var9,5-0,5-2,5-4, Estimated Autocorrelations for var9 Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var

122 var3 (X,E6) Time Series Plot for var Estimated Autocorrelations for var3 Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var

123 Time Series Plot for var5 5,4 3,4 var5,4 - -2, Estimated Autocorrelations for var5 Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var

124 Time Series Plot for var6 8 5 var Estimated Autocorrelations for var6 Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var

125 Time Series Plot for var7 var Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var

126 Time Series Plot for var8 var8 3,7 2,7,7 0,7-0,3 -,3-2, Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var

127 Time Series Plot for var var Estimated Autocorrelations for var Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for var

128 Time Series Plot for var var 3,5 2,5,5 0,5-0,5 -,5-2, Autocorrelations - - Estimated Autocorrelations for var Partial Autocorrelations - - Estimated Partial Autocorrelations for var

129 Modelos ARMA Modelos ARMA Muchas veces encontramos series que tienen parte AR y parte MA. La parte MA modeliza la absorción de impactos. La parte AR el efecto residual. AR()+MA()=ARMA(,) AR(p)+MA(q)=ARMA(p,q)

130 Modelos ARMA(p,q) Modelos ARMA(p,q) La FAS de un ARMA(p,q): Los primeros q palos dependen de la parte MA. Estos palos le van a permitir a la serie absorber rápidamente los impactos externos. A partir del retardo q se producirá un decrecimiento de los palos que vendrá dado por la estructura AR. La FAP de un ARMA(p,q): Los primeros p palos de la FAP dependen de la parte AR. A partir del retardo p se producirá un decrecimiento de los palos que vendrá dado por la estructura MA. Resumiendo la FAS y FAP de los procesos ARMA(p,q) tienen estructura en ambas funciones.

131 Modelos ARMA(p,q) Modelos ARMA(p,q) Un Un buen criterio para seleccionar modelos es es decidir dónde hay hay más más estructura. Si Si hay hay más más en en la la FAS y en en la la FAP hay hay uno uno o dos dos palos tendremos un un modelo AR. AR. Si Si hay hay más más en en la la FAP y en en la la FAS hay hay uno uno o dos dos palos estaremos ante un un MA MA Si Si en en ambas funciones hay hay mucha estructura, estaremos ante modelos ARMA.

132 Modelos ARMA Modelos ARMA (X,E7) 5,2 Gráfico de la serie 3,2,2-0,8-2,8-4, FAS Autocorrelations - Estructura FAS FAP Partial Autocorrelations Estructura

133 Modelos ARMA(p,q) en forma de polinomio AR(p): (+ φ B+ φ 2 B φ p B p )z t = a t MA(q): z t = (-θ B - θ 2 B 2 - -θ q B q )a t (+ φ B+ φ 2 B φ p B p )z t =(-θ B - θ 2 B 2 - -θ q B q )a t ARMA(p,q) (+ φ B)z t =(-θ B)a t ARMA(,)

134 Modelos ARMA(p,q) en forma de polinomio (+ φ B+ φ 2 B φ p B p )z t =(-θ B - θ 2 B 2 - -θ q B q )a t ARMA(p,q) (+ φ B+ φ 2 B 2 )z t =(-θ B)a t ARMA(2,) (+ φ B)z t =(-θ B - θ 2 B 2 )a t ARMA(,2) (+ φ B+ φ 2 B 2 )z t =(-θ B - θ 2 B 2 )a t ARMA(2,2)

135 Series no estacionarias Modelos ARIMA(p,d,q)

136 Cotizaciones de IBM 60 IBM 570 ibm FAS ibm Autocorrelations Partial Autocorrelations - - FAP ibm

137 IBM con una diferencia 25 adjusted ibm Tomando una diferencia FAS adjusted ibm Estacionario y sigue un MA(): La serie IBM con una diferencia Autocorrelations Partial Autocorrelations ARIMA(p,d,q): q: orden del MA sigue un MA() o ARMA(0,). - IBM - sigue un ARIMA(0,,) p: orden del autorregresivo FAP adjusted ibm - - d: Número de diferencias que hemos tenido que tomar para que la serie sea estacionaria

