Tema 7: Modelos de regresión dinámica

class: center, middle, inverse, title-slide

.title[
# Tema 7: Modelos de regresión dinámica
]
.subtitle[
## Curso: Análisis de series temporales
]
.author[
### Prof. Shu Wei Chou Chen
]
.institute[
### Escuela de Estadística, UCR.
]

---

# Contenido

1. Introducción
2. Regresión lineal con error de tipo ARIMA
2. Análisis de intervención

---
# Introducción

- En el Tema 4, hemos visto regresión con series de tiempo:

`$$Y_t=\beta_0+\beta_1 X_{t,1}+\beta_2 X_{t,2}+...+\beta_p X_{t,p}+\epsilon_t, ~~t=1,...,T,$$` 
en donde `$\left\lbrace  \epsilon_t \right\rbrace$` es ruido blanco Gaussiano.

- Los modelos de regresión dinámicos son modelos de regresión en los que el término de error sigue un modelo ARIMA, y la variable independiente `$X_t$` influye a `$Y_t$` no solo instantáneamente en el tiempo `$t$` sino a través de varios periodos.
- El caso univariado,
`$$Y_t=\beta_0+\beta_1 X_{t}+\beta_2 X_{t-1}+...+\beta_p X_{t-p}+\eta_t$$` 
`$$\left\lbrace  \eta_t \right\rbrace \sim ARIMA(p,d,q)$$`
- Veremos algunas extensiones del modelo de regresión con error tipo ARIMA antes de considerar la variable independiente rezagada como predictora.

---
# Regresión lineal con error de tipo ARIMA

- Primeramente, vamos a considerar el siguiente modelo:
`$$Y_t=\beta_0+\beta_1 X_{t,1}+\beta_2 X_{t,2}+...+\beta_p X_{t,p}+\eta_t, ~~t=1,...,T,$$` 
en donde `$\left\lbrace  \eta_t \right\rbrace \sim ARIMA(p,d,q)$`, i.e.

`$$\phi(B) (1-B)^d \eta_t=\theta(B) \epsilon_t,$$`
con ruido blanco `$\left\lbrace  \epsilon_t \right\rbrace$`.

---
# Regresión lineal con error de tipo ARIMA

- La estimación de los parámetros del modelo minimizando la suma de cuadrados `$\eta_t$` en vez de `$\eta_t$` ignorando su estructura dependiente del tiempo es incorrecta.
- La estimación de los coeficientes `$\beta_i, i=1,...,p$` no satisfacen las propiedades óptimas (insesgamiento, variancia mínima, etc.). Por lo tanto, toda la teoría de pruebas de hipótesis de regresión no funciona.

**Notas:**

- Verifique que la variable `$Y_t$` y las `$X_{t1},X_{t2},...,X_{tp}$` sean estacionarias, porque si se estiman los coeficientes con variables no estacionarias, los estimadores no son consistentes. 
- Además, podría presentar problema de la regresión espuria.
- Realice diferencias a las variables no estacionarias.
- El modelo después de aplicar la diferencia es llamado **modelo de regresión en diferencias**.
- Se puede demostrar que el modelo de regresión con error de tipo ARIMA es equivalente a un modelo de regresión en diferencias con error tipo ARMA.

---
# Regresión lineal con error de tipo ARIMA

- Considere `$$Y_t=\beta_0+\beta_1 X_{t,1}+\beta_2 X_{t,2}+...+\beta_p X_{t,p}+\eta_t, ~~t=1,...,T,$$`
`$$(1-\phi_1B) (1-B) \eta_t=(1-\theta_1 B) \epsilon_t,$$`
- Después de aplicar las diferencias
`$$Y'_t=Y_{t}-Y_{t-1}, ~~~~ X'_{t,k}=X_{t,k}-X_{t-1,k},~k=1,...,p,~~\text{y}~~ \eta'_t=\eta_t-\eta_{t-1}$$`

obtenemos

`$$Y'_t=\beta_1 X'_{t,1}+\beta_2 X'_{t,2}+...+\beta_p X'_{t,p}+\eta'_t, ~~t=1,...,T,$$` 
`$$(1-\phi_1B) \eta'_t=(1-\theta_1 B) \epsilon_t,$$`

