Modelos ARIMA (2018)

• En este capítulo se presenta una clase de modelos que
generan pronósticos con base en una descripción de los

patrones históricos de los datos de una variable.
• Los modelos autorregresivos integrados de promedio

móviles (ARIMA) son una clase de modelos lineales
que son capaces de representar tanto series de tiempo
estacionarias como no estacionarias.
• Los modelos ARIMA no implican variables
independientes en su construcción.
• En vez de ello, utilizan la información de la serie

misma para generar los pronósticos. Por ejemplo, un
modelo ARIMA para ventas mensuales proyectaría el
patrón de ventas históricas para generar un pronóstico
para las ventas del siguiente mes.
• Los Modelos ARIMA depende mucho de los patrones
de autocorrelación en los datos.
• Existe autocorrelación cuando las observaciones

sucesivas en el tiempo están relacionadas unas con
otras.
• Es decir, la autocorrelación ocurre porque el efecto de

una variable explicativa sobre la respuesta está
distribuido en el tiempo.
• La selección de un Modelo ARIMA se basa en
examinar una gráfica de la serie de tiempo (para
observar su carácter general) y en analizar sus
autocorrelaciones para varios retrasos de tiempo
(correlograma).
• Específicamente, el patrón de las autocorrelaciones
muestrales calculado a partir de la serie de tiempo en
el correlograma de la serie de tiempo.
 Series de Tiempo (Univariadas):
 La econometría de series de tiempo se refiere a las

consecuencias dinámicas de distintos sucesos a lo largo
del tiempo.
 Una serie de tiempo es una recopilación de

observaciones, realizada secuencialmente a lo largo del
tiempo, sobre una variable Y (por ejemplo, un índice
bursátil).
 En dichos modelos se trabaja una sola variable sin
variables exógenas: se pronostica una sola variable.
 Depende de:
 Sus propios valores pasados (parte AR).
 Choques pasados aplicados a esta variable (parte MA).
 Ejemplo: ARIMA(2,1)
 Ventajas:
• Fáciles y rápidos de implementar y estimar.
• No hay variable exógena que se deba pronosticar.
 Desventajas:
• Se necesita de una muestra grande (50 datos como

mínimos).
• “Caja negra” (se prescinde de la teoría económica).
 Estacionariedad:
 Se considera que un proceso estacionario describe de

manera adecuada el comportamiento observado de
una variable “Y”, entonces es posible utilizar la serie
temporal observada para realizar inferencias sobre las
propiedades estadísticas de “Y” (Es decir la estabilidad
de la distribución de Y a largo plazo).
 Procesos Autorregresivos (AR):
 Un proceso autorregresivo de orden p, AR(p), es aquel

en el que “Yt” depende de sus p rezagos inmediatos.
 Bajo condiciones de estacionariedad, la media y la

varianza de “Yt” no fluctúan en el tiempo. Lo cual que
permite describir las propiedades dinámicas de “Yt”.
 Procesos Autorregresivos (AR):
 El proceso autorregresivo AR(p),
es estacionario si
 La función de autocorrelación (ACF o correlograma) es
el gráfico de la autocorrelación a lo largo del tiempo.
 La influencia de Yt-j sobre todos sus valores sucesivos
disminuye, pero nunca desaparece. Eso se debe a que
Yt siempre afecta a Yt+1, por lo que, iterativamente, Yt-j
afecta a Yt.
 La función de autocorrelación parcial (PACF) es el

gráfico de la autocorrelación parcial con respecto al
tiempo.
 Procesos Promedios Móviles (MA):
 Un proceso de promedio móvil (MA) de orden q,

MA(q), es aquel en el que Yt depende de los q rezagos
inmediatos de un proceso ruido blanco.
 Un proceso MA es estacionario: si la media y la

varianza no dependen del tiempo (t).
 La ACF y PACF de un proceso MA muestran
características opuestas a las de un proceso AR.
 Procesos ARMA:
 Un proceso ARMA(p, q) es aquel en el que Yt depende

de sus p rezagos inmediatos y en el que el término de
error sigue un proceso MA de orden q:
 La autocorrelación y la autocorrelación parcial son una
mezcla de los procesos AR(p) y MA(q):
• La autocorrelación disminuye geométricamente después de q
rezagos.
• La autocorrelación parcial se comporta de una forma no
armónica en los primeros p períodos, disminuye luego del
período p.
 El método Box Jenkins es una estrategia para seleccionar
un modelo adecuado para la serie temporal observada en
tres pasos:
1. Identificación: Se estudian las propiedades de la serie
temporal para identificar modelos a proponer.
2. Estimación: se estiman y se comparan los modelos
propuestos y se selecciona uno.
3. Diagnóstico: se garantiza que los residuos del modelo se
comporten como un ruido blanco (es decir que los errores
de la regresión sean estables).
 El pronóstico exacto desde la perspectiva de una serie
de tiempo depende de la suposición de que el futuro
probablemente será como el pasado y de que los
patrones pasados se puedan describir adecuadamente.
 Las técnicas de las series de tiempo son más

útiles para pronosticar variables que probablemente
seguirán fluctuando de acuerdo con ciertos patrones
estables en el futuro.
 La metodología Box Jenkins es una herramienta
muy poderosa para elaborar pronósticos exactos a
corto plazo.
 No obstante, los gerentes deben estar conscientes de
que la construcción satisfactoria de un modelo
ARIMA con la técnica Box-Jenkins requiere una
gran cantidad de datos históricos y mucho tiempo por
parte del analista.

Modelos ARIMA (2018)

Cargado por

Copyright:

Formatos disponibles

Modelos ARIMA (2018)

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modelos ARIMA (2018)

Cargado por

Copyright:

Formatos disponibles

• En este capítulo se presenta una clase de modelos que

generan pronósticos con base en una descripción de los

• Los modelos autorregresivos integrados de promedio

• En vez de ello, utilizan la información de la serie

• Existe autocorrelación cuando las observaciones

• Es decir, la autocorrelación ocurre porque el efecto de

 La econometría de series de tiempo se refiere a las

 Una serie de tiempo es una recopilación de

• Fáciles y rápidos de implementar y estimar.

• No hay variable exógena que se deba pronosticar.

• Se necesita de una muestra grande (50 datos como

 Se considera que un proceso estacionario describe de

 Un proceso autorregresivo de orden p, AR(p), es aquel

 Bajo condiciones de estacionariedad, la media y la

 El proceso autorregresivo AR(p),

 La función de autocorrelación parcial (PACF) es el

 Un proceso de promedio móvil (MA) de orden q,

 Un proceso MA es estacionario: si la media y la

 Un proceso ARMA(p, q) es aquel en el que Yt depende

 Las técnicas de las series de tiempo son más

También podría gustarte