138 Estimación Una vez identificada la serie, es decir, cuando se conoce el modelo ARIMA (p,d,q) que puede seguir, es preciso estimar los parámetros. La estimación de modelos ARIMA es compleja y utiliza algoritmos de optimización no lineales para calcular los valores de los parámetros utilizando el método de máxima verosimilitud. El resultado de la estimación es una tabla análoga a la de regresión. Esta tabla proporciona los valores estimados de los parámetros, sus errores estándar y estadísticos t.

139 Vamos a ajustar un modelo a la serie de IBM IBM no es estacionaria debido a su tendencia. Tomamos por tanto una diferencia regular a la serie IBM. Una serie a la que se le ha tomado una diferencia regular se representa mediante una. La serie IBM con una diferencia será, por tanto, IBM.

140 25 Recordando IBM Recordando IBM IBM con una diferencia adjusted ibm FAS adjusted ibm IBM es un ARIMA(0,,) Autocorrelations Partial Autocorrelations - - FAP adjusted ibm

141 ARIMA Model Summary Parameter Estimate Stnd. Error t MA() , ,97974 Mean,2023 0,583698,999 Constant, IBM t = a t a t- Std. Error (0.09) T (-2.97) El ajuste indica que θ es significativamente distinta de 0, ya que la t es mayor que 2 en valor absoluto. Si hubiésemos estimado un MA(2), la ecuación obtenida habría sido IBM t = a t a t a t-2 Std. Error (0.09) (0.09) T (-2.46) (0.75) que indica que θ 2 no es significativa.

142 El proceso de estimación consiste en encontrar los valores numéricos para los parámetros que mejor se ajusten a nuestros datos. En nuestro caso vemos que IBM sigue un modelo MA(). Al probar el MA(2) el valor de θ 2 no sale significativo. Esto equivale a pensar que θ 2 vale realmente cero: θ 2 =0.

143 Diagnosis Serie con estructura Modelo Correcto Serie sin estructura

144 Diagnosis Si una serie está bien identificada, y se le ajusta el modelo correcto, los residuos de la serie deben carecer completamente de estructura.

145 Diagnosis Si la serie está bien ajustada sus residuos deben ser ruido blanco.. FAS y FAP de los residuos. Serie está bien ajustada, FAS y la FAP de los residuos debe ser nula. En la práctica debemos comprobar que los palos de las funciones no son significativos. 2. Test de Box-Pierce Proporciona información sobre si los primeros palos de la función de autocorrelación simple de los residuos son cero o no 3. Test de rachas y estructuras extrañas en los residuos.

146 Diagnosis IBM Diagnosis IBM Autocorrelations - - Residual Autocorrelations for adjusted ibm ARIMA(0,,) with constant Partial Autocorrelations - - Residual Partial Autocorrelations for adjusted ibm ARIMA(0,,) with constant

147 Diagnosis IBM Diagnosis IBM El test de Box-Pierce para los 24 primeros palos de la FAS da un valor de 8.63 con un p-valor de Este resultado debe interpretarse como que no hay evidencia para rechazar que los residuos sean ruido blanco. El test de Box-Pierce indica problemas cuando el p-valor se hace menor de Cuanto mayor sea, hay más evidencia a favor de que los residuos son ruido blanco. Finalmente los test de rachas no indican nada anormal en los residuos. Podemos por tanto asumir que el modelo ARIMA (0,, ) es adecuado para modelizar los datos de IBM.

