Dpto. de Estadstica ,Estr.Eca.y O.E.I. Universidad de Alcal de Henares.

TCNICAS DE EXTRACCIN DE SEALES

1 Procedimientos empricos 2 Modelos de componentes no observables

Tcnicas avanzadas de series temporales

Dpto. de Estadstica ,Estr.Eca.y O.E.I. Universidad de Alcal de Henares.

COMPONENTES DE UNA SERIE TEMPORAL TENDENCIA (T): Componente de la serie que refleja su evolucin a largo plazo. VARIACIONES CCLICAS (C): Componente de la serie que recoge las oscilaciones peridicas de amplitud superior a un ao. VARIACIONES ESTACIONALES (E): Componente de la serie que recoge las oscilaciones peridicas que se producen en perodos de repeticin iguales e inferiores a un ao. VARIACIONES ACCIDENTALES (A): Componente de la serie que recoge las fluctuaciones errticas que se dan por la ocurrencia de fenmenos imprevisibles.
Tcnicas avanzadas de series temporales
2

Dpto. de Estadstica ,Estr.Eca.y O.E.I. Universidad de Alcal de Henares.

Descomposicin de una serie temporal

Yt = Tt Ct Et I t Yt = Tt + Ct + Et + I t

Esquema multiplicativo Produccin Industrial en Europa

130 120 110 100 90 80 70 1996 1997 1998 IPI 1999 2000 2001 120 116 112 108 104 100 96 1996 1997

Esquema aditivo

1998

1999

2000

2001

TENDENCIA

1.10 1.05 1.00 0.95

1.05 1.04 1.03 1.02 1.01

0.90 1.00 0.85 0.80 0.75 1996 1997 1998 1999 2000 2001 0.99 0.98 0.97 1996 1997 1998 1999 2000 2001 ESTACIONAL avanzadas de series temporales IRREGULAR Tcnicas

Dpto. de Estadstica ,Estr.Eca.y O.E.I. Universidad de Alcal de Henares.

Algunos procedimientos de extraccin de la tendencia

Tendencia lineal Medias mviles

Yt = a + b t + et Tt = a + b t
130 120 110 100 90 80 70 1996 1997 1998 IPI 1999 Lineal 2000 2001 130 120 110 100 90 80 70 1996

Tt* =

Yt 3 + Yt 2 + Yt 1 + Yt 4

1997 IPI

1998

1999

2000

2001

Medias Mviles

Tcnicas avanzadas de series temporales

Dpto. de Estadstica ,Estr.Eca.y O.E.I. Universidad de Alcal de Henares.

Concepto de factor estacional Se repiten todos los aos en el mismo perodo En el esquema multiplicativo las fluctuaciones crecen con la tendencia (son un % del nivel de la serie). Es el ms frecuente en las series econmicas. En el esquema aditivo las fluctuaciones son constantes a lo largo del tiempo. No afecta a la tendencia, su efecto se anula dentro del ao En el esquema multiplicativo en promedio valen 1. En el esquema aditivo en promedio valen 0. Ejemplos de estacionalidad: Ventas en Navidad, Rebajas de enero, vacaciones de agosto Semana Santa, efectos puente, ... (no son estacionales)

Tcnicas avanzadas de series temporales

Dpto. de Estadstica ,Estr.Eca.y O.E.I. Universidad de Alcal de Henares.

Descomposicin de una serie temporal: yt = t + t + t Especificacin de forma determinista:

yt = a + bt + ci Dit + t
i =1 s

Donde s es la frecuencia estacional, Dit son variables s ficticias estacionales y ci = 0

i =1

Pero resulta excesivamente rgido

Tcnicas avanzadas de series temporales
6

Dpto. de Estadstica ,Estr.Eca.y O.E.I. Universidad de Alcal de Henares.

1 Procedimientos empiricistas 1.1 Alisados exponenciales

-series sin tendencia ni estacionalidad: Alisado exponencial simple

mt = yt + (1 ) yt 1 + (1 ) yt 2 + =
2

= yt + (1 )mt1

Con

0 1
m1 = y1

El algoritmo se inicia con

T

Y se elige de forma que minimice el error cuadrtico medio

(y m )
t =1 t t 1

Si ~0, la tendencia sera determinista

Tcnicas avanzadas de series temporales
7

Dpto. de Estadstica ,Estr.Eca.y O.E.I. Universidad de Alcal de Henares.

