introducciÓn a las series de tiempo dr. luis miguel galindo
TRANSCRIPT
INTRODUCCIÓN A LAS SERIES DE TIEMPO
Dr. Luis Miguel Galindo
INTRODUCCIÓN
Los modelos de series de tiempo buscan capturar características empíricas relevantes de los datos observados
ARIMA
Las series de tiempo sirven para validar modelos estructurales a ante su inexistencia.
Modelos estructurales no sirven, a veces, para pronósticos fuera de la muestra
CONCEPTOS GENERALES
Una serie es estrictamente estacionaria en el caso en que la distribución de sus valores se mantienen constantes a lo largo del tiempo de modo que la probabilidad de que Yt se ubique en cierto intervalo se mantiene constante.
F(X1t, X2t,…….., Xnt) = F(X1t+1, X2t+2,…….., Xnt+1)
Una serie estacionaria débil o de covarianza estacionaria se define como:
1.1 E(Yt) = media constante
1.2 E(Yt - ) (Yt - ) = 2 varianza constante
1.3 E(Y1t - ) (Y2t - ) = 12t estructura de la autocovarianza
constante
CONCEPTOS GENERALES
2.1 Cov(Xt, Xt+s) = s = E[(Yt - ) (Yt+n - )] 2.2. coeficiente de autocorrelación
Función de autocovarianzas
2.3 s = Cov(Xt, Xt+s) Acf o correlograma =coeficientes de autocorrelación
)var()var(
),(
stt
stts XX
XXCovP
CONCEPTOS GENERALES
Ruido Blanco:
Un ruido blanco es un proceso que tiene una estructura que puede identificarse:
3.1 E(Yt) =
3.2 Var(Yt) = 2
2 si t = r3.3 t-r =
0 en otro caso
Un ruido blanco tiene media y varianza constante y autocovarianzas cero con excepción del rezago cero.
Cada observación no está autocorrelacionada
CONCEPTOS GENERALES
Bajo el supuesto de distribución normal de Yt entonces los coeficientes de autocorrelación muestral también se distribuyen normalmente:
4. s N(0, 1/T)
1.96 * T
1
CONCEPTOS GENERALES
Box Pierce (1970):
5.1
Ho: 2(m) = coeficientes de autocorrelaciónTodos los coeficientes de autocorrelación son cerom=rezagoLung – Box (1978):
5.2 2(m)
= coeficientes de autocorrelaciónLB mejores propiedades en muestras pequeñas
m
ksTBP
1
2
m
k
k
kT
pTTLB
1
2
)2(
EJERCICIO 1: Ejercicio: Determinar un AR con tasa de interés y discutir sus criterios de selección
PROCESO MA
Una serie con E(ut) = 0 y var(ut) = 2 entonces un MA es:
6. Yt = + ut + 1ut-1 + 2ut-2 + …… + qut-q
6.1
Un MA es una combinación lineal de procesos que son ruido blanco
6.2
6.3
tit
q
iit uuY
1
tt
q
i
iit uuLY
1
tt LuY
PROCESO MA
Características del MA:
7.1 Media constante: E(Yt) =
7.2 Varianza constante: Var(Yt) = 0 = (1 + 21 + 2
2 + …… + 2q)2
(s + 1s+1 + ……… + qq-s)2
7.3 Covarianza = 0 para s > q
PROCESO MA
Teorema de descomposición de Wold indica que toda serie
estacionaria débil que se extrajo el componente determinístico
puede descomponerse en una combinación lineal de una secuencia
de variables aleatorias no correlacionadas
PROCESO AR
AR(p)
8. Yt = + 1Yt-1 + 2Yt-2 + …… + pYt-p + ut
ut = ruido blanco
8.1
8.2
8.3 (L)Yt = + ut
(L) = (1 - 1L - 2L2 - …… - pLp)
tit
p