148 Ejercicios: Qué puede ser esto?

149 (X 0000) 76 Time Series Plot for Nacidos Espania Nacidos Espania Con una diferencia adjusted Nacidos Espania (X 000) Time Series Plot for adjusted Nacidos Espania

150 Nacidos con dos diferencias Nacidos con dos diferencias adjusted Nacidos Espania (X 000) Time Series Plot for adjusted Nacidos Espania

151 Con una diferencia adjusted Nacidos Espania (X 000) Time Series Plot for adjusted Nacidos Espania Autocorrelations - - Estimated Autocorrelations for adjusted Nacidos Espania Partial Autocorrelations - - Estimated Partial Autocorrelations for adjusted Nacidos Espania ARIMA(2,,0) o ARIMA(,,)

152 Con dos diferencias adjusted Nacidos Espania (X 000) Time Series Plot for adjusted Nacidos Espania Autocorrelations - - Estimated Autocorrelations for adjusted Nacidos Espania Estimated Partial Autocorrelations for adjusted Nacidos Espania Partial Autocorrelations ARIMA(,)

153 ARIMA(,,) ARIMA Model Summary Parameter Estimate Stnd. Error t P-value AR() 0, , , , MA() 0, ,9563 3, , Mean 78, ,55 0, ,99283 Constant 7, Residual Autocorrelations for adjusted (Nacidos en Espania) ARIMA(,,) with constant Autocorrelations Box-Pierce Test Test based on first 6 autocorrelations Large sample test statistic = 6,9267 P-value = 0, Partial Autocorrelations - - Residual Partial Autocorrelations for adjusted (Nacidos en Espania) ARIMA(,,) with constant Period Forecast Limit Limit , , , ,0 2002, , , ,0 2003,0 456, , ,0

154 ARIMA(2,,0) ARIMA Model Summary Parameter Estimate Stnd. Error t P-value AR() ,325 2, , AR(2) 0, ,344 2, , Mean -729,3 5792, ,76663 Constant -553, Residual Autocorrelations for adjusted (Nacidos en Espania) ARIMA(2,,0) with constant Autocorrelations Box-Pierce Test Test based on first 6 autocorrelations Large sample test statistic = 6,32892 P-value = 0, Partial Autocorrelations - - Residual Partial Autocorrelations for adjusted (Nacidos en Espania) ARIMA(2,,0) with constant Period Forecast Limit Limit , , , ,0 2002, , , ,0 2003,0 4958, , ,0

155 ARIMA(,) Parameter Estimate Stnd. Error t P-value MA() ,723 0,00000 Mean -77, ,09-0, ,96436 Constant -77, Residual Autocorrelations for adjusted (Nacidos en Espania) ARIMA(,) with constant Autocorrelations Partial Autocorrelations - - Residual Partial Autocorrelations for adjusted (Nacidos en Espania) ARIMA(,) with constant Box-Pierce Test Test based on first 6 autocorrelations Large sample test statistic = 6,2358 P-value = 0,97559 Lower 95,0% Upper 95,0% Period Forecast Limit Limit , , , ,0 2002, , , ,0 2003, , , ,0

156 Series estacionales

157 PASOS para ajustar una serie No estacional. Gráfico de la serie: Es estacionaria? 2. FAS Y FAP de la serie: Es estacionaria? 3. Identificación del modelo ARIMA(p,d,q) 4. Ajuste de la serie 5. Diagnosis de la serie: Residuos Ruido Blanco Predicciones

158 PASOS para ajustar una serie estacional. Gráfico de la serie: Es estacionaria? CICLO 2. FAS Y FAP de la serie: Es estacionaria? 3. Identificación del modelo ARIMA(p,d,q)x(P,D,Q) s 4. Ajuste de la serie 5. Diagnosis de la serie: Residuos Ruido Blanco Predicciones

159 IPI Inglaterra IPI Inglaterra Time Series Plot for ipi ipi No es estacionaria: Tiene ciclo y tendencia

160 Time Series Plot for ipi ipi Estimated Autocorrelations for ipi Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for ipi

161 Quitamos la tendencia: Diferencia de orden IPI 25 Time Series Plot for adjusted ipi adjusted ipi Serie sin tendencia pero con ciclo. Hay que tomar una diferencia estacional Autocorrelations FAS FAP Partial Autocorrelations

