Académique Documents
Professionnel Documents
Culture Documents
Miguel Chong, Alberto Contreras, Julio Lopez, Adriana Mart nez, Armando Sanchez, Laura Sanvicente, Andrew Walden
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
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 .
50 time
100
150
(a)
x 0 5 10 15
20
25
30
50 time
100
150
(b)
a) estacionario
b) no estacionario
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)
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)
V 1: Estacionalidad
Se puede pensar en un modelo para datos con componente estacional SARIMA((p, d, q ) (P, D, Q))s .
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)
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)
Dominio de frecuencias
Dados un proceso estacionario {Xt } y su sucesin de autocovarianza {COV (Xt , Xt+ ) = } , bajo algunas hiptesis
S (f ) =
=
ei2f .
Dominio de frecuencias
Dados un proceso estacionario {Xt } y su sucesin de autocovarianza {COV (Xt , Xt+ ) = } , bajo algunas hiptesis
S (f ) =
=
ei2f .
=
1/2
S (f )ei2f df
1/2
V AR(Xt ) =
1/2
S (f )df
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
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) ?
30
20
10
power(dB)
0 -10
(a)
10
-10
power(dB)
-20 -30
(b)
a) AR(2) causal
b) seal de radio
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
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
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,
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, ).
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
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 !
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.
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 .
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 .
En Lpez Gallardo, et al. (2006), se logr estimar un VAR de orden p = 4 y donde Xt tiene 3 componentes
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
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
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.