Tema 6: Modelos ARIMA de Box&Jenkins

class: center, middle, inverse, title-slide

.title[
# Tema 6: Modelos ARIMA de Box&Jenkins - Parte 1
]
.subtitle[
## Curso: Análisis de series temporales
]
.author[
### Prof. Shu Wei Chou Chen
]
.institute[
### Escuela de Estadística, UCR
]

---

# Contenido

1. Introducción
2. Modelos autorregresivos.
  - AR(1)
  - AR(2)
3. Modelos de medias móviles.
  - MA(1)
  - MA(2)
4. ARMA(1,1)
---
# Introducción

- ARIMA se refiere a *AutoRegressive Integrated Moving Average*.
- Es un conjunto de modelos en que cada modelo tiene una función de autocorrelación teórica y una función de autocorrelación parcial teórica específica.
- La idea del enfoque de Box-Jenkins es que compara estas funciones teóricas con las respectivas funciones muestrales de autocorrelación y de autocorrelación parcial con el fin de identificar y ajustar el modelo apropiado.

---
# AR(1)

## Modelo no estacional autorregresivo de orden 1

El AR(1) está definido por el siguiente proceso estocástico lineal:

`$$Z_t=C+\phi_1 Z_{t-1}+a_t$$`
donde: 
`$C$` y `$\phi_1$` son constantes desconocidas, 
`$a_t \sim wn(0,\sigma_a^2)$` (independiente de `$Z_t$`), i.e. una sucesión de v.a. mutuamente no correlacionadas e idénticamente distribuidas con media `$0$` y variancia `$\sigma_a^2$`.

**Nota:**
- Generalmente se supone que `$a_t$` es ruido blanco gaussiano.

---
# AR(1)

Recursivamente se puede obtener:
`$$Z_t=C+\phi_1 Z_{t-1}+a_t$$`
`$$=C+\phi_1 (C+\phi_1 Z_{t-2}+a_{t-1})+a_t$$`
`$$=C(1+\phi_1+\phi_1^2+...+\phi_1^{J-1})+a_{t}+\phi_1 a_{t-1}+\phi_1^2 a_{t-2}+...+$$`
`$$\phi_1^{J-1} a_{t-(J-1)}+\phi_1^J Z_{t-J}$$`
`$$=C \left( \frac{1-\phi_1^J}{1-\phi_1} \right)+\sum_{j=0}^{J-1} \phi_1^j a_{t-j}+\phi_1^J Z_{t-J}$$`

---
# AR(1)

Recursivamente se puede obtener una serie infinita:
`$$Z_t=C \left( \frac{1-\phi_1^J}{1-\phi_1} \right)+\sum_{j=0}^{J-1} \phi_1^j a_{t-j}+\phi_1^J Z_{t-J}$$`
En el caso de `$|\phi_1|<1$`, cuando `$J \rightarrow \infty$`,

`$$Z_t=C \left( \frac{1}{1-\phi_1} \right)+\sum_{j=0}^{\infty} \phi_1^j a_{t-j}$$`

---
# AR(1)

- Como `$E(a_t)=0$` para todo `$t$`,
`$$E(Z_t)=C \left( \frac{1}{1-\phi_1}\right)=\mu$$`
es independiente de `$t$`.

- Como `$Var(a_t)=\sigma_a^2$` para todo `$t$`,
`$$Var(Z_t)=\sum_{j=0}^{\infty} \phi_1^{2j} Var(a_{t-j})=\left( \frac{1}{1-\phi_1^2} \right) \sigma_a^2$$` 
es finito e independiente de t.

---
# AR(1)

Puesto que `$Z_t-\mu=\sum\limits_{j=0}^{\infty} \phi_1^j a_{t-j}$`, la función de autocovariancia es
`$$\gamma_Z(t,t-k)=Cov(Z_t,Z_{t-k})=E \left[ (Z_t-\mu)(Z_{t-k}-\mu) \right]$$`

`$$=E\left[ \left(\sum\limits_{i=0}^{\infty} \phi_1^i a_{t-i}\right) \left( \sum\limits_{j=0}^{\infty} \phi_1^j a_{t-k-j}\right) \right].$$`
Tome `$m=k+j (o~ j=m-k)$`,