162 Quitamos la tendencia: Diferencia de orden estacional 2 IPI 0 IPI con diferencia estacional 7 adjusted ipi Serie con tendencia pero sin ciclo. Hay que tomar una diferencia regular Autocorrelations - FAS FAP Partial Autocorrelations

163 Con una diferencia regular y una estacional: 2 IPI 8 IPI con diferencia estacional y otra regular adjusted ipi Serie estacionaria FAS Autocorrelations Partial Autocorrelations - - FAP

164 Características de las series estacionales Las series estacionales tienen una estructura de dependencia estacional que se caracteriza porque un periodo de un año actúa sobre el periodo equivalente del año siguiente directamente

165 Características de las series estacionales Las series estacionales tienen una estructura de dependencia estacional que se caracteriza porque un periodo de un año actúa sobre el periodo equivalente del año siguiente directamente Marzo 995 Marzo 996 Marzo 997 Marzo 998

166 Características de las series estacionales Las series estacionales tienen una estructura de dependencia estacional que se caracteriza porque un periodo de un año actúa sobre el periodo equivalente del año siguiente directamente Marzo 995 Marzo 996 Marzo 997 Marzo 998 los meses de marzo se influyen directamente sin necesidad de pasar por todos los meses intermedios del año

167 En definitiva, en las series estacionales existe una cadena de influencia adicional de cada periodo actuando sobre su equivalente del año siguiente: z z 3 z t-2 z t z t+2

168 Se distinguen entonces dos tipos de estructuras de influencia:. Estructura Regular: se refiere a la relación entre una observación y las siguientes consecutivas. Corresponde a los modelos ya estudiados. Ajustaremos la parte regular mediante un modelo ARIMA (p,d,q). z z 2 z t- z t z t+ 2. Estructura Estacional: se refiere a la relación entre periodos equivalentes actuando directamente. Ajustaremos modelos ARIMA estacionales. z z 3 z t-2 z t z t+2

169 Si tuviéramos datos trimestrales (Estacionalidade orden 4) la cadena de dependencia sería: z z 5 z t-4 z t z t+4

170 Modelos AR, MA y ARMA estacionales Modelos Autorregresivos: Modelos de media móvil: AR() S AR(2) S AR(P) S MA() s Modelos ARMA: MA(Q) s ARMA(P,Q) s Seguimos

171 AR() s AR() s El modelo autorregresivo de primer orden estacional AR() S sigue una ecuación: z t = Φ z t-s + a t es decir que la observación actual, z t, depende de la equivalente del año anterior z t-s y un ruido blanco. Si los datos fueran mensuales la ecuación sería: z t = Φ z t-2 + a t enero de un año se vería directamente afectado por enero del año anterior.

172 En forma polinómica, el modelo AR() S tiene la expresión: (- ΦB S ) z t = a t y tal como ocurre en el modelo AR() regular, este modelo será estacionario si las raíces del polinomio - ΦB 2 =0 están dentro del círculo unidad. Esto equivale a que Φ<.

173 FAS del AR() Estacional FAS del AR() Estacional La FAS de un AR() S es idéntica a la de un AR() regular, es decir tiene la estructura decreciente de palos, bien positivos o bien alternados según Φ sea positivo o negativo.. La única diferencia es que los palos están separados por S retardos. Es decir el primer palo aparece en el retardo S, el segundo en el 2S y así sucesivamente. Si la serie tiene estacionalidad 2 el primer palo aparecerá en el retardo 2, el segundo en el 24 y así sucesivamente. Si tiene estacionalidad 4 los palos estarían en los retardos 4, 8, 2 etc.