---
# Regresión lineal con error de tipo ARIMA

- En R, si queremos ajustar un modelo de regresión con error tipo ARIMA(1,1,0), i.e. 
`$$Y_t=\beta_0+\beta_1 X_{t,1}+\eta_t$$` 
`$$(1-\phi_1B) (1-B) \eta_t=\epsilon_t,$$`
con el siguiente comando:

```r
mod <- Arima(y, xreg=x, order=c(1,1,0))
```

- El programa considera el modelo en diferencias con error tipo AR(1):

`$$Y'_t=\beta_1 X'_{t1}+\eta_t$$` 
`$$(1-\phi_1B) \eta_t=\epsilon_t,$$`

---
# Regresión lineal con error de tipo ARIMA
 
- Ejemplo tomado de Hyndman (2018): pronóstico del cambio de gasto basado en el ingreso personal (serie trimestral) de 01-1970 a 03-2016.
 
<img src="presentacion_files/figure-html/unnamed-chunk-3-1.png" width="50%" style="display: block; margin: auto;" />

---
# Regresión lineal con error de tipo ARIMA

```r
(mod <- auto.arima(uschange[,"Consumption"],
                   xreg=uschange[,"Income"]))
```

```
## Series: uschange[, "Consumption"] 
## Regression with ARIMA(1,0,2) errors 
## 
## Coefficients:
##          ar1      ma1     ma2  intercept    xreg
##       0.6922  -0.5758  0.1984     0.5990  0.2028
## s.e.  0.1159   0.1301  0.0756     0.0884  0.0461
## 
## sigma^2 = 0.3219:  log likelihood = -156.95
## AIC=325.91   AICc=326.37   BIC=345.29
```

El modelo final estimado es:

`$$Y_t=0.599+ 0.203 X_{t1}+\eta_t$$` 
`$$\eta_t=0.692 \eta_{t-1}+\epsilon_t-0.576 \epsilon_{t-1}+ 0.198\epsilon_{t-2},$$`
`$$\epsilon_{t} \sim N(0,0.322)$$`

---
# Regresión lineal con error de tipo ARIMA
 
<img src="presentacion_files/figure-html/unnamed-chunk-5-1.png" width="50%" style="display: block; margin: auto;" />

---
# Regresión lineal con error de tipo ARIMA

.pull-left[
- Residuales del modelo de regresión con errores independientes.

]
.pull-right[
-  Residuales del modelo dinámico con error de estructura ARMA.

<img src="presentacion_files/figure-html/unnamed-chunk-7-1.png" width="90%" style="display: block; margin: auto;" />
]

---
# Regresión lineal con error de tipo ARIMA
 
<img src="presentacion_files/figure-html/unnamed-chunk-8-1.png" width="40%" style="display: block; margin: auto;" />

```
## 
## 	Ljung-Box test
## 
## data:  Residuals from Regression with ARIMA(1,0,2) errors
## Q* = 5.8916, df = 5, p-value = 0.3169
## 
## Model df: 3.   Total lags used: 8
```

---
# Regresión lineal con error de tipo ARIMA
 
## Pronóstico:

```r
fcast <- forecast(mod, xreg=rep(mean(uschange[,2]),8))
autoplot(fcast) + xlab("Year") +
  ylab("Percentage change")
```

---
## Serie estacionaria por tendencia y por diferencia.

Suponga que una serie temporal `$\left\lbrace Y_t \right\rbrace$` es una realización de una tendencia determinística y un componente estocástico:

$$
Y_t=TD_t+ \eta_t,
$$
donde `$TD_t=\beta_0+\beta_1 t$` y `$\eta_t \sim ARIMA(p,d,q)$`.

**Caso 1:** si `$d=0$`, `$\left\lbrace Y_t \right\rbrace$` es estacionaria alrededor de una tendencia determinística. Por lo tanto, se puede eliminar la tendencia de la serie original y ajustar un modelo ARMA a los residuales.

**Caso 2:** si `$d>0$`, `$\left\lbrace Y_t \right\rbrace$` es estacionaria por diferencia. Por lo tanto, se puede realizar una diferencia para obtener una serie estacionaria. Caso más común es cuando `$d=1$`.

---
## Serie estacionaria por tendencia y por diferencia.

