Apuntes Modelos Arima
Apuntes Modelos Arima
Apuntes Modelos Arima
1
Modelos ARIMA
Ejemplo:
t+1
2
Modelos ARIMA
Técnicas más complejas donde las series que se predicen fueron generadas por un
proceso estocástico.
PROCESO ESTOCÁSTICO
Para cada momento del tiempo, un proceso estocástico es una única variable
aleatoria con una determinada distribución de probabilidad.
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
1) Ruído blanco
2) Procesos autorregresivos de orden p
3) Procesos de medias móviles de orden q
4) Procesos mixtos ARMA (p,q)
1) Paseo aleatorio
2) ARIMA (p,d,q)
1)ARMA(P,Q)S
2)ARMA(p,q)*ARMA(P,Q)S
3)ARIMA(p,d,q)*ARIMA(P,D,Q)S
ARIMA(p,d,q)*ARIMA(P,D,Q)S
4
Modelos ARIMA
Ruído Blanco:
5
Modelos ARIMA
6
Modelos ARIMA
Paseo aleatorio
7
Modelos ARIMA
Siendo,
ARMA(P,Q)S
Si llamamos,
ARMA(p,q)*ARMA(P,Q)S
Componente regular y componente estacional.
donde,
9
Modelos ARIMA
ARIMA(p,d,q)*ARIMA(P,D,Q)S
10
Modelos ARIMA
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:
-Correlograma
11
Modelos ARIMA
4-Los c.a. se aproximan pronto a cero excepto para unos pocos retardos
alejados del origen, sin periodicidades:
12
Modelos ARIMA
Estimación
Φ(fi) θ (zeta)
Δ (delta) Γ (gamma)
Validación y chequeo
La predicción.-
14
Modelos ARIMA
MODELOS ARIMA
-AUTOREGRESIVE (AR)
-INTEGRATED (I)
El modelo ARIMA permite describir un valor como una función lineal de datos
anteriores y errores debidos al azar.
Proceso AR(p):
15
Modelos ARIMA
AR(1)
AR(2)
16
Modelos ARIMA
Proceso MA(q):
MA(1)
MA(2)
ARMA(1,1)
17
Modelos ARIMA
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).
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
t-Statistic Prob.*
400
200
-200
-400
-600
I II III IV I II III IV
1980 1981
t-Statistic Prob.*
20
Modelos ARIMA
21
Modelos ARIMA
Identificación:
Sample: 1/07/1980 11/30/1981
Included observations: 99
Estimación:
22
Modelos ARIMA
A. Ho
23