174 Fas AR() 2 Fas AR() 2 Igual que el AR() pero como si el eje fuera de goma y estirásemos

175 Fap AR() 2 Fap AR() 2 Igual que el AR() pero como si el eje fuera de goma y estirásemos Volver

176 AR(2) Estacional AR(2) Estacional Los modelos AR estacionales de orden superior a uno siguen la misma pauta que el modelo regular correspondiente. El AR(2) S tiene una ecuación: En forma polinómica: z t = Φ z t-s + Φ 2 z t-2s+ a t (- Φ B S -Φ 2 B 2S ) z t = a t Si tuviera estacionalidad mensual: z t = Φ z t-2 + Φ 2 z t-24 + a t En forma polinómica: (- Φ B 2 -Φ 2 B 24 ) z t = a t El modelo será estacionario cuando las raíces de - Φ B S -Φ 2 B 2S =0 estén fuera del círculo unidad.

177 FAS y FAP AR(2) 2 2 con raices positivas FAS FAP

178 FAS y FAP AR(2) s FAS y FAP AR(2) s Raíces negativas: Palos alternados separados por 2 retardos Raíces imaginarias: Estructura sinusoidal separada por 2 retardos FAP Siempre dos palos en los retardos 2 y 24 (S y 2S) Volver

179 AR(P) s AR(P) s Los modelos AR estacionales de orden superior a uno siguen la misma pauta que el modelo regular correspondiente. El AR(2) S tiene una ecuación: z t = Φ z t-s + Φ 2 z t-2s+.+ Φ P z t-ps +a t En forma polinómica: (- Φ B S -Φ 2 B 2S -.-Φ P B PS ) z t = a t El modelo será estacionario cuando las raíces de: -Φ B S -Φ 2 B 2S -.-Φ P B PS =0 estén fuera del círculo unidad.

180 FAS y FAP del AR(P) s FAS y FAP del AR(P) s La FAS del AR(P) S tendrá estructura decreciente de palos en los retardos estacionales. La FAP tendrá palos significativos en los P primeros retardos estacionales: S,2S... Volver

181 MA() El modelo de media ecuación de primer orden estacional MA() S sigue una ecuación: z t = a t -Θa t-s Si los datos fueran mensuales la ecuación sería: z t = a t -Θa t-2 En forma polinómica, el modelo MA() S tiene la ecuación: z t = (-ΘB S )a t

182 FAS y FAP MA() 2 FAS y FAP MA() 2 FAS FAP Volver

183 MA(Q) Los modelos MA de orden superior estacionales se comportan de forma equivalente al MA regular del mismo orden. Su ecuación será: z t = a t -Θ a t-s -Θ 2 a t-2s - -Θ Q a t-qs y en forma polinómica z t = (-Θ B S -Θ 2 B 2S - -Θ Q B QS )a t

184 MA(Q) La FAS y la FAP serán como las del MA(q) pero con los palos en los retardos estacionales: ❿ ❿ FAS: Tendrá Q palos en los retardos estacionales FAP: Estructura decreciente en los retardos estacionales. Volver

185 ARMA(P,Q) s ARMA(P,Q) s La ecuación de un ARMA(,) S será: z t = Φ z t-s +a t -Θ a t-s y en forma de polinomio: (- Φ B S ) z t = (-Θ B S )a t En general, el ARMA(P,Q) S tendrá la ecuación (- Φ B S -Φ 2 B 2S -.-Φ P B PS ) z t = (-Θ B S -Θ 2 B 2S - -Θ Q B QS )a t Volver

186 ARIMA(P,D,Q) s o ARIMA(P.D.Q) 2 ARIMA(P,D,Q) s o ARIMA(P.D.Q) 2 Si la serie tiene ciclo y no es estacionaria, hay que tomar una diferencia estacional. Si tenemos datos mensuales esta diferencia es de orden 2. 2 z es estacionaria. 2 z representa una diferencia de orden 2 para z Si una serie necesita una diferencia de orden 2 para perder el ciclo y luego sigue un ARMA(P,Q) en la parte estacional... ENTONCES LA SERIE ES UN ARIMA(P,,Q) 2