-series con tendencia sin estacionalidad: Alisado de Holt Presenta dos ecuaciones, una para la media y otra para la pendiente

bt = mt mt 1 + (1 )bt 1
El algoritmo se inicia con

mt = yt + (1 ) mt 1 + bt 1

0 1 0 1

m1 = y2 , b2 = y2 y1

Y los parmetros se eligen de forma que minimice el ECM Si ~0 y ~0 , la tendencia sera determinista Si ~0 , la pendiente sera determinista

Tcnicas avanzadas de series temporales

Dpto. de Estadstica ,Estr.Eca.y O.E.I. Universidad de Alcal de Henares.

-series con tendencia y estacionalidad: Alisado de Holt-Winters

Tres ecuaciones, una para la media, otra para la pendiente y otra para la estacionalidad

bt = mt mt 1 + (1 )bt 1 d t = ( yt mt ) + (1 )d t s
bs +1 =
El algoritmo se inicia con

mt = ( yt d t s ) + (1 ) mt 1 + bt 1

0 1 0 1 0 1

ys +1 y1 s y + ys + bs +1 + + y2 + (s 1)bs +1 ms +1 = s +1 s d i = yi (ms +1 (s + 1 i )bs +1 ), i = 3, , s + 1 y d 2 = d i

s +1

Tcnicas avanzadas i =3 de series temporales

Dpto. de Estadstica ,Estr.Eca.y O.E.I. Universidad de Alcal de Henares.

1.2 Filtro de Hodrick y Prescott

Hodrick, R.J. and E.C. Prescott (1997), Postwar U.S. Business Cycles: An empirical investigation, Journal of Money, Credit and Banking, 29, 1-16.

Se elige como estimador de la tendencia aquel valor st que minimiza:

(y
t =1

st ) + ((st +1 st ) (st st 1 ))
2 t =2

T 1

Cuanto mayor es ms suave es la tendencia. Generalmente:

si los datos son anuales 100 = 1.600 si los datos son trimestrales 14.400 si los datos son mensuales
Tcnicas avanzadas de series temporales
10

Dpto. de Estadstica ,Estr.Eca.y O.E.I. Universidad de Alcal de Henares.

2 Modelos estructurales de series temporales

La serie se define en funcin de componentes que tienen una interpretacin directa. Los componentes se definen mediante modelos especficos. Se supone que los componentes son mutuamente independientes. 2.1 Modelizacin de la tendencia -Modelo con oscilaciones locales de nivel

yt = t + t
Si Si

t = t 1 + t

2 = 0 2 > 0

el modelo tendr un nivel constante el modelo ser un Paseo Aleatorio ms ruido

Tcnicas avanzadas de series temporales
11

Dpto. de Estadstica ,Estr.Eca.y O.E.I. Universidad de Alcal de Henares.

-Modelo con crecimiento

t = t 1 + t 1 + t t = t 1 + t
Si Si

2 = 0 2 > 0

el modelo tendr una pendiente determinista el modelo tendr una pendiente estocstica

En conjunto

t = t 1 + t 1 + t t = t 1 + t

yt = t + t

Modelo de tendencia lineal local

Tcnicas avanzadas de series temporales

12

Dpto. de Estadstica ,Estr.Eca.y O.E.I. Universidad de Alcal de Henares.

2.2 Modelizacin de la estacionalidad -Modelo determinista:

t = ci Dit con ci = 0
i =1 i =1

-Modelo estocstico:

j =0

s 1

t j

2 = t con t ruido blanco con 0,

independiente de t , t y t

Tcnicas avanzadas de series temporales

13

Dpto. de Estadstica ,Estr.Eca.y O.E.I. Universidad de Alcal de Henares.

