Modelos ARIMA

ANÁLISIS UNIVARIANTE DE SERIES TEMPORALES

Vamos a predecir los valores futuros de una variable únicamente en base a su

comportamiento pasado.

En base a la observación de la serie temporal podemos intuir la existencia de

un comportamiento creciente, o cíclico, o cualquier otro tipo de comportamiento
sistemático.

Así intentaremos construir un modelo que reproduce el comportamiento de la

serie en el pasado, de tal forma que nos ayude a predecir su comportamiento en el
futuro.

Sobre esta base, el modelo de series temporales tiene en cuenta los

movimientos pasados de una determinada variable, y los utiliza para predecir los
movimientos futuros.

Se utilizan en predicción a corto plazo.

Rama de la estadística: Análisis de Series Temporales.

Supuesto de partida: la serie que se va a predecir ha sido generada por un

proceso estocástico (aleatorio), con una determinada estructura.

1
 Modelos ARIMA

Modelos sencillos de predicción univariante (no hacen el supuesto

anterior):

Modelo de tendencia lineal (Yt se incrementa en una cantidad constante en

cada período de tiempo)

Ejemplo:

t+1

Modelos de tendencia exponencial (cuando la tasa de crecimiento es

bastante estable a través del tiempo)

Modelo autorregresivo de primer orden (preferible al modelo exponencial,

porque permite ir modificando la predicción a medida que conocemos nuevos
valores retardados de y):

Modelos autorregresivos de orden superior

2
 Modelos ARIMA

Técnicas más complejas donde las series que se predicen fueron generadas por un
proceso estocástico.

PROCESO ESTOCÁSTICO

Familia de variables aleatorias que corresponden a momentos sucesivos del

tiempo.

Para cada momento del tiempo, un proceso estocástico es una única variable
aleatoria con una determinada distribución de probabilidad.

La determinación de las características del proceso estocástico se puede hacer a

través:

-funciones de distribución conjunta

-de los momentos

◦ La media es constante para todo t

◦ La varianza finita y constante a lo largo del tiempo
◦ La autocovarianza entre dos períodos diferentes de tiempo sólo viene
afectada por el lapso de tiempo transcurrido entre dichos dos períodos.
◦ La función de autocorrelación nos proporciona una medida cuantitativa
de la correlación entre observaciones contiguas de Yt.

Para poder efectuar inferencias sobre el proceso estocástico que generó la serie, es
necesario imponer restricciones: estacionario y ergódico.

Necesitamos que el proceso que generó la serie sea estacionario (en sentido
amplio o débilmente estacionario) y ergódico (que valores muy alejados en el
tiempo estén prácticamente incorrelacionados).
3
 Modelos ARIMA

Procesos estocásticos estacionarios:

1) Ruído blanco
2) Procesos autorregresivos de orden p
3) Procesos de medias móviles de orden q
4) Procesos mixtos ARMA (p,q)

Procesos estocásticos no estacionarios:

1) Paseo aleatorio
2) ARIMA (p,d,q)

Procesos estocásticos estacionales:

1)ARMA(P,Q)S
2)ARMA(p,q)*ARMA(P,Q)S
3)ARIMA(p,d,q)*ARIMA(P,D,Q)S

Modelos estacionales no estacionarios:

ARIMA(p,d,q)*ARIMA(P,D,Q)S

4
 Modelos ARIMA

Ruído Blanco:

; media cero, varianza constante y no existe relación entre

valores referidos a momentos distintos del tiempo.

Proceso autorregresivo de orden p, AR(p):

La observación actual es generada por una media ponderada de

observaciones anteriores que se remontan p períodos junto a una
variable ruído blanco del momento actual.

El proceso AR(p) lo podemos reescribir utilizando el operador de

retardos B,

Siendo el polinomio autorregresivo de retardos de orden p.

5
 Modelos ARIMA

Proceso de medias móviles de orden q MA(q):

Aquí cada observación de Yt es generada por una media ponderada de

una variable ruído blanco con un retardo de q períodos.

Procesos mixtos autorregresivos-medias móviles ARMA(p,q):

6
 Modelos ARIMA

Paseo aleatorio

Aquellos procesos que se pueden transformar en estacionarios mediante

la toma de diferencias de un determinado orden.

Se puede transformar en estacionario diferenciando la serie,

Modelos ARIMA (p,d,q):

En la práctica la mayoría de las series económicas no proceden de procesos

estacionarios. Pero algunos se pueden transformar en estacionarios o
aproximadamente estacionarios.

