Académique Documents
Professionnel Documents
Culture Documents
ECONOMTRICAS
PARA EL PRONSTICO
DE SERIES DE TIEMPO
APLICACIONES
EMPRESARIALES
UPAE - Mayo de 2004
Contenido Sesin 1
1. Introduccin
2. Procesos estacionarios
3. Procesos Autoregresivos (AR)
4. Procesos de Medias Mviles (MA)
5. Procesos ARMA
6. Procesos no estacionarios
7. Modelos ARIMA estacionales
8. Etapas en la modelizacin
1. Introduccin
1.1. Objetivo
1.2. Tcnicas de modelizacin y pronstico
1.3. Usos de los pronsticos
1.4. Series de tiempo
1.5. Momentos del proceso
univariante
tiene
10
11
12
13
14
15
19722
20931
21956
20221
19923
16
ene88
ene89
ene90
ene91
ene92
ene93
ene94
ene95
ene96
ene97
ene98
ene99
ene00
ene01
ene02
ene03
17
Ejemplo:
venta de
boletos
3 1 .0 0 0
2 9 .0 0 0
2 7 .0 0 0
2 5 .0 0 0
2 3 .0 0 0
2 1 .0 0 0
1 9 .0 0 0
1 7 .0 0 0
1 5 .0 0 0
e n e 8 7
e n e 8 8
e n e 8 9
e n e 9 0
e n e 9 1
e n e 9 2
e n e 9 3
e n e 9 4
e n e 9 5
e n e 9 6
e n e 9 7
e n e 9 8
e n e 9 9
e n e 0 0
e n e 0 1
e n e 0 2
e n e 0 3
Qu observamos en el grfico?
Estacionalidad (=zafralidad)
Tendencia (cada de los boletos desde 1994)
Irregulares
Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -
18
30.000
87- 94
28.000
95-03
26.000
24.000
22.000
20.000
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Set
Oct
Nov
Dic
19
Observamos:
33.000
estacionalidad
31.000
efectos
calendario
(Semana de
Tur., Carnaval)
29.000
27.000
25.000
23.000
21.000
19.000
Ene
Feb
Abr
Jul
Oct
17.000
15.000
irregulares
(octubre de
1989, por
ejemplo)
1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003
20
Varianza
2(t) = Var [ y(t) ] = E {[ y(t) - (t)]2}
Autocovarianzas
t,s=cov[y(t),y(s)]=E{[y(t)-(t)] [y(s)-(s)]}
Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -
21
Varianza
2t = Var [ yt ] = V(yt) = E {[ yt - t]2}
Autocovarianzas
t,s=cov[yt,ys]=E{[yt-t] [ys-s]}
Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -
22
23
24
2. Procesos estacionarios
2.1. Definicin y ejemplos
2.2. Funcin de autocorrelacin
25
26
27
28
29
10
18/11/01
18/10/01
18/09/01
18/08/01
18/07/01
18/06/01
18/05/01
18/04/01
18/03/01
18/02/01
18/01/01
18/12/00
18/11/00
18/10/00
18/09/00
18/08/00
18/07/00
18/06/00
18/05/00
18/04/00
18/03/00
18/02/00
18/01/00
18/12/99
18/11/99
18/10/99
15
14
13
12
11
30
10
18/02/04
18/12/03
18/10/03
18/08/03
18/06/03
18/04/03
18/02/03
18/12/02
18/10/02
18/08/02
18/06/02
18/04/02
18/02/02
18/12/01
18/10/01
18/08/01
18/06/01
18/04/01
18/02/01
18/12/00
18/10/00
18/08/00
18/06/00
18/04/00
18/02/00
18/12/99
18/10/99
30
25
20
15
31
18/02/04
18/12/03
18/10/03
18/08/03
18/06/03
18/04/03
18/02/03
18/12/02
18/10/02
18/08/02
18/06/02
18/04/02
18/02/02
18/12/01
18/10/01
18/08/01
18/06/01
18/04/01
18/02/01
18/12/00
18/10/00
18/08/00
18/06/00
18/04/00
18/02/00
18/12/99
18/10/99
7%
6%
5%
4%
3%
2%
1%
0%
32
0,7
18/02/04
18/12/03
18/10/03
18/08/03
18/06/03
18/04/03
18/02/03
18/12/02
18/10/02
18/08/02
18/06/02
18/04/02
18/02/02
18/12/01
18/10/01
18/08/01
18/06/01
18/04/01
18/02/01
18/12/00
18/10/00
18/08/00
18/06/00
18/04/00
18/02/00
18/12/99
18/10/99
1,2
1,1
1,0
0,9
0,8
33
0%
19/02/04
19/12/03
19/10/03
19/08/03
19/06/03
19/04/03
19/02/03
19/12/02
19/10/02
19/08/02
19/06/02
19/04/02
19/02/02
19/12/01
19/10/01
19/08/01
19/06/01
19/04/01
19/02/01
19/12/00
19/10/00
19/08/00
19/06/00
19/04/00
19/02/00
19/12/99
19/10/99
15%
10%
5%
-5%
-10%
-15%
34
35
E ( at ) = 0 t
V( at ) = 2 t
Cov ( at , at-k ) = 0 t
Es la sorpresa, lo imprevisible.
Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -
36
Coeficiente de
autocorrelacin:
XY
COV ( X t , Yt )
=
X * Y
COV ( y t , y t k )
=
k =
Y * Y
=
COV ( y t , y t k )
2
Y
k
=
0
37
autocorrelacin (ac).
Algunas propiedades de los coef. de
autocorrelacin:
k = k
0 = 1
Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -
38
39
-5
-10
-15
40 45 50 55 60 65 70 75 80 85 90 95 00
40
0.8
0.6
0.4
0.2
0.0
-0.2
40
45
50
55
60
65
70
75
80
85
90
95
00
41
11 13 15 17
42
43
44
45
46
yt = PSt + at
La variable es generada por una parte
sistemtica ms un ruido, innovacin, o
sorpresa.
En el caso del AR(1), PSt = C+1 yt-1
Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -
47
0.2
0.2
0.0
-0.2
0.0
-0.2
-0.4
-0.6
45
50
55
60
65
Residual
70
75
80
Actual
85
90
95
00
Fitted
48
0.8
0.6
INFLAF
- ajustado
0.4
0.2
0.0
60
65
70
75
80
INFLA
85
90
95
00
INFLAF
49
C
E ( yt) = =
1 1
V ( yt) =
2
1
50
3
,1 ,
...
K
,1
, ...
51
1 = 0,8
1,0
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0,0
1
0,0
1
10
11
12
13
14
15
10
11
12
13
-0,2
-0,2
-0,4
-0,4
-0,6
-0,8
-1,0
-0,6
-0,8
-1,0
52
14
15
53
54
55
56
57
El pac tiene
2 valores no
nulos.
En modelos
AR, el pac
nos indica
el orden
del modelo.
58
59
0.8
0.6
0.4
0.2
0.0
60 65 70 75 80 85 90 95 00 05 10 15 20 25 30
60
61
62
63
1/r = 1
1/r< 1
1/r = -1
1/r < -1
64
65
1,3
1,2
1,1
La serie tiene
una raz
unitaria.
1,0
0,9
18/04/04
18/02/04
18/12/03
18/10/03
18/08/03
18/06/03
18/04/03
18/02/03
18/12/02
18/10/02
18/08/02
18/06/02
18/04/02
18/02/02
18/12/01
18/10/01
18/08/01
18/06/01
18/04/01
18/02/01
18/12/00
18/10/00
18/08/00
18/06/00
18/04/00
18/02/00
18/12/99
0,7
18/10/99
0,8
66
67
68
69
yt = C + at + 1 at-1
Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -
70
yt = C + at + 1 at-1
El modelo es siempre estacionario.
E ( yt ) = = C
V ( y t ) = 0 = (1 + 12 )
COV ( y t , y t 1 ) = 1 = 1
COV ( y t , y t k ) = k = 0 k > 1
Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -
71
72
73
yt = 10 + at + 0,8 at-1
donde at ~ N (0 , 2^2).
En el momento T se produce un hecho
extraordinario que repercute en la innovacin
(outlier). La innovacin toma el valor de 7.
Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -
74
75
76
77
78
79
80
V ( yt ) = 0
COV ( y t , y t k ) k 0
k =
=
=
V ( yt )
0 = 0
k q
k >q
81
yt = at + 0,8 at-1
==============================================================
Included observations: 200
==============================================================
Autocorrelation Partial Correlation AC
PAC Q-Stat Prob
==============================================================
.|****
|
.|****
| 1 0.579 0.579 68.073 0.000
.|*
|
**|.
| 2 0.149-0.280 72.614 0.000
.|.
|
.|*
| 3 0.028 0.130 72.772 0.000
*|.
|
*|.
| 4-0.060-0.166 73.508 0.000
*|.
|
.|*
| 5-0.078 0.068 74.755 0.000
*|.
|
*|.
| 6-0.075-0.093 75.938 0.000
.|.
|
.|.
| 7-0.051 0.055 76.487 0.000
.|.
|
.|.
| 8-0.026-0.049 76.632 0.000
.|.
|
.|.
| 9-0.010 0.033 76.652 0.000
.|.
|
.|.
| 10 0.011-0.007 76.680 0.000
.|.
|
.|.
| 11 0.017 0.009 76.742 0.000
.|.
|
*|.
| 12-0.033-0.085 76.971 0.000
*|.
|
.|.
| 13-0.063 0.011 77.831 0.000
.|.
|
.|*
| 14 0.017 0.095 77.894 0.000
.|*
|
.|.
| 15 0.107 0.061 80.414 0.000
.|*
|
.|.
| 16 0.135 0.044 84.410 0.000
.|*
|
*|.
| 17 0.067-0.076 85.407 0.000
.|.
|
.|.
| 18-0.009 0.002 85.427 0.000
==============================================================
El pac se comporta
como el ac de un
AR(1).
El ac y el pac son
espejos en
procesos AR y MA.
82
sin
yt = at 1 yt-1 21 at-2
Sustituyendo recursivamente:
83
general,
para
un
proceso
MA(q):
84
yt = at + 0,5* at-1
xt = at + 2 * at-1
El coeficiente del modelo en y es el inverso al
de x. El coeficiente de ac de orden 1 (1) es:
1
1
1 2
=
=
0
( 1 + 12 )
1
=
( 1 + 12 )
85
yt = 0,8 * yt-1 + at
puede transformarse en el modelo MA():
0,8
j =0
at j
86
los
87
88
5. Procesos ARMA
5.1. Introduccin
5.2. Momentos y correlograma
89
90
(L) yt = C + (L) at
Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -
91
92
93
yt = C + yt-1 + at + at-1
donde at es un ruido blanco: at ~ N(0,2).
Sin prdida de generalidad, supondremos C=0.
Nos detendremos en la deduccin de la
varianza y autocovarianzas.
Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -
94
2
E ( yt )
2
E ( yt 1 )
2
+ E ( at 1 ) + 2 E ( yt 1at 1 )
2
2
2 2
2
= 0 + + + 2
2
(1 + + 2 )
0 =
12
2
2
E ( at )
95
2
y t 1 )
= 0 +
+ E ( a t y t 1 ) + E ( a t 1 y t 1 ) =
2
(1 + 2 + 2 )
1 =
2
1
etc.
1
1 =
0
Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -
96
k >1
k = k 1 k = k 1 = k 1
Resumiendo:
k =
k 1
1
para k > 1
El correlograma
(ac) se comporta
como un AR(1)
para k > 1
97
98
El pac nos da
informacin
confusa:
tendemos a
pensar que se
trata de un
AR(2).
99
6. Procesos No Estacionarios
6.1. Introduccin
6.2. Caminata al azar
6.3. Transformacin estacionaria
6.4. Modelos ARIMA
100
101
102
103
104
105
106
107
Ambas fueron
generadas a
partir de un
proceso AR(2)
estacionario.
40
30
20
10
0
-10
20
40
60
80
TS
DS
108
40
30
20
10
0
20
40
60
80
1 00 1 20 1 40 1 60 1 80 2 00
109
60
40
20
0
20
40
60
80
1 00 1 20 1 40 1 60 1 80 2 00
110
111
112
113
yt = yt yt-1 = at
Una caminata al azar con deriva tiene media
no nula cuando se diferencia:
yt = yt yt-1 = + at
La tasa promedio de crecimiento es nula
en el primer caso, mientas que en el segundo
es no nula (usualmente positiva).
Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -
114
0.1
0.0
-0.1
-0.2
-0.3
200
400
600
800
1000
115
0.02
0.00
-0.02
-0.04
-0.06
200
400
600
800
1000
116
100.5337
0.000000
77.59210
0.000000
34.56243
0.000000
Observar el
reducido valor
de la media
para la primera
diferencia de la
serie.
Observations
1060
1060
1060
==================================================
117
==============================================================
Included observations: 1062
==============================================================
Autocorrelation Partial Correlation AC
PAC Q-Stat Prob
==============================================================
.|********
.|******** 1 0.997 0.997 1057.8 0.000
.|********
.|
| 2 0.993 0.009 2109.6 0.000
.|********
.|
| 3 0.990-0.006 3155.3 0.000
.|********
.|
| 4 0.987-0.003 4194.9 0.000
.|********
.|
| 5 0.983 0.019 5228.7 0.000
.|********
.|
| 6 0.980 0.004 6256.9 0.000
.|********
.|
| 7 0.977-0.031 7278.9 0.000
.|*******|
.|
| 8 0.973-0.011 8294.8 0.000
.|*******|
.|
| 9 0.970 0.020 9304.8 0.000
.|*******|
.|
| 10 0.967 0.011 10309. 0.000
.|*******|
.|
| 11 0.964-0.003 11308. 0.000
.|*******|
.|
| 12 0.961 0.002 12300. 0.000
.|*******|
*|
| 13 0.957-0.060 13287. 0.000
.|*******|
.|
| 14 0.953 0.011 14267. 0.000
.|*******|
.|
| 15 0.950-0.016 15241. 0.000
.|*******|
.|
| 16 0.946 0.010 16208. 0.000
.|*******|
.|
| 17 0.943 0.008 17170. 0.000
.|*******|
.|
| 18 0.939-0.052 18124. 0.000
==============================================================
118
==============================================================
Included observations: 1061
==============================================================
Autocorrelation Partial Correlation AC
PAC Q-Stat Prob
==============================================================
.|
|
.|
| 1-0.035-0.035 1.2685 0.260
.|
|
.|
| 2-0.018-0.019 1.6084 0.447
.|
|
.|
| 3 0.028 0.027 2.4629 0.482
.|
|
.|
| 4-0.013-0.011 2.6369 0.620
.|
|
.|
| 5-0.004-0.004 2.6554 0.753
.|
|
.|
| 6 0.050 0.049 5.3270 0.503
.|
|
.|
| 7 0.001 0.005 5.3294 0.620
.|
|
.|
| 8-0.040-0.038 7.0189 0.535
.|
|
.|
| 9-0.031-0.036 8.0266 0.531
.|
|
.|
| 10 0.005 0.003 8.0557 0.623
.|
|
.|
| 11-0.002 0.000 8.0589 0.708
.|
|
.|
| 12 0.052 0.051 10.949 0.533
.|
|
.|
| 13-0.023-0.021 11.528 0.567
.|
|
.|
| 14 0.046 0.050 13.789 0.466
.|
|
.|
| 15 0.007 0.010 13.845 0.537
.|
|
.|
| 16-0.009-0.006 13.927 0.604
.|
|
.|
| 17 0.066 0.061 18.571 0.354
.|
|
.|
| 18 0.020 0.019 19.001 0.392
==============================================================
119
120
121
4
200
400
600
800
1000
LOG(UBI)
122
0.2
0.1
0.0
-0.1
-0.2
200
400
600
800
1000
DLOG(UBI)
123
156.4717
0.000000
150.8947
0.000000
165195.9
0.000000
325422.8
0.000000
Observations
1060
1060
1060
1060
==============================================================
124
Cmo
caracterizar la
serie de TC?
0.10
0.05
0.00
logTC: ser
estacionaria?
-0.05
-0.10
-0.15
200
400
600
800
1000
DLOG(DOLAR)
125
V(yt) = t 2
Un proceso del tipo: yt = + yt-1 + at tiene:
E(yt) = t
V(yt) = t 2
Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -
126
127
el siguiente
= zt-1 + at,
es necesario
su primera
128
129
156.4717
0.000000
150.8947
0.000000
165195.9
0.000000
325422.8
0.000000
Observations
1060
1060
1060
1060
==============================================================
La segunda
diferencia
aumenta el
desvo estndar.
Es necesario
analizar tambin
el correlograma.
130
131
(L)(1-L)d(yt - ) = (L)at
132
133
134
135
136
y t y t 4 = C + at
(1 L ) yt = C + at
4
( L ) y t = C + at
donde (L) es el polinomio autoregresivo.
137
138
0,64
0,51
0,41
0,33
0,26
0,21
0,17
0,13
0,11
10
0,09
11
0,07
12
13
14
0,05
0,04
0,80
0,64
10
11
0,51
12
13
14
15
15
0,04
16
16
0,41
0,03
139
yt = C + 1 y t s + 2 y t 2 s + at
Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -
140
141
yt = C + at 1at 1 4 at 4
Es decir, el ruido en t influye en t+1 y en
t+4. El modelo planteado tiene la limitacin
que no recoge la influencia que tendr el efecto
en t+4 sobre el valor de la variable en t+5.
Es decir, el efecto un trimestre despus se
modeliza solamente en t+1.
Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -
142
Reescribiendo el modelo:
yt = C + at 1at 1 4 at 4 + 1 4 at 5
Es decir, el modelo justamente captura la
interaccin de los 2 efectos sobre el perodo t+5.
Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -
143
144
145
12
146
2 2
2
= E 1at21 112
at 13 = ( 1 a2 )(1 + 12
)
Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -
147
148
149
150
Correlograma de
SARMA (1,0)(1,0)12:
(1-0.5*L)
(1-0.7*L12)yt=at
==============================================================
Included observations: 1000
==============================================================
Autocorrelation Partial Correlation AC
PAC Q-Stat Prob
==============================================================
.|***
|
.|***
| 1 0.459 0.459 210.89 0.000
.|*
|
*|
| 2 0.150-0.077 233.43 0.000
.|*
|
.|
| 3 0.070 0.039 238.29 0.000
.|*
|
.|*
| 4 0.102 0.081 248.75 0.000
.|
|
.|
| 5 0.061-0.026 252.51 0.000
.|*
|
.|*
| 6 0.099 0.098 262.42 0.000
.|*
|
.|
| 7 0.070-0.018 267.31 0.000
.|*
|
.|
| 8 0.078 0.052 273.42 0.000
.|
|
.|
| 9 0.018-0.048 273.76 0.000
.|*
|
.|*
| 10 0.072 0.089 279.06 0.000
.|**
|
.|**
| 11 0.294 0.296 366.80 0.000
.|***** |
.|***** | 12 0.690 0.599 850.04 0.000
.|***
|
**|
| 13 0.335-0.297 963.69 0.000
.|*
|
.|
| 14 0.112 0.020 976.52 0.000
.|
|
.|
| 15 0.048-0.038 978.82 0.000
.|*
|
.|
| 16 0.074-0.011 984.47 0.000
.|
|
.|
| 17 0.042 0.019 986.25 0.000
.|*
|
.|
| 18 0.098 0.024 996.01 0.000
.|*
|
.|
| 19 0.100 0.055 1006.2 0.000
.|*
|
.|
| 20 0.080-0.022 1012.7 0.000
.|
|
.|
| 21-0.012-0.032 1012.9 0.000
.|
|
.|
| 22 0.021-0.001 1013.3 0.000
.|*
|
.|
| 23 0.177-0.019 1045.4 0.000
.|****
|
.|
| 24 0.466 0.000 1268.1 0.000
.|**
|
.|
| 25 0.239 0.005 1326.6 0.000
.|*
|
.|
| 26 0.076-0.017 1332.6 0.000
.|
|
.|
| 27 0.010-0.033 1332.7 0.000
.|
|
.|
| 28 0.043 0.024 1334.5 0.000
.|
|
.|
| 29 0.024 0.000 1335.1 0.000
.|*
|
.|
| 30 0.073-0.029 1340.6 0.000
.|*
|
.|
| 31 0.083-0.025 1347.7 0.000
.|*
|
.|
| 32 0.069 0.021 1352.6 0.000
.|
|
.|
| 33-0.033-0.022 1353.7 0.000
.|
|
.|
| 34 0.000 0.040 1353.7 0.000
.|*
|
.|
| 35 0.101-0.026 1364.4 0.000
.|**
|
.|
| 36 0.305-0.010 1461.3 0.000
==============================================================
151
5.2
5.0
4.8
4.6
4.4
84
86
88
90
92
94
96
98
00
02
152
153
0.1
0.0
-0.1
-0.2
84
86
88
90
92
94
96
98
00
02
154
155
0.10
0.05
0.00
-0.05
-0.10
-0.15
84
86
88
90
92
94
96
98
00
02
156
157
158
8. Etapas en la Modelizacin
8.1. Introduccin
8.2. Identificacin
8.3. Estimacin
8.4. Validacin
159
Generacin
Realizaciones
Y1, Y2, ..., Yt, Yt+1, ..., YT
Curso Tcnicas Economtricas - Series de Tiempo - Aplicaciones Empresariales -
160
161
162
163