Algunas aplicaciones de modelos de series de tiempo

Miguel Chong, Alberto Contreras, Julio Lopez, Adriana Mart nez, Armando Sanchez, Laura Sanvicente, Andrew Walden

Algunas aplicaciones de modelos de series de tiempo p. 1/2

Procesos estacionarios
Un proceso estocstico a tiempo discreto {Xt , t = 0, 1, . . .} es estacionario de segundo orden si I E (Xt ) = , y COV (Xt , Xt+ ) = , t. t

Algunas aplicaciones de modelos de series de tiempo p. 2/2

Procesos estacionarios
Un proceso estocstico a tiempo discreto {Xt , t = 0, 1, . . .} es estacionario de segundo orden si I E (Xt ) = , y COV (Xt , Xt+ ) = , t. t

En el caso no estacionario
COV (Xt , Xt+ ) = ,t .

Algunas aplicaciones de modelos de series de tiempo p. 2/2

50 time

100

150

(a)

x 0 5 10 15

20

25

30

50 time

100

150

(b)

a) estacionario

b) no estacionario

Algunas aplicaciones de modelos de series de tiempo p. 3/2

Modelos lineales
Sean p, q enteros positivos y B el operador Bxt = xt1 . Modelo ARMA(p, q ) p (B )Xt = q (B )t , donde (z ) = 1 1 z 2 z 2 . . . p z p , (z ) = 1 + 1 z + 2 z 2 + . . . + q z q
2) y {t } son v.a. no correlacionadas con distribucion normal(0,

(1)

Algunas aplicaciones de modelos de series de tiempo p. 4/2

Modelos lineales
Sean p, q enteros positivos y B el operador Bxt = xt1 . Modelo ARMA(p, q ) p (B )Xt = q (B )t , donde (z ) = 1 1 z 2 z 2 . . . p z p , (z ) = 1 + 1 z + 2 z 2 + . . . + q z q
2) y {t } son v.a. no correlacionadas con distribucion normal(0,

(1)

En el caso unidimensional, se transforman los datos a una serie estacionaria y se ajusta (se estiman los parmetros) el modelo (1)

Algunas aplicaciones de modelos de series de tiempo p. 4/2

V 1: Estacionalidad
Se puede pensar en un modelo para datos con componente estacional SARIMA((p, d, q ) (P, D, Q))s .

Algunas aplicaciones de modelos de series de tiempo p. 5/2

V 1: Estacionalidad
Se puede pensar en un modelo para datos con componente estacional SARIMA((p, d, q ) (P, D, Q))s . Dadas observaciones {Xt }, entonces si el proceso Yt = (1 B )d (1 B s )D Xt es un proceso ARMA causal p (B )P (B s )Yt = q (B )Q (B s )t , (A)

Algunas aplicaciones de modelos de series de tiempo p. 5/2

V 1: Estacionalidad
Se puede pensar en un modelo para datos con componente estacional SARIMA((p, d, q ) (P, D, Q))s . Dadas observaciones {Xt }, entonces si el proceso Yt = (1 B )d (1 B s )D Xt es un proceso ARMA causal p (B )P (B s )Yt = q (B )Q (B s )t , donde p (z ) = 1 1 z 2 z 2 . . . p z p , P (z ) = 1 1 z 2 z 2 . . . P z p , q (z ) = 1 + 1 z + 2 z 2 + . . . + q z q , Q (z ) = 1 + 1 z + 2 z 2 + . . . + Q z q
2) y {t } son v.a. no correlacionadas con distribucion normal(0,

(A)

Algunas aplicaciones de modelos de series de tiempo p. 5/2

Algunas aplicaciones de modelos de series de tiempo p. 6/2

Algunas aplicaciones de modelos de series de tiempo p. 7/2

Algunas aplicaciones de modelos de series de tiempo p. 8/2

Algunas aplicaciones de modelos de series de tiempo p. 9/2

Dominio de frecuencias
Dados un proceso estacionario {Xt } y su sucesin de autocovarianza {COV (Xt , Xt+ ) = } , bajo algunas hiptesis

S (f ) =
=

ei2f .