Partimos de un proceso no estacionario Yt, tomando diferencias,

El proceso integrado Yt se le denomina proceso ARIMA(p,d,q) donde I indica

integrado y d sería el nº de diferencias necesarias para obtener un proceso
estacionario.

7
 Modelos ARIMA

La expresión correspondiente a un ARIMA (p,d,q) será:

Siendo,

Es posible que el proceso estacionario que obtenemos al diferenciar la serie no

sea mixto, ed, si wt es un AR(p), Yt será un ARIMA(p,d,0); y si wt es un MA(q), Yt
será un ARIMA(0,d,q).

La toma de diferencias corrige la estacionariedad en media.

Pero puede que la serie no sea estacionaria en varianza (presencia de

fluctuaciones que varían para distintos intervalos del período muestral). En este
tipo de series es conviente realizar una transformación propuesta por Box-Cox,
que consiste en hacer una transformación logarítmica.

Procesos estocásticos estacionales.-

En la elaboración de los modelos ARIMA debemos tener en cuenta el

factor estacional cuando los datos tienen alguna oscilación periódica.

Hablamos de oscilaciones periódicas inferiores al año.

Designamos s al período estacional de tal forma que con datos

trimestrales s=4, datos mensuales s=12, …
8
 Modelos ARIMA

ARMA(P,Q)S

Si los valores de Yt sólo tienen relación con valores de Yt que distan

entre sí s períodos o múltiplos de s.

Si llamamos,

ARMA(p,q)*ARMA(P,Q)S
Componente regular y componente estacional.

donde,

9
 Modelos ARIMA

Modelos estacionales no estacionarios: ARIMA(p,d,q)*ARIMA(P,D,Q)S

En los modelos estacionales también se puede presentar un problema de

estacionariedad, de manera que con una o varias diferencias estacionales se
puede convertir la serie en estacionaria.

El modelo más general que podemos construir será:

ARIMA(p,d,q)*ARIMA(P,D,Q)S

10
 Modelos ARIMA

Elaboración de los modelos ARIMA

Consiste en la búsqueda del proceso ARIMA(p,d,q)*ARIMA(P,D,Q)S

que generó la serie objeto de estudio.

Fases:

Identificación

Estimación

Validación y Chequeo

Predicción

 Identificación.-

Tiene por objeto conocer cuáles son los valores de p,d,q (y también
de P, D, Q si existen variaciones estacionales) que mejor reflejan la
estructura del proceso en estudio.

Instrumentos:

-Gráfico de evolución temporal

-Correlograma

-Test de raíces unitarias (DF, ADF, …)

Ver si es estacionaria en media (aplicar diferencias) y en varianza

(aplicar logartimos).

11
 Modelos ARIMA

1-Los c.a. se aproximan pronto a cero:

a)los c.a. se anulan bruscamente y los c.a.p. declinan

suavemente =MA(q)

b)los c.a. declinan suavemente y los c.a.p. se anulan

bruscamente =AR(p)

c)ni los c.a. ni los c.a.p. se anulan bruscamente =ARMA(p,q)

2-Los c.a. no se aproximan pronto a cero (sin periodicidades):

ARIMA (p,d,q), incrementar el valor de d, hasta llegar a la situación

(1).

3-Los c.a. no se aproximan pronto a cero (con periodicidades):

ARIMA estacional, incrementar el valor de D, hasta llegar a las

situaciones 1 ó 4.

4-Los c.a. se aproximan pronto a cero excepto para unos pocos retardos
alejados del origen, sin periodicidades:

ARMA estacional, identificar p ,q, P y Q.

c.a.=coeficientes de autocorrelación estimados

c.a.p.=coeficientes de autocorrelación parcial

12
 Modelos ARIMA

 Estimación

Una vez seleccionadas una o varias identificaciones se

procede a la estimación máximo-verosímil de los modelos
seleccionados, obteniendo los parámetros correspondientes.

Φ(fi) θ (zeta)

Δ (delta) Γ (gamma)

Validación y chequeo

Objetivo: elaborar un modelo ARIMA que represente el

comportamiento de la serie estudiada.

Los chequeos que se efectúan son:

-contrastar la significatividad de los coeficientes estimados

-criterio AIC (Akaike Info Criterion)

-bondad del ajuste

-contrastar la hipótesis de que los residuos son ruído blanco

(Box-Pierce (1970); Ljung y Box(1978))

 La predicción.-

Una vez estimado el modelo ARIMA podemos utilizar la relación

estimada para realizar predicciones.

