Processing math: 100%
+ - 0:00:00
Notes for current slide
Notes for next slide

Tema 6: Modelos ARIMA de Box&Jenkins - Parte 2

Curso: Análisis de series temporales

Prof. Shu Wei Chou Chen

Escuela de Estadística, UCR

1 / 31

En la semana pasada vimos:

Modelos ARIMA de Box&Jenkins - Parte I

  • Modelos autoregresivos.

    • AR(1)
    • AR(2)
  • Modelos de medias móviles.

    • MA(1)
    • MA(2)
  • ARMA(1,1)

2 / 31

Tabla de resumen 1

Tabla de resumen

3 / 31

Contenido

Hoy seguimos con el tema de:

Modelos ARIMA de Box&Jenkins - Parte II

  • MA(q)
  • AR(p)
  • ARMA(p,q)
  • Operadores de rezagos
  • ARIMA(p,d,q)

Identificación, estimación y diagnóstico de modelos ARIMA

4 / 31

MA(q)

El Modelo no estacional de medias móviles de orden q, MA(q), está definido por el siguiente proceso estocástico lineal:

Zt=C+atθ1at1θ2at2...θqatq

donde:
C y θi,i=1,...,q son constantes desconocidas,
atwn(0,σ2a).

5 / 31

MA(q)

Se puede demostrar que MA(q) es estacionario para todo θi para i=1,...,q, con:

  • E(Zt)=C=μ.

  • La f.a.c. teórica tiene correlaciones no nulas en los rezagos 1,...,q y ceros para rezagos mayores que q, i.e. ρk0  para  k=1,...,q. ρk=0  para  k>q.

  • La función de autocorrelación parcial decae a cero según una combinación de exponenciales amortiguadas y/o ondas sinusoidales amortiguadas.

  • MA(q) siempre es estacionario pero no es invertible (veremos los supuestos).

6 / 31

MA(q)

  • Considere atN(0,1), y un modelo MA(q).

7 / 31

MA(q)

  • Considere atN(0,1), y un modelo MA(q).

8 / 31

AR(p)

  • El modelo no estacional autoregresivo de orden p, AR(p), está definido por el siguiente proceso estocástico lineal:

Zt=C+ϕ1Zt1+ϕ2Zt2+...+ϕpZtp+at donde:
C y ϕi,i=1,...,p son constantes desconocidas,
atwn(0,σ2a).

9 / 31

AR(p)

Se puede demostrar que:

  • E(Zt)=C1ϕ1ϕ2...ϕp=μ.

  • La función de autocorrelación decae a cero según una combinación de exponenciales amortiguadas y/o ondas sinusoidales amortiguadas.

  • La f.a.c.p. teórica tiene autocorrelaciones parciales no nulas en los rezagos 1,...,p y ceros para rezagos mayores que p, i.e. ρkk0  para  k=1,...,p. ρkk=0  para  k>p.

  • El AR(p) es invertible pero no es siempre estacionario (veremos las condiciones).
10 / 31

AR(p)

  • Considere atN(0,1), y un modelo AR(p).

11 / 31

AR(p)

  • Considere atN(0,1), y un modelo AR(p).

12 / 31

ARMA(p,q)

El modelo mixto no estacional autoregresivo de medias móviles de orden (p,q)

  • El ARMA(p,q) está definido por el siguiente proceso estocástico lineal:

Zt=C+ϕ1Zt1+ϕ2Zt2+...+ϕpZtp +atθ1at1θ2at2...θqatq donde:
C, ϕi,i=1,...,p y θj,j=1,...,q son constantes desconocidas,
atwn(0,σ2a) (independiente de Yt).

13 / 31

ARMA(p,q)

Se puede demostrar que:

  • E(Zt)=C1ϕ1ϕ2...ϕp=μ.

  • La función de autocorrelación decae a cero después de los primeros qp según una combinación de exponenciales amortiguadas y/o ondas sinusoidales amortiguadas.

  • La f.a.c.p. teórica decae a cero después de los primeros pq según una combinación de exponenciales amortiguadas y/o ondas sinusoidales amortiguadas.

  • ¿Condición de estacionariedad y invertibilidad? (veremos más adelante)

14 / 31

ARMA(p,q)

  • Considere atN(0,1), y un modelo ARMA(2,1).