Algunas aplicaciones de modelos de series de tiempo p. 10/2

Dominio de frecuencias
Dados un proceso estacionario {Xt } y su sucesin de autocovarianza {COV (Xt , Xt+ ) = } , bajo algunas hiptesis

S (f ) =
=

ei2f .

S (f ) tiene la interpretacin de una densidad en el dominio de frecuencias

1/2

=
1/2

S (f )ei2f df
1/2

V AR(Xt ) =
1/2

S (f )df

Algunas aplicaciones de modelos de series de tiempo p. 10/2

Dominio de frecuencias
Dadas observaciones del proceso {Xt : t = 1, . . . , N }, existen estimadores muy estudiados para S (f ) 1 S (f ) = N
N 2

Xk ei2f k
k=1

Algunas aplicaciones de modelos de series de tiempo p. 11/2

Dominio de frecuencias
Dadas observaciones del proceso {Xt : t = 1, . . . , N }, existen estimadores muy estudiados para S (f ) 1 S (f ) = N
N 2

Xk ei2f k
k=1

Si {Xt } no es estacionario {COV (Xt , Xt+ ) = ,t } depende de t asi como S (f, t). metodos para estimacion de S (f, t) ?

Algunas aplicaciones de modelos de series de tiempo p. 11/2

30

20

10

power(dB)
0 -10

-20 0.0 0.1 0.2 frequency 0.3 0.4 0.5

(a)

10

-10

power(dB)
-20 -30

-40 0.0 0.1 0.2 frequency 0.3 0.4 0.5

(b)

a) AR(2) causal

b) seal de radio

Algunas aplicaciones de modelos de series de tiempo p. 12/2

Algunas aplicaciones de modelos de series de tiempo p. 13/2

Algunas aplicaciones de modelos de series de tiempo p. 14/2

magnetic field magnitude (nT)

2.5 2.0 1.5 1.0 0.5 0.0 139

fig 6.6 (a)

a b

512
fig 6.6 (b)

1024

1536

2048 t

2560

3072

3584

4096 14 12 10 8 n 6 4 2 0 4096

frequency (microHz)

122 104 87 69 52 35 17 0 0

512

1024

1536

2048 t

2560

3072

3584

Algunas aplicaciones de modelos de series de tiempo p. 15/2

52 a 43 4 35 f(microHz) index n 3 b c d 5

26 2

17 1 9 0 0 1536 1664 1792 1920 2048 2176 2304 2432 2560 2688 2816 2944 3072 t

Algunas aplicaciones de modelos de series de tiempo p. 16/2

V 2: Extensin multidimensional
p k

Xt =
i=1

i Xti +
i=1

Vi Zti + 0 + 1 t + dt + wt + Et ,

(2)

Zt variables exgenas (covariables), dt vector de dummies estacionales, wt vector de dummies para anlisis de intervencin,

Algunas aplicaciones de modelos de series de tiempo p. 17/2

V 2: Extensin multidimensional
p k

Xt =
i=1

i Xti +
i=1

Vi Zti + 0 + 1 t + dt + wt + Et ,

(2)

Zt variables exgenas (covariables), dt vector de dummies estacionales, wt vector de dummies para anlisis de intervencin, Et Nd (0, ).

