ARIMA
ARIMA
ARIMA
Un modelo ARMA(p, q) para que se útil como medio para realizar predicciones de corto
plazo debe presentar un conjunto de propiedades estadísticas deseables como las
siguientes.
Residuos ruido blanco. Para ello se puede realizar un prueba global como el estadístico
Q de Ljung-Box, donde la hipótesis a contratarse es: 𝐻0 : 𝜌1 = 𝜌2 = ⋯ = 𝜌𝑚 = 0 versus la
alternativa de que algunos de estos coeficientes es diferente de 0. Es estadísticos esta dado
𝜌̂2
por Q = n(n+2)∑𝑚
𝑘=1 𝑛−5 cuya distribución es una chi-cuadrada con m-p grados de liberdad.
𝑘
También es útil examinar los residuos del modelo que deberían presentar un
componente aleatorio. Además, permite apreciar la presencia de residuos atípicos. Es decir
aquellos errores que superan de manera significante a la desviación estándar del modelo.
Se deben someter a prueba empírica mediante el test de jarque- bera.
𝑛 − 𝑘 2 (𝐾 − 3)2
𝐽𝐵 = (𝐴 + )
6 4
𝑐𝑜𝑣(∅𝑖 , ∅𝑖 )
𝑅(∅𝑖 , 𝜃𝑗 ) = ∀𝑖 ≠ 𝑗
[𝑣𝑎𝑟(∅𝑖 )𝑣𝑎𝑟(∅𝑖 )]
5.4 predicción
Una vez que el modelo estimado cuenta con las propiedades deseables esta en
condiciones para ser utilizado para la predicción. Si la serie pronosticarse es estacionaria
por lo que se tuvo que transformar.
Un criterio para realizar predicción es utilizar aquella que tiene el mínimo erro
cuadrático medio
Por otra parte, dado que en la práctica únicamente disponemos de una muestra
(realización del proceso estacionario) no es posible contar con coeficientes de
autocorrelacion poblacional, sino solamente contamos con su muestra es decir.
∑𝑛−𝑘
𝑡=1 (𝑦𝑡 − 𝑦
̂)(𝑦𝑡−𝑘 − 𝑦̂)
𝜌
̂𝑘 =
∑𝑛𝑡=1(𝑦𝑡 − 𝑦̂)2
Cuyos valores esta acotados en el rango [0.1] y está exento de unidad de medida
Los coeficientes de autocorrelacion de los procesos autocorregresivos se
caracterizan por presentar un decrecimiento tipo geométrico o sinusoidal,
mientras que para los modelos de medio móvil se cortan a partir del rezago q, es
decir. 𝑝
̂𝑘 = 0 ∀𝑘 > 𝑞.
Función de autocorrelaccion parcial: mide el grado de correlación del proceso en
un o periodo t consigo mismo pero en otro periodo, digamos t-k, descontando el
efecto de rezagos intermedios sobre el mismo.
4. Defina:
a) Error Cuadrático Medio:rx
b) Raíz del Error Cuadrático Medio c) Error Medio Absoluto y d) Coeficiente de Theil.
Compárelos como criterios de calidad de pronóstico.
5. ¿En qué consiste el método de validación cruzada?
Queremos saber si 𝑧𝑡 es débilmente exógena para los parámetros de interés 𝜏1 Debe cumplir
2 condiciones;
𝜔 = ∫(𝜏1 )
Exogeneidad fuerte:
Has 3 condiciones
a) 𝑧𝑡 debe ser exogeneidad en sentido débil para los parámetros de interés 𝜔
b) La 𝑦𝑡 𝑛𝑜 𝑑𝑒𝑏𝑒 𝑐𝑢𝑎𝑙𝑖𝑑𝑎𝑑 𝑒𝑛 𝑠𝑒𝑛𝑡𝑖𝑑𝑜 𝑑𝑒 𝑔𝑟𝑒𝑛𝑔𝑒𝑟 𝑧𝑡 no hay causalidad
𝐷(𝑧𝑡 |𝑥𝑡−1 , 𝜔) = 𝐷(𝑧𝑡 |𝑧𝑡−1 , 𝜏0 , 𝜏1 )
Los modelos VAR en su forma reducida están parametrizados porque hay rezagos no
significativos.
Paso 3) test ADF a los residuos de largo plazo sin constante con los valores críticos
makinum
𝐻0 : 𝜑 = 0 ∄𝑐𝑜𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑐𝑖ó𝑛
𝐻𝑎 : 𝜑 ≠ 0 ∃𝑐𝑜𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑐𝑖ó𝑛
14. ¿En qué consiste el término de corrección de errores? y ¿Qué nos dicen los coeficientes
de velocidad de ajuste de un MCE?
El termino de corrección de errores muestra la relación de equilibrio de largo plazo de
variables contemporáneas o que el sistema se encuentre en equilibrio o el desequilibrio
de errores.
Coeficiente de velocidad: nos indica por porcentaje de desequilibrio va despareciendo
si esta por el rango 0 significa que el desequilibrio se desaparece lentamente, por el
rango 1 ajuste rápido.
15. ¿Cuáles son las ventajas de aplicar el test de cointegración de Johansen versus el de
Engle - Granger?
Ventajas de Engle - Granger
Simplicidad
Desventajas de Engle – Granger
Sensible a la normalidad
n>2 múltiples variables puede existir múltiples de integración el número de
cointegracion es <4
es una metodología en 2 etapas no acepta errores porque contagia al siguiente paso
16. ¿Cuáles son las hipótesis nula del el estadístico traza y el estadístico máximo eigen valor
en la prueba de cointegración de Johansen, cuando se prueba cointegracion de tres
variables?