- Ejemplo de estos dos tipos de estacionariedad:

**Tendencia determinística:**
`$$Y_t=Y_{t-1}+\mu=Y_0+\mu t$$`
**Tendencia estocástica (acumulación de choques aleatorias):**
`$$Y_t=Y_{t-1}+\epsilon_t=Y_0+\sum_{s=1}^t \epsilon_s$$`
donde `$\mu$` es una constante y `$\epsilon_t$` es ruido blanco.

---
## Serie estacionaria por tendencia y por diferencia.

- En síntesis, una serie temporal `$\left\lbrace Y_t \right\rbrace$` está compuesto por una tendencia determinística y un componente estocástico que es modelado por `$ARIMA(p,d,q)$`.
- Se puede descomponer `$\eta_t$` en dos componentes: tendencia estocástica (choques aleatorios) y el componente aleatorio "estacionario". 
- Entonces, `$\left\lbrace Y_t \right\rbrace$` se puede descomponer en tres componentes:
1. tendencia determinística,
2. tendencia estocástica, y
3. el componente "aleatorio".

- Un modelo estacionario por tendencia, no tiene la tendencia estocástica, y el componente aleatorio es `$ARMA(p,q)$`.
- En el caso de un modelo estacionario por diferencia, el polinomio autoregresivo del componente `$\eta_t$` tiene al menos una raíz unitaria.

---
## Serie estacionaria por tendencia y por diferencia.

.pull-left[
<img src="presentacion_files/figure-html/unnamed-chunk-10-1.png" width="80%" style="display: block; margin: auto;" />

Tendencia determinística:
`$Y_t= 0 + 0.5 t + \epsilon_t$`

Tendencia determinística con tendencia estocástica:
`$Y_t= 0 + 0.5 t + \sum_{s=1}^t \epsilon_s$`
]

.pull-right[

Tendencia estocástica:
`$Y_t = \sum_{s=1}^t \epsilon_s$`
]

---
# Tendencia determinística y estocástica

- Devolviendo al modelo regresión, en la práctica se puede modelar una tendencia lineal usando:

`$$Y_t=\beta_0+\beta_1 t + \eta_t$$`
1. `$\eta_t \sim ARMA(p,q)$`, o

2. `$\eta_t \sim ARIMA(p,1,q)$`.

- En el caso 2, se puede simplificar el modelo en:

`$$Y_t=Y_{t-1}+\beta_1+ \eta'_t.$$`
Este modelo es similar a un modelo de caminata aleatoria pero con un desvío `$\beta_1$` y el error es ARMA.

---
# Tendencia determinística y estocástica

---
# Tendencia determinística y estocástica

```r
trend <- seq_along(austa)
(fit1 <- auto.arima(austa, d=0, xreg=trend))
```

```
## Series: austa 
## Regression with ARIMA(2,0,0) errors 
## 
## Coefficients:
##          ar1      ar2  intercept    xreg
##       1.1127  -0.3805     0.4156  0.1710
## s.e.  0.1600   0.1585     0.1897  0.0088
## 
## sigma^2 = 0.02979:  log likelihood = 13.6
## AIC=-17.2   AICc=-15.2   BIC=-9.28
```

`$$Y_t=0.416+0.171t+\eta_t$$`
`$$\eta_t=1.113\eta_{t-1}-0.380 \eta_{t-2}+\epsilon_t$$`
`$$\epsilon_t \overset{iid}{\sim} N(0,0.03)$$`

---
# Tendencia determinística y estocástica

```r
(fit2 <- auto.arima(austa, d=1))
```

```
## Series: austa 
## ARIMA(0,1,1) with drift 
## 
## Coefficients:
##          ma1   drift
##       0.3006  0.1735
## s.e.  0.1647  0.0390
## 
## sigma^2 = 0.03376:  log likelihood = 10.62
## AIC=-15.24   AICc=-14.46   BIC=-10.57
```

`$$Y_t-Y_{t-1}=0.173+\eta'_t,$$`
o de otra forma,

`$$Y_t=Y_0+0.173t+\eta'_t$$`
`$$\eta_t=\eta_{t-1}+0.301\epsilon_{t-1}+\epsilon_t$$`
`$$\epsilon_t \overset{iid}{\sim} N(0,0.034)$$`

---
# Tendencia determinística y estocástica