187 ARIMA(P,D,Q) 2 LA serie necesita D diferencias para perder el ciclo. La serie sin ciclo es ARMA(P,Q) 2

188 Interacción entre la parte regular y la estacional Modelo regular Ene 99 Feb 99 Mar Dic 99 Ene 00 Feb 00

189 Interacción entre la parte regular y la estacional Modelo regular y estacional Ene 99 Feb 99 Mar Dic 99 Ene 00 Feb 00

190 Interacción entre la parte regular y la estacional Modelo regular y estacional Ene 99 Feb 99 Mar Dic 99 Ene 00 Feb 00

191 Interacción entre la parte regular y la estacional Modelo regular y estacional Ene 99 Feb 99 Mar Dic 99 Ene 00 Feb 00

192 Interacción. Hay que modelizar la parte regular : Y también la parte estacional: ARIMA(p,d,q) El resultado es; ARIMA(P,D,Q) S ARIMA(p,d,q) x ARIMA(P,D,Q) S

193 Modelo estacional Modelo estacional El modelo conjunto se denomina ARIMA(p,d,q)x(P,D,Q) S. Esta nomenclatura indica:. La serie ha necesitado d diferencias regulares para ser estacionaria. 2. La serie ha necesitado D diferencias de orden S para ser estacionaria 3. Por tanto, la serie d D SZ es estacionaria. 4. La parte regular de la serie estacionaria d D SZ sigue un modelo ARMA(p,q 5. La parte estacional de la serie estacionaria d D S Z sigue un modelo estacional ARMA(P,Q) S

194 FAS y FAP de los modelos estacionales y regulares Vamos a hacerlos

195 IPI Inglaterra IPI Inglaterra Time Series Plot for ipi ipi No es estacionaria: Tiene ciclo y tendencia

196 Time Series Plot for ipi ipi Estimated Autocorrelations for ipi Autocorrelations Partial Autocorrelations - - Estimated Partial Autocorrelations for ipi

197 Quitamos la tendencia: Diferencia de orden IPI 25 Time Series Plot for adjusted ipi adjusted ipi Serie sin tendencia pero con ciclo. Hay que tomar una diferencia estacional Autocorrelations FAS FAP Partial Autocorrelations

198 Quitamos la tendencia: Diferencia de orden estacional 2 IPI 0 IPI con diferencia estacional 7 adjusted ipi Serie con tendencia pero sin ciclo. Hay que tomar una diferencia regular Autocorrelations - FAS FAP Partial Autocorrelations

199 Con una diferencia regular y una estacional: 2 IPI 8 IPI con diferencia estacional y otra regular adjusted ipi Serie estacionaria FAS Autocorrelations Partial Autocorrelations - - FAP

200 Con una diferencia regular y una estacional: 2 IPI 8 IPI con diferencia estacional y otra regular adjusted ipi FAS Parte regular Primeros retardos Autocorrelations Partial Autocorrelations FAP

201 Con una diferencia regular y una estacional: 2 IPI 8 IPI con diferencia estacional y otra regular adjusted ipi FAS Parte estacional Retardos estacionales Autocorrelations Partial Autocorrelations FAP

202 2 IPI FAS Autocorrelations Partial Autocorrelations - - FAP

203 2 IPI FAS Autocorrelations REGULAR: AR(2) ESTACIONAL: MA() 2 FAP Partial Autocorrelations ARIMA(2,,0)x(0,,) 2

204 Estimamos un ARIMA(2,,0)x(0,,) 2 ARIMA Model Summary Parameter Estimate Stnd. Error t P-value AR() -0, , ,3026 0, AR(2) 794 0, ,0282 0, SMA() 0, , ,77 0, Mean -0, , , , Constant -0, Este resultado nos dice que φ =-0.56, φ 2 =-0.27 y Θ=0.89. Los estadísticos t indican que los tres parámetros son significativos El modelo se escribe en forma polinómica: (+0.56B+0.27B 2 ) 2 IPI=(-0.89B)a t (-6.30) (-3.02) (29.7)