La evaluación de la capacidad predictiva se efectúa mediante

estadísticos como el %RECM y el U66 de Theil.
13
Modelos ARIMA

14
 Modelos ARIMA

MODELOS ARIMA

-AUTOREGRESIVE (AR)

-INTEGRATED (I)

-MOVING AVERAGE (MA)

Los modelos estadísticos para series temporales univariantes tienen en

cuenta la dependencia existente entre los datos del tiempo.

Cada observación en un momento dado es modelizada en función de los

valores anteriores.

El modelo ARIMA permite describir un valor como una función lineal de datos
anteriores y errores debidos al azar.

Box y Jenkins recomiendan >50 observaciones en la serie temporal para

modelizarla con la metodología ARIMA.

Modelizar una serie temporal consiste en derivar un modelo ARIMA que se

ajuste al conjunto de datos dado.

Proceso AR(p):

La observación actual es generada por una media ponderada de

observaciones anteriores que se remontan p períodos junto a una variable ruído
blanco del momento actual

15
 Modelos ARIMA

AR(1)

AR(2)

16
 Modelos ARIMA

Proceso MA(q):

Aquí cada observación de Yt es generada por una media ponderada de una

variable ruído blanco con un retardo de q períodos.

MA(1)

MA(2)

Proceso mixto (ARMA) (p,q):

ARMA(1,1)

17
 Modelos ARIMA

Modelo ARIMA (p,d,q)

Un modelo ARIMA (0,d,0) es una serie temporal que se convierte en ruido

blanco después de ser diferenciada d veces.

Los procesos que se pueden transformar en estacionarios mediante la toma

de diferencias de un determinado orden.

Se puede transformar en estacionario diferenciando la serie,

SERIES ESTACIONARIAS

Para que una serie temporal sea estacionaria debe de tener una media
aproximadamente constante en el tiempo (estacionariedad en media) y una
varianza también constante (estacionariedad en varianza).

En términos gráficos, una media constante supone la no existencia de

tendencia y una varianza constante corresponde a un gráfico en que las
oscilaciones alrededor de la media sean similares.

Serie: plastic

18
 Modelos ARIMA

PLASTIC
7,600

7,200

6,800

6,400

6,000

5,600

5,200

4,800

4,400
I II III IV I II III IV
1980 1981

Null Hypothesis: PLASTIC has a unit root

Exogenous: Constant
Lag Length: 5 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -2.166019 0.2201

Test critical values: 1% level -3.501445
5% level -2.892536
10% level -2.583371
D(PLASTIC)
600

400

200

-200

-400

-600
I II III IV I II III IV
1980 1981

Null Hypothesis: D(PLASTIC) has a unit root

Exogenous: Constant
Lag Length: 4 (Automatic - based on SIC, maxlag=11)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -3.694814 0.0056

Test critical values: 1% level -3.501445
5% level -2.892536
10% level -2.583371
19
 Modelos ARIMA

Función de Autocorrelación. Función de Autocorrelación Parcial.

La mayoría de las series no son estacionarias. Suelen presentar tendencia,

varianza no constante y a veces variaciones estacionales.
Podemos transformarlas aplicando diferencias (integrada de primer orden) o
doble diferenciación (integrada de segundo orden).
La estacionariedad en varianza suele corregirse aplicando logaritmos.

20
 Modelos ARIMA

Metodología de Box Jenkins para los modelos ARIMA

-Recogida de datos (>50 observaciones)

-Representación gráfica de la serie
-Transformación previa de la serie y eliminación de la tendencia
-Identificación del modelo
a) los c.a. se anulan bruscamente y los c.a.p. declinan suavemente =MA(q)
b) l os c.a. declinan suavemente y los c.a.p. se anulan bruscamente =AR(p)
c) ni los c.a. ni los c.a.p. se anulan bruscamente =ARMA(p,q)

-Estimación de los coeficientes del modelo

-Validez conjunta del modelo
-Análisis de los residuos (ruído blanco)
-Selección del modelo
-Predicción

21
 Modelos ARIMA

Identificación:
Sample: 1/07/1980 11/30/1981
Included observations: 99

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

1 0.405 0.405 16.709 0.000

2 -0.018 -0.217 16.743 0.000
3 0.082 0.225 17.447 0.001

FA: el primer retardo es significativo

FAP: los coeficientes decrecen muy rápido
Proceso MA(1). ARMA(0,1) ARIMA (0,1,1)

Estimación:

DPLASTIC = (1-0.733B) resid

(1-B) Plastic = (1-0.733) resid
Y – Y(t-1) = et – 0.733 et-1

22
 Modelos ARIMA

View Correlogram Q-Statistics

Ho= ruido blanco

A. Ho

23