2.3 El modelo estructural bsico

yt = t + t + t t t = t 1 + t 1 + t t t = t 1 + t con t s 1 t = t i + t t i =1

~ N ( 0, 2 )
2 ~ N ( 0, )

~ N ( 0, )
2 2 ~ N ( 0, )

Ruidos blancos incorrelados entre s

Tcnicas avanzadas de series temporales

14

Dpto. de Estadstica ,Estr.Eca.y O.E.I. Universidad de Alcal de Henares.

2.4 Forma estacionaria y forma reducida -Modelo con oscilaciones locales de nivel

yt = t + t

t = t 1 + t
Propiedades:

diferenciando

yt = t + t

E ( yt ) = 0 V ( yt ) = 2 + 2 2

ARIMA(0,1,1)

2 , si k = 1; 0 en otro caso k = 2 + 2 2
Tcnicas avanzadas de series temporales
15

Dpto. de Estadstica ,Estr.Eca.y O.E.I. Universidad de Alcal de Henares.

-Modelo con tendencia lineal local

t = t 1 + t 1 + t t = t 1 + t
Propiedades:
E ( 2 yt ) = 0 V ( yt ) = + 2 + 6
2 2 2 2

yt = t + t

diferenciando

2 yt = t + t + 2 t

ARIMA(0,2,2)

4 2 2 si k = 1 2 2 2 + 2 + 6 2 k = 2 si k = 2, 2 2 + 2 + 6 0 en otro caso Tcnicas avanzadas de series temporales

16

Dpto. de Estadstica ,Estr.Eca.y O.E.I. Universidad de Alcal de Henares.

-Modelo estructural bsico

yt = t + t + t t = t 1 + t 1 + t diferenciando t = t 1 + t s yt = S ( L)t 1 + st + 2t + s t s 1 t = t i + t i =1

ARIMA(0,1,s+1)x(0,1,0)s

Tcnicas avanzadas de series temporales

17

Dpto. de Estadstica ,Estr.Eca.y O.E.I. Universidad de Alcal de Henares.

2.5 Modelo del espacio de los estados

yt = Z t + d + t

t = T t 1 + c + Rt

Ecuacin de medida Ecuacin de transicin Ruidos blancos incorrelados entre s

t ~ N ( 0, 2 ) y t ~ N ( 0, Q )
Adems,

E ( 0 ) = a0

E ( t s' ) = 0, t y s
' E ( t 0 ) = 0, t ' E (t 0 ) = 0, t

E ( ( 0 a0 )( 0 a0 ) ') = P0

Tcnicas avanzadas de series temporales

18

Dpto. de Estadstica ,Estr.Eca.y O.E.I. Universidad de Alcal de Henares.

Los modelos representados mediante el modelo del espacio de los estados para despus: a) filtrar: estimar el componente inobservado con informacin hasta t. b) Suavizar: estimar el componente con toda la informacin disponible. c) Predecir:

Tcnicas avanzadas de series temporales

19

Dpto. de Estadstica ,Estr.Eca.y O.E.I. Universidad de Alcal de Henares.

2.6 Filtro de Kalman: 1) Ecuaciones de prediccin: Permiten estimar el componente y su ECM con informacin hasta t-1.

at|t 1 = Tat 1 + c

Pt|t 1 = TPt 1T '+ RQR '

2) Ecuaciones de adaptacin: Permiten actualizar con toda la informacin disponible

at = at|t 1 + Pt|t 1Z ' Ft1 ( yt Zat|t 1 d ) Pt = Pt|t 1 Pt|t 1Z ' Ft1ZPt|t 1 Ft = ZPt|t 1Z '+ 2
Tcnicas avanzadas de series temporales
20

Dpto. de Estadstica ,Estr.Eca.y O.E.I. Universidad de Alcal de Henares.

Inicializacin del filtro: a) Vector de estados estacionario: media y varianza no condicional de la serie a) Vector de estados no estacionario: Observaciones iniciales

Tcnicas avanzadas de series temporales

21

Dpto. de Estadstica ,Estr.Eca.y O.E.I. Universidad de Alcal de Henares.

2.7 Suavizados Actualizacin del componente con todas las observaciones disponibles hasta el momento T: Algoritmo de intervalo fijo

at|T = at + Pt * ( at +1|T Tat c ) Pt|T = Pt + Pt * ( Pt +1|T Pt +1|