iit uyY
1
tt
p
i
iit uyLY
1
PROCESO AR
Como:
8.4 (L)Yt = ut
Entonces:
8.5 Yt = (L)-1ut
Las raíces de una ecuación característica caen fuera del círculo unitario
9. (1 - 1Z - 2Z2 - …… - pZp) = 0
PROCESO AR
Serie:
10. Yt = 3Yt-1 – 0.25Yt-2 + 0.75Yt-3 + ut
Entonces:
11. Yt = 3LYt – 0.25L2Yt + 0.75L3Yt + ut
12. (1 - 3L – 0.25L2 + 0.75L3)Yt = ut
La ecuación característica:
12.1 (1 - 3Z – 0.25Z2 + 0.75Z3) = 0
Factorizando:
12.2 (1 - Z) (1 – 1.5Z) (1 - 0.5Z) = 0
Z = 1, Z = 2/3, Z = 2
RAÍZ UNITARIA
tt
ttt
ttt
eYL
eYY
eYY
)1()2.1(
)1.1(
)1(
1
11
11
Dividiendo (1.2) por 1:
L
1
1)3.1(
La raíz de esta ecuación es el valor L (L*) que satisface que:
01
)4.1(1
L
1
1*
L
L* = La raíz de la ecuación
RAÍZ UNITARIA
Un AR(2) puede generar un I(1): Una de las raíces es 1 y la otra tiene un modulo mayor a uno para que el proceso sea estable: Ejemplo:
025.011:
)25.025.11()1.3(
25.025.1)3(
2
21
LLiónFactorizac
eYLL
eYYY
tt
tttt
41 *
2*1 LL
RAÍZ UNITARIA
tt
ttt
tt
YZ
ZZZL
aigualesEllo
eYLL
eloeldoFactorizan
125.025.01)3.3(
:
25.011)2.3(
:mod
La condición necesaria y suficiente para que la estabilidad es que las raíces del polinomio (L) = 1 - 1L - ……. - qL
q deben que tener un modulo mayor que uno.
Estabilidad Estacionariedad
Estacionariedad Estabilidad
RAÍCES Y VALORES CARACTERÍSTICOS
LILA
eYLA
eY
tt
tt
1
11
)(
)(
)1(
Estabilidad es suficiente pero no necesaria para estacionariedad
PROCESO ARMA
13. (L)Yt = + (L)ut
(L) = 1 - 1L - 2L2 - …… - pLp
(L) = 1 + 1L + 2L2 - …… + qLq
Con:
E(ut) = 0; E(u2t) = 2, E(ut us) = 0 t s
• Las características del proceso ARMA es una combinación de los AR y MA
• Condición de invertibilidad: MA || < 1
MODELOS ARMA: BOX – JENKINS
1. Identificación: Determinar el orden del modelo Método: ACF o gráficas
2. Estimación: MCO o Máxima Verosimilitud
3. Pruebas de diagnóstico: Ajuste o diagnóstico de residuales
PRONÓSTICOS EN EW
Estimación de predicciones:
• Método estático: Estima las predicciones una a una utilizando la observación anterior y los valores actuales
• Método dinámico: Estima las predicciones a partir de la primera observación del período de predicción y utiliza valores pronosticados en el caso de que existan valores rezagados de la variable endógena
• El método estructural se utiliza con los errores sistemáticos y ofrece opción estática y dinámica
De no indicarse nada las predicciones se obtienen utilizando sólo la parte estructural del modelo (ignorando las autocorrelaciones)
PRONÓSTICOS EN EW
1. Root Mean Squared Error:
2. Mean Absolute Error:
3. Mean Absolute Percent Error:
T
fRECM
i2
T
fEAM
n
i
ni
1
||
n
i i
i
Y
f
TEAMP
1
1
PRONÓSTICOS EN EW
4. Theil Inequality Coefficient:
Bias proportion
Variance proportion
Covariance proportion
T
Y
T
YT
YY
CDTtt
tt
22
2
ˆ
)ˆ(
EJERCICIO 2: PRONÓSTICOS CON ARMA
Pronóstico con ARMA de tasa de interés
INTRODUCCIÓN A LAS SERIES DE TIEMPO
Dr. Luis Miguel Galindo