`$$\gamma_Z(t,t-k)=E\left[ \left(\sum\limits_{i=0}^{\infty} \phi_1^i a_{t-i}\right) \left( \sum\limits_{m=k}^{\infty} \phi_1^{m-k} a_{t-m}\right) \right]$$`

`$$=E\left[ \left(\sum\limits_{i=0}^{k-1} \phi_1^i a_{t-i}+\sum\limits_{i=k}^{\infty} \phi_1^i a_{t-i}\right) \left( \sum\limits_{m=k}^{\infty} \phi_1^{m-k} a_{t-m}\right) \right].$$`

---
# AR(1)

`$$\gamma_Z(t,t-k)=E\left[ \left(\sum\limits_{i=0}^{k-1} \phi_1^i a_{t-i}+\sum\limits_{i=k}^{\infty} \phi_1^i a_{t-i}\right) \left( \sum\limits_{m=k}^{\infty} \phi_1^{m-k} a_{t-m}\right) \right]$$`
`$$=E\left[ \left(\sum\limits_{i=k}^{\infty} \phi_1^i a_{t-i}\right) \left( \sum\limits_{m=k}^{\infty} \phi_1^{m-k} a_{t-m}\right) \right]=\sum\limits_{i=k}^{\infty}\phi_1^i \phi_1^{i-k} E(a_{t-i}^2)$$`

`$$=\sigma_a^2 \sum\limits_{j=0}^{\infty} \phi_1^{k+j} \phi_1^j=\phi_1^k \sigma_a^2 \sum\limits_{j=0}^\infty \phi_1^{2j}=\phi_1^k \sigma_a^2 \frac{1}{1-\phi_1^2}$$`
`$$=\phi_1^k Var(Z_t),~k=1,2,...$$`
depende únicamente del regazo `$k$`, y es independiente de `$t$`.

- Por lo tanto, El proceso AR(1) es estacionario si `$|\phi_1|<1$`.

---
# AR(1)

- La función de autocorrelación teórica es:

`$$\rho_k=\frac{Cov(Z_t,Z_{t-k})}{\sqrt{Var(Z_t)Var(Z_{t-k})}}=\frac{Cov(Z_t,Z_{t-k})}{Var(Z_t)}$$`
`$$=\frac{\phi_1^k Var(Z_t)}{Var(Z_t)}=\phi_1^k,~k=1,2,...$$`
- Note que la función de autocorrelación teórica decae exponencialmente a cero.

---
# AR(1)

- La función de autocorrelación teórica de un AR(1) es:

`$$\rho_k=\phi_1^k,~k=1,2,...$$`
.pull-left[

]
.pull-right[
<img src="presentacion1_files/figure-html/unnamed-chunk-3-1.png" width="80%" />
]

---
# AR(1)

- Considere `$a_t \sim N(0,1)$`, y un modelo AR(1): `$$Z_t=\phi_1 Z_{t-1}+a_t$$`

.pull-left[

]
.pull-right[
<img src="presentacion1_files/figure-html/unnamed-chunk-5-1.png" width="100%" />
]

---
# AR(2)
## Modelo no estacional autorregresivo de orden 2

- El AR(2) está definido por el siguiente proceso estocástico lineal:

`$$Z_t=C+\phi_1 Z_{t-1}+\phi_2 Z_{t-2}+a_t$$`
donde: 
`$C$`, `$\phi_1$` y `$\phi_2$` son constantes desconocidas, 
`$a_t \sim wn(0,\sigma_a^2)$` (independiente de `$Y_t$`).

- Se puede mostrar que el proceso AR(2) es estacionario si:
 - `$|\phi_2|<1$`.
 - `$\phi_1+\phi_2<1$`.
 - `$-\phi_1+\phi_2<1$`.
 
---
# AR(2)

Se puede mostrar que:

- `$E(Z_t)= \frac{C}{1-\phi_1-\phi_2}=\mu$` es independiente de `$t$`.
- `$Var(Z_t)=\frac{(1-\phi_2) \sigma_a^2}{(1+\phi_2)(1-\phi_1-\phi_2)(1+\phi_1-\phi_2)}$` es independiente de `$t$` y finito.
- La función de autocorrelación teórica, `$\rho_k$`, es dada por:
`$$\rho_1=\frac{\phi_1}{1-\phi_2},$$`
`$$\rho_2=\frac{\phi_1^2}{1-\phi_2}+\phi_2,$$`
`$$\rho_k=\phi_1 \rho_{k-1}+\phi_2 \rho_{k-2},~ k \geq3.$$`
Bajo las condiciones de estacionariedad, `$\rho_k$` depende únicamente de `$k$` y no depende del `$t$` y decae hacia cero según una combinación de exponenciales y/o ondas sinusoidales amortiguadas.

