Download SERIES DE TIEMPO
Document related concepts
Transcript
Centro de Investigación Estadística y Mercadeo www.leondariobello.com Metodología ARIMA CIEM MODELOS AUTORREGRESIVOS Y DE PROMEDIOS MOVILES Box y Jenkins Conceptos básicos Proceso estocástico: llamamos proceso estocástico a una sucesión de variables aleatorias {Yt} donde t= -.....-1, 0 , 1, 2 , ....... Estacionariedad:Puede ser varianzas (no cambios) estacionario en medias y/o en Ruido Blando (White noice):se llama ruido blanco a una sucesión de variables aleatorias con esperanza cero, igual varianza e independientes en el tiempo Paseo aleatorio: llamamos paseo aleatorio a un proceso estocástico {Yt} cuyas primeras diferencias forman un proceso ruidoPreparado blanco por: León Dario Bello MODELOS AUTORREGRESIVOS Y DE PROMEDIOS MOVILES Estacionariedad en medias hace referencia a que no tenga tendencia, estacionariedad en varianzas a que se tenga varianzas iguales, supuestos que se validaron anteriormente funciones de Autocorrelación y Autocorrelación Parcial son claves para éste análisis. Número de Casos Número de Casos 1.0 1.0 .5 .5 0.0 ACF parcial 0.0 Límites confidencial -.5 ACF es -1.0 Coeficiente 1 3 2 5 4 7 6 9 8 11 10 13 12 15 14 Límites confidencial -.5 es -1.0 Coeficiente 1 3 2 5 4 7 6 9 8 11 10 13 12 15 14 16 16 Nº de retardos Nº de retardos Preparado por: León Dario Bello MODELOS AUTORREGRESIVOS Y DE PROMEDIOS MOVILES Se utilizan cuando en algunos puntos de la serie estos están relacionados con otros que le anteceden y que les siguen. Son aquellos que reúnen en una sola expresión las componentes autoregresiva y de media móvil de la serie de tiempo, si la tienen. La componente Autoregresiva se encarga de determinar cada observación como una combinación lineal de las observaciones anteriores; la componente de Media Móvil incluye una parte aleatoria Preparado por: León Dario Bello DESCRIPCIÓN DE LOS MODELOS Los modelos deben ser construidos sobre una serie Xt estacionaria con respecto a la media, varianza y autocorrelaciones. Si la serie Xt no es estacionaria con respecto a la media, para volverla estacionaria hay que aplicar una diferenciación de orden d: d Xt; si no lo es con respecto a las autocorrelaciones deben emplearse una diferenciación de orden D; si no lo es con respecto a la varianza debe utilizarse la transformación de Box-Cox. Preparado por: León Dario Bello Metodología ARIMA Número de Casos Número de Casos 1.0 1.0 .5 .5 0.0 0.0 Límites confidencial ACF es -1.0 Coeficiente 1 3 2 5 4 Nº de retardos 7 6 9 8 11 10 13 12 15 14 16 ACF parcial -.5 Límites confidencial -.5 es -1.0 Coeficiente 1 3 2 5 4 7 6 9 8 11 10 13 12 15 14 16 Nº de retardos Estacionariedad en medias hace referencia a que no tenga tendencia, estacionariedad en varianzas a que se tenga varianzas iguales, supuestos que se validaron anteriormente. El modelo corrido con el SPSS fue el ARIMA (1,1,0)(1,1,0)12 Preparado por: León Dario Bello Metodología ARIMA Número de Casos Número de Casos 1.0 1.0 .5 .5 0.0 0.0 Límites confidencial ACF es -1.0 Coeficiente 1 3 2 5 4 Nº de retardos 7 6 9 8 11 10 13 12 15 14 16 ACF parcial -.5 Límites confidencial -.5 es -1.0 Coeficiente 1 3 2 5 4 7 6 9 8 11 10 13 12 15 14 16 Nº de retardos Estacionariedad en medias hace referencia a que no tenga tendencia, estacionariedad en varianzas a que se tenga varianzas iguales, supuestos que se validaron anteriormente. El modelo corrido con el SPSS fue el ARIMA (1,1,0)(1,1,0)12 Preparado por: León Dario Bello