15 / 31

ARMA(p,q)

  • Considere atN(0,1), y un modelo ARMA(1,2).

16 / 31

Operadores de rezagos

  • El operador de rezago B es definido como BZt=Zt1
  • El operador de rezago B se puede volver a aplicar: BZt1=Zt2=BBZt=B2Zt
  • De esta forma, se puede extender el operador de rezago a: BkZt=Ztk

  • También existe la idea del operador inverso B1 de tal forma que B1B=1, entonces B1Zt1=Zt

  • Operador B es llamado retroceso (backshift).

  • Operador B1 es llamado progreso (forward-shift).
17 / 31

Ejemplo con AR(2)

Note que: Zt=C+ϕ1Zt1+ϕ2Zt2+at Ztϕ1Zt1ϕ2Zt2=C+at Ztϕ1Zt1ϕ2Zt2=μ(1ϕ1ϕ2)+at ya que E(Zt)=C1ϕ1ϕ2=μ.

Reordenando los términos, (Ztμ)ϕ1(Zt1μ)ϕ2(Zt2μ)=at. Tome ˜Zt=Ztμ, ˜Ztϕ1˜Zt1ϕ2˜Zt2=at.

18 / 31

Ejemplo con AR(2)

˜Ztϕ1˜Zt1ϕ2˜Zt2=at. ˜Ztϕ1B˜Ztϕ2B2˜Zt=at. (1ϕ1Bϕ2B2)˜Zt=at.

19 / 31

Ejemplo con MA(2)

De la misma forma, el MA(2): Zt=C+atθ1at1θ2at2 se puede escribir como
˜Zt=(Ztμ)=(1θ1Bθ2B2)at

20 / 31

ARMA(p,q)

  • El ARMA(p,q):

Zt=C+ϕ1Zt1+ϕ2Zt2+...+ϕpZtp +atθ1at1θ2at2...θqatq

se puede escribir como:

(1ϕ1Bϕ2B2...ϕpBp)˜Zt=(1θ1Bθ2B2...θqBq)at.

o

ϕ(B)˜Zt=θ(B)at. donde:
ϕ(B)=1ϕ1Bϕ2B2...ϕpBp es el operador autoregresivo.
θ(B)=1θ1Bθ2B2...θqBq es el operador de medias móviles.

21 / 31

AR(p)

  • El modelo AR(p) se puede escribir como: (1ϕ1Bϕ2B2...ϕpBp)Zt=C+at,

  • Resultado teórico: Considere el polinomio autoregresivo: ϕ(z)=1ϕ1zϕ2z2...ϕpzp. se puede demostrar que el proceso AR(p) es estacionario si todas las raíces z del polinomio autoregresivo tienen módulo mayores a 1.

  • Nota: requiere conocimiento de Ecuaciones en diferencia lineal (Sección 3.2. de Shumway & Stoffer, 2017 y sección 3.6 de Brockwell & Devis, 1991)

  • Ejemplo: Para un AR(1), la raíz del polinomio autoregresivo es dada por la solución z que satisface la ecuación ϕ(z)=1ϕ1z=0 1=ϕ1z
    1ϕ1=z
    |z|=|1ϕ1|>11>|ϕ1|

22 / 31

Ejemplo de AR(2)

  • Considere Zt=2+1.5Zt10.9Zt2+at
  • La ecuación característica es: ϕ(B)=11.5B+0.9B2 con raíces imaginarias:

B=1.5±2.253.61.8=1.5±1.351.8=0.83±0.65i donde i=1.

  • Las raíces de la ecuación quedan fuera del círculo unitario ya que |B|=0.832+0.652=1.05.

  • Se puede mostrar usando las condiciones presentadas anteriormente:

    • |ϕ2|<1; ϕ1+ϕ2<1; ϕ1+ϕ2<1.
23 / 31

MA(q)

  • El modelo MA(q) se puede reescribir como:

Ztμ=(1θ1Bθ2B2...θqBq)at,

  • Resultado teórico: Considere el polinomio de medias móviles: θ(z)=1θ1zθ2z2...θqzq se puede demostrar que el proceso MA(q) es invertible si todas las raíces z del polinomio de medias móviles tienen módulo mayores a 1.