---
# AR(2)

- La función de autocorrelación teórica de un AR(2):

.pull-left[

]
.pull-right[
<img src="presentacion1_files/figure-html/unnamed-chunk-7-1.png" width="80%" />
]

---
# AR(2)

- Considere `$a_t \sim N(0,1)$`, y un modelo AR(2): `$$Z_t=\phi_1 Z_{t-1}+\phi_2 Z_{t-2}+a_t$$`

.pull-left[

]
.pull-right[
<img src="presentacion1_files/figure-html/unnamed-chunk-9-1.png" width="100%" />
]

---
# AR(2)

---
# La función de autocorrelación parcial

- La autocorrelación parcial (f.a.c.p.) en el rezago `$k$` mide el grado de asociación lineal entre `$Z_t$` y `$Z_{t-k}$` cuando los efectos de los otros rezagos `$1,2,...,k-1$` han sido eliminados.

- Denotemos la función de autocorrelación parcial teórica de orden `$k$` por `$\rho_{kk}$` para `$k=1,2,...$` y la función de autocorrelación parcial muestral de orden `$k$` con `$r_{kk}$`, para `$k=1,2,...$`.

- Teóricamente la función de autocorrelación parcial de un proceso estacionario `$Z_t$`, denotado por `$\rho_{kk}$`, para `$k=1,2,...$` es 
`$$\rho_{11}=corr(Z_{t+1},Z_t)=\rho_1, ~~~~\text{y}$$`

`$$\rho_{kk}=corr\left[Z_{t+k}-\hat{Z}_{t+k}~,~Z_t-\hat{Z}_{t}\right],~~\text{para}~~ k \geq 2,$$`
donde   
`$\hat{Z}_{t+k}=\beta_1 Z_{t+k-1}+\beta_2 Z_{t+k-2}+...+\beta_{h-1} Z_{t+1}$`  
`$\hat{Z}_{t}=\beta_1 Z_{t+1}+\beta_2 Z_{t+2}+...+\beta_{h-1} Z_{t+k-1}$`

---
# La función de autocorrelación parcial

- Si `$Z_t$` es un proceso gaussiano,

`$$\rho_{kk}=corr(Z_{t+k},Z_t|Z_{t+1},...,Z_{t+k-1}).$$`

i.e. es la correlación de una distribución normal bivariada `$(Z_{t+k},Z_t)$` condicional a `${Z_{t+1},...,Z_{t+k-1}}$`.

- Se puede comprobar que:

.pull-left[
Para AR(1):
- `$\rho_{11}=\phi_1$`
- `$\rho_{kk}=0$` para `$k \geq 2$`.
- La función de autocorrelación parcial cae bruscamente a cero después del rezago 1.
]
.pull-right[
Para AR(2):
- `$\rho_{11}=\rho_1=\frac{\phi_1}{1-\phi_2}$`
- `$\rho_{22}=\phi_2$`
- `$\rho_{kk}=0$` para `$k \geq 3$`.
- La función de autocorrelación parcial cae bruscamente a cero después del rezago 2.
]

---
# f.a.c. y f.a.c.p. teórica del AR(1)

---
# La función de autocorrelación parcial de un AR(1)

---
# La f.a.c. y f.a.c.p. teórica de un AR(2)

---
# La f.a.c. y f.a.c.p. muestrales de un AR(2)

---
# MA(1)
## Modelo no estacional de medias móviles de orden 1 
 
El MA(1) está definido por el siguiente proceso estocástico lineal:
 
 `$$Z_t=C+a_t-\theta_1 a_{t-1}$$`
donde: 
`$C$` y `$\theta_1$` son constantes desconocidas, 
`$a_t \sim wn(0,\sigma_a^2)$`.
 
---
# MA(1)

- Como `$E(a_t)=0$` para todo `$t$`,
`$$E(Z_t)=C$$`
es independiente de `$t$`.

- `$$Var(Z_t)= Var(a_t)+\theta_1^2 Var(a_{t-1})=\sigma_a^2+\theta_1^2 \sigma_a^2=\sigma_a^2(1+\theta_1^2)$$` 
es finito e independiente de t.

