Modelos ARIMA de Box&Jenkins - Parte I
Modelos autoregresivos.
Modelos de medias móviles.
ARMA(1,1)
Hoy seguimos con el tema de:
El Modelo no estacional de medias móviles de orden q, MA(q), está definido por el siguiente proceso estocástico lineal:
Zt=C+at−θ1at−1−θ2at−2−...−θqat−q
donde:
C y θi,i=1,...,q son constantes desconocidas,
at∼wn(0,σ2a).
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. ρk≠0 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).
Zt=C+ϕ1Zt−1+ϕ2Zt−2+...+ϕpZt−p+at
donde:
C y ϕi,i=1,...,p son constantes desconocidas,
at∼wn(0,σ2a).
Se puede demostrar que:
E(Zt)=C1−ϕ1−ϕ2−...−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. ρkk≠0 para k=1,...,p. ρkk=0 para k>p.
Zt=C+ϕ1Zt−1+ϕ2Zt−2+...+ϕpZt−p
+at−θ1at−1−θ2at−2−...−θqat−q
donde:
C, ϕi,i=1,...,p y θj,j=1,...,q son constantes desconocidas,
at∼wn(0,σ2a) (independiente de Yt).
Se puede demostrar que:
E(Zt)=C1−ϕ1−ϕ2−...−ϕp=μ.
La función de autocorrelación decae a cero después de los primeros q−p según una combinación de exponenciales amortiguadas y/o ondas sinusoidales amortiguadas.
La f.a.c.p. teórica decae a cero después de los primeros p−q según una combinación de exponenciales amortiguadas y/o ondas sinusoidales amortiguadas.
¿Condición de estacionariedad y invertibilidad? (veremos más adelante)
De esta forma, se puede extender el operador de rezago a: BkZt=Zt−k
También existe la idea del operador inverso B−1 de tal forma que B−1B=1, entonces B−1Zt−1=Zt
Operador B es llamado retroceso (backshift).
Note que: Zt=C+ϕ1Zt−1+ϕ2Zt−2+at ⇒Zt−ϕ1Zt−1−ϕ2Zt−2=C+at ⇒Zt−ϕ1Zt−1−ϕ2Zt−2=μ(1−ϕ1−ϕ2)+at ya que E(Zt)=C1−ϕ1−ϕ2=μ.
Reordenando los términos, (Zt−μ)−ϕ1(Zt−1−μ)−ϕ2(Zt−2−μ)=at. Tome ˜Zt=Zt−μ, ˜Zt−ϕ1˜Zt−1−ϕ2˜Zt−2=at.
˜Zt−ϕ1˜Zt−1−ϕ2˜Zt−2=at. ˜Zt−ϕ1B˜Zt−ϕ2B2˜Zt=at. (1−ϕ1B−ϕ2B2)˜Zt=at.
De la misma forma, el MA(2):
Zt=C+at−θ1at−1−θ2at−2
se puede escribir como
˜Zt=(Zt−μ)=(1−θ1B−θ2B2)at
Zt=C+ϕ1Zt−1+ϕ2Zt−2+...+ϕpZt−p +at−θ1at−1−θ2at−2−...−θqat−q
se puede escribir como:
(1−ϕ1B−ϕ2B2−...−ϕpBp)˜Zt=(1−θ1B−θ2B2−...−θqBq)at.
o
ϕ(B)˜Zt=θ(B)at.
donde:
ϕ(B)=1−ϕ1B−ϕ2B2−...−ϕpBp es el operador autoregresivo.
θ(B)=1−θ1B−θ2B2−...−θqBq es el operador de medias móviles.
El modelo AR(p) se puede escribir como: (1−ϕ1B−ϕ2B2−...−ϕpBp)Zt=C+at,
Resultado teórico: Considere el polinomio autoregresivo: ϕ(z)=1−ϕ1z−ϕ2z2−...−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)=1−ϕ1z=0
⇒1=ϕ1z
⇒1ϕ1=z
⇒|z|=|1ϕ1|>1⇒1>|ϕ1|
B=1.5±√2.25−3.61.8=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:
Zt−μ=(1−θ1B−θ2B2−...−θqBq)at,
Resultado teórico: Considere el polinomio de medias móviles: θ(z)=1−θ1z−θ2z2−...−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)
∇dZt=(1−B)dZt
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=(1−B)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.
(1−ϕ1B−ϕ2B2−...−ϕpBp)˜Wt=(1−θ1B−θ2B2−...−θqBq)at, O equivalentemente,
(1−ϕ1B−ϕ2B2−...−ϕpBp)(1−B)d˜Zt= (1−θ1B−θ2B2−...−θqBq)at.
ϕ(B)∇d˜Zt=θ(B)at.
donde:
ϕ(B)=1−ϕ1B−ϕ2B2−...−ϕpBp es el operador autorregresivo.
θ(B)=1−θ1B−θ2B2−...−θqBq es el operador de medias móviles.
∇d=(1−B)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).
Wt+Wt−1+Wt−2+... =(Zt−Zt−1)+(Zt−1−Zt−2)+(Zt−2−Zt−3)+... =Zt
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)=1−θ1B−θ2B2−...−θqBq=0.
Modelos ARIMA de Box&Jenkins - Parte I
Modelos autoregresivos.
Modelos de medias móviles.
ARMA(1,1)
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 |