  • Nota: requiere conocimiento de Ecuaciones en diferencia lineal (Sección 3.2. de Shumway & Stoffer, 2017 y sección 3.6 de Brockwell & Devis, 1991)

24 / 31

Operador de diferencia

  • Recuerde que la primera diferencia de una serie se define como: Wt=ZtZt1.
  • Utilizando la definición del operador de rezagos, Wt=ZtZt1=ZtBZt=(1B)Zt.
  • Defina el operador de diferencia como Zt=ZtBZt=(1B)Zt
  • De esta forma, se puede generalizar a d diferencias

dZt=(1B)dZt

25 / 31

Operador de diferencia

  • Nota: Son diferentes estas dos expresiones
    • (1B2)Zt=ZtZt2,  y
    • 2Zt=(1B)2Zt=(12B+B2)Zt=Zt2Zt1+Zt2
  • Compruebe la igualdad anterior con 2Zt=(Zt) (ZtZt1)=ZtZt1=ZtZt1(Zt1Zt2) =Zt2Zt1+Zt2
26 / 31

ARIMA(p,d,q)

  • En la práctica, muchas series son no estacionarias pero las diferencias consecutivas de orden d puede llegar a una serie estacionaria.

  • Sea ˜Wt=d˜Zt=(1B)d˜Zt la diferencia consecutiva de orden d de la serie ˜Zt.

  • Suponga que después de realizar estas d diferencias ˜Wt puede ser representado por un proceso ARMA(p,q), i.e.

(1ϕ1Bϕ2B2...ϕpBp)˜Wt=(1θ1Bθ2B2...θqBq)at, O equivalentemente,

(1ϕ1Bϕ2B2...ϕpBp)(1B)d˜Zt= (1θ1Bθ2B2...θqBq)at.

27 / 31

ARIMA(p,d,q)

  • Usando las notaciones del operador de diferencia, autoregresivo ϕ(B) y de medias móviles θ(B),

ϕ(B)d˜Zt=θ(B)at. donde:
ϕ(B)=1ϕ1Bϕ2B2...ϕpBp es el operador autorregresivo.
θ(B)=1θ1Bθ2B2...θqBq es el operador de medias móviles. d=(1B)d es el operador de d diferencias.

  • Este modelo es denominado modelo autoregresivo integrado de promedios móviles (en inglés: AutoRegressive Integrated Moving Average model).

  • Se denota con ARIMA(p,d,q).

28 / 31

ARIMA(p,d,q)

  • El término "integrado" proviene del hecho de que cuando d=1, Zt se puede presentar como la suma: Zt=Wt+Wt1+Wt2+..., i.e. obtener Zt sumando (integrando) del proceso estacionario Wt.

Wt+Wt1+Wt2+... =(ZtZt1)+(Zt1Zt2)+(Zt2Zt3)+... =Zt                                                  

29 / 31

Condiciones de ARIMA(p,d,q)

  • La condición de estacionariedad se verifica con la ecuación característica del proceso autoregresivo ϕ(B)=1ϕ1Bϕ2B2...ϕpBp=0.
  • Si las raíces características de la ecuación característica están fuera del círculo unitario, el proceso AR(p) es estacionario.

  • De forma similar, la condición de invertibilidad se verifica con la ecuación característica del proceso de medias móviles

θ(B)=1θ1Bθ2B2...θqBq=0.

  • Si las raíces características de la ecuación característica están fuera del círculo unitario, el proceso MA(q) es invertible.
30 / 31

Próximo tema

Modelos ARIMA de Box&Jenkins - Parte 3

Identificación, estimación y diagnóstico de modelos ARIMA.

31 / 31

En la semana pasada vimos:

Modelos ARIMA de Box&Jenkins - Parte I

  • Modelos autoregresivos.

    • AR(1)
    • AR(2)
  • Modelos de medias móviles.

    • MA(1)
    • MA(2)
  • ARMA(1,1)

2 / 31
Paused

Help

Keyboard shortcuts

, , Pg Up, k Go to previous slide
, , Pg Dn, Space, j Go to next slide
Home Go to first slide
End Go to last slide
Number + Return Go to specific slide
b / m / f Toggle blackout / mirrored / fullscreen mode
c Clone slideshow
p Toggle presenter mode
t Restart the presentation timer
?, h Toggle this help
Esc Back to slideshow