- `$$\gamma_Z(t,t-k)=Cov(Z_t,Z_{t-k})=E \left[ (Z_t-C)(Z_{t-k}-C) \right]$$`
`$$=E \left[ (a_t-\theta_1 a_{t-1})(a_{t-k}-\theta_1 a_{t-k-1}) \right]$$`
$$
=\left\lbrace 
`\begin{aligned}
-\theta_1 \sigma_a^2, & & k = 1 \\
0, & &  k > 1 \\
\end{aligned}`
\right. 
$$
- Note que MA(1) es siempre estacionario independiente del valor de `$\theta$`.

---
# MA(1)

- Sin embargo, es necesario aplicar la restricción `$|\theta_1|<1$`.
- Note que a partir de `$Z_t=C+a_t-\theta_1 a_{t-1}$`, se puede despejar `$a_t$`, 
 `$$-C+Z_t+\theta_1 a_{t-1}=a_t,$$`
 y sustituir recursivamente (como el caso de AR(1)):
 `$$-C+Z_{t-1}+\theta_1 a_{t-2}=a_{t-1},$$`
 en el modelo
 `$$Z_t=C+a_t-\theta_1 \left[ -C+Z_{t-1}+\theta_1 a_{t-2} \right]$$`
 
 
podemos obtener:
`$$Z_t=C(1+\theta_1+\theta_1^2+...)-\theta_1 Z_{t-1}-\theta_1^2 Z_{t-2}-\theta_1^3 Z_{t-3}-...+a_t$$`
- Si `$|\theta_1|\geq 1$`, la ecuación anterior implica que `$Z_t$` depende más a los valores pasados lejanos que los valores cercanos, lo cual no es realista en su interpretación.
- Esta condición es conocida como **condición de invertibilidad**.

---
# MA(1)

- La función de autocorrelación del proceso MA(1) es:
`$$\rho_1=\frac{Cov(Z_t,Z_{t-1})}{\sqrt{Var(Z_t)Var(Z_{t-1})}}=\frac{Cov(Z_t,Z_{t-1})}{Var(Z_t)}$$`
`$$=\frac{-\theta_1 \sigma_a^2}{\sigma_a^2(1+\theta_1^2)}=\frac{-\theta_1 }{1+\theta_1^2}$$`
`$$\rho_k=0, ~~~\text{para}~~ k\geq 2$$`

- La función de autocorrelación teórica de MA(1) cae bruscamente a cero después del rezago 1.

---
# MA(1)

- Se puede demostrar que la función de autocorrelación parcial está dada por:
`$$\rho_{kk}=\frac{-\theta_1^k (1-\theta_1^2)}{1-\theta_1^{2(k+1)}},~~\text{para}~k \geq 1.$$`
- La f.a.c.p. decae a cero de forma exponencial amortiguada.

---
# MA(1)

La f.a.c. y f.a.c.p. teórica de un MA(1):

.pull-left[

]
.pull-right[
<img src="presentacion1_files/figure-html/unnamed-chunk-16-1.png" width="80%" />
]

---
# MA(1)
- Considere `$a_t \sim N(0,1)$`, y un modelo MA(1):
  `$$Z_t=C+a_t-\theta_1 a_{t-1}$$`
  
  
.pull-left[

]
.pull-right[
<img src="presentacion1_files/figure-html/unnamed-chunk-18-1.png" width="90%" />
]

---
# MA(2)
 
El modelo no estacional de medias móviles de orden 2, MA(2), está definido por el siguiente proceso estocástico lineal:
 
 `$$Z_t=C+a_t-\theta_1 a_{t-1}-\theta_2 a_{t-2}$$`
donde: 
`$C$`, `$\theta_1$` y `$\theta_2$` son constantes desconocidas, 
`$a_t \sim wn(0,\sigma_a^2)$`.

Se puede demostrar que MA(2) es estacionario para todo `$\theta_1$` y `$\theta_2$`, con:
- `$E(Z_t)=C$`.

- `$Var(Z_t)=\sigma_a^2(1+\theta_1^2+\theta_2^2)$`.

---
# MA(2)

- La función de autocorrelación está dada por:

$$
\rho_k=\left\lbrace 
`\begin{aligned}
\frac{-\theta_1 (1-\theta_2) }{1+\theta_1^2+\theta_2^2}, & & k = 1 \\
\frac{-\theta_2}{1+\theta_1^2+\theta_2^2} & & k=2 \\
0, & &  k \geq 3 \\
\end{aligned}`
\right. 
$$
- La función de autocorrelación parcial decae a cero según una combinación de exponenciales amortiguadas y/o ondas sinusoidales amortiguadas.

- El proceso MA(2) es invertible si:
`$$|\theta_2|<1$$`
`$$\theta_1+\theta_2<1$$`
`$$\theta_2-\theta_1<1$$`

---
# MA(2)

- La f.a.c. y f.a.c.p. teórica de un MA(2):

.pull-left[

]
.pull-right[
<img src="presentacion1_files/figure-html/unnamed-chunk-20-1.png" width="90%" />
]

---
# MA(2)

- Considere `$a_t \sim N(0,1)$`, y un modelo MA(2)

.pull-left[

]
.pull-right[
<img src="presentacion1_files/figure-html/unnamed-chunk-22-1.png" width="90%" />
]

---
# MA(2)

---
# Modelo no estacional mixto: ARMA(1,1)
 
El ARMA(1,1) está definido por el siguiente proceso estocástico lineal:
`$$Z_t=C+a_t+\phi_1 Z_{t-1}-\theta_1 a_{t-1}$$`
o
`$$Z_t-\phi_1 Z_{t-1}=C+a_t-\theta_1 a_{t-1}$$`
 
donde: 
`$C$`, `$\phi_1$` y `$\theta_1$` son constantes desconocidas, 
`$a_t \sim wn(0,\sigma_a^2)$`.

- Condición de estacionariedad:
`$$|\phi_1|<1$$`

- Condición de invertibilidad:
`$$|\theta_1|<1$$`

---
# ARMA(1,1)

Con las condiciones de estacionariedad e invertibilidad, se puede mostrar que:

- `$E(Z_t)=\frac{C}{1-\phi_1}$`.

- `$Var(Z_t)=\frac{(1+ 2\theta_1 \phi_1+\theta_1^2)}{1-\phi_1^2} \sigma_a^2$`.

- La función de autocorrelación teórica:

`$$\rho_1=\frac{(1-\phi_1 \theta_1) (\phi_1-\theta_1)}{1+\theta_1^2-2\theta_1 \phi_1}$$`

`$$\rho_k=\phi_1 \rho_{k-1},~~~\text{para}~ k \geq 2,$$`
la cual decae de forma exponencial amortiguado desde el rezago 1.

- Se puede demostrar que la función de autocorrelación parcial teórica decae de forma exponencial amortiguado desde el rezago 1 también.

---
# ARMA(1,1)

- La f.a.c. y f.a.c.p. teórica de un ARMA(1,1):

.pull-left[

]
.pull-right[
<img src="presentacion1_files/figure-html/unnamed-chunk-25-1.png" width="90%" />
]

---
# ARMA(1,1)

- Considere `$a_t \sim N(0,1)$`, y un modelo ARMA(1,1)

.pull-left[

]
.pull-right[
<img src="presentacion1_files/figure-html/unnamed-chunk-27-1.png" width="90%" />
]

---
# ARMA(1,1)

- Note que el modelo ARMA(1,1) se puede reescribir como:

`$$Z_t-\phi_1 Z_{t-1}=C+a_t-\theta_1 a_{t-1}$$`
`$$\Rightarrow Z_t-\phi_1 Z_{t-1}=E(Z_t) (1-\phi_1)+a_t-\theta_1 a_{t-1}$$`
`$$\Rightarrow \left [Z_t - E(Z_t) \right] - \left [\phi_1 Z_{t-1} -\phi_1 E(Z_t) \right] =a_t-\theta_1 a_{t-1}$$`
`$$\Rightarrow \tilde{Z_t}  -\phi_1 \tilde{Z}_{t-1} =a_t-\theta_1 a_{t-1}$$`
donde  `$\tilde{Z_t} = Z_t - E(Z_t)= Z_t - \mu_Z$`.

---
# Tabla de resumen 1

![Tabla de resumen](summary_table1.png)

---
# Próximo tema

### Modelos ARIMA de Box&Jenkins - Parte 2

- AR(p)
- MA(q)
- ARMA(p,q)
- ARIMA(p,d,q)