Algunas aplicaciones de modelos de series de tiempo p. 17/2

V 2: Extensin multidimensional
p k

Xt =
i=1

i Xti +
i=1

Vi Zti + 0 + 1 t + dt + wt + Et ,

(2)

Zt variables exgenas (covariables), dt vector de dummies estacionales, wt vector de dummies para anlisis de intervencin, Et Nd (0, ). En principio el modelo puede usarse para vectores de series de tiempo {Xt } donde cada componente de Xt es estacionaria i) B (vericar condiciones sobre p i i=1

Algunas aplicaciones de modelos de series de tiempo p. 17/2

V 2: Extensin multidimensional
p k

Xt =
i=1

i Xti +
i=1

Vi Zti + 0 + 1 t + dt + wt + Et ,

(2)

Zt variables exgenas (covariables), dt vector de dummies estacionales, wt vector de dummies para anlisis de intervencin, Et Nd (0, ). En principio el modelo puede usarse para vectores de series de tiempo {Xt } donde cada componente de Xt es estacionaria i) B (vericar condiciones sobre p i i=1 No obstante, a diferencia del caso unidimensional, este tipo de modelos pueden tener sentido y ser tiles, para algunos vectores de series temporales donde ninguna componente es estacionaria de segundo orden !

Algunas aplicaciones de modelos de series de tiempo p. 17/2

Asumiendo cointegracion Cada componente Xi,t de Xt es I (1) : Xi,t = Xi,t Xi,t1 es estacionaria i = 1, . . . , d. Existe una matriz A de dimensiones h d tal que las componentes de A Xt son series estacionarias.

Algunas aplicaciones de modelos de series de tiempo p. 18/2

Asumiendo cointegracion Cada componente Xi,t de Xt es I (1) : Xi,t = Xi,t Xi,t1 es estacionaria i = 1, . . . , d. Existe una matriz A de dimensiones h d tal que las componentes de A Xt son series estacionarias. La parte en color negro de (2) se escribe como ecuacin de correccin de error (VAR en Xt )
p1

X t =
i=1

i Xti BA Xt1 + Et .

Algunas aplicaciones de modelos de series de tiempo p. 18/2

Asumiendo cointegracion Cada componente Xi,t de Xt es I (1) : Xi,t = Xi,t Xi,t1 es estacionaria i = 1, . . . , d. Existe una matriz A de dimensiones h d tal que las componentes de A Xt son series estacionarias. La parte en color negro de (2) se escribe como ecuacin de correccin de error (VAR en Xt )
p1

X t =
i=1

i Xti BA Xt1 + Et .

Se pueden estimar parmetros, con una interpretacin economtrica de las componentes de A Xt

Algunas aplicaciones de modelos de series de tiempo p. 18/2

Algunas aplicaciones de modelos de series de tiempo p. 19/2

En Lpez Gallardo, et al. (2006), se logr estimar un VAR de orden p = 4 y donde Xt tiene 3 componentes

Algunas aplicaciones de modelos de series de tiempo p. 20/2

En Lpez Gallardo, et al. (2006), se logr estimar un VAR de orden p = 4 y donde Xt tiene 3 componentes X1,t Salario nominal industria manufactura X2,t Salario nominal industria maquiladora X3,t valor bruto de produccin I. manufactura

Algunas aplicaciones de modelos de series de tiempo p. 20/2

En Lpez Gallardo, et al. (2006), se logr estimar un VAR de orden p = 4 y donde Xt tiene 3 componentes X1,t Salario nominal industria manufactura X2,t Salario nominal industria maquiladora X3,t valor bruto de produccin I. manufactura La variable Z = tasa de subempleo es covariable en el modelo Se utilizaron dummies para captar efectos estacionales

Algunas aplicaciones de modelos de series de tiempo p. 20/2

Referencias
Contreras-Cristn, A., Walden, A.T. (2002) Multitaper power spectrum estimation and thresholding: wavelet packets versus wavelets. IEEE transactions on signal processing, 50, 12, 2976-2986. Lpez Gallardo, J., Snchez, A., Contreras-Cristn, A., Chong, M.A. (2006) Wages in Mexico: A tale of two industries. manuscrito remitido a Labour. Walden, A.T., Contreras Cristn, A. (1998-B) The phase-corrected undecimated discrete wavelet packet transform and its application to determining the timing of events. Proc. Roy. Soc. Lond. Ser. A, 454, 2243-2266.

Algunas aplicaciones de modelos de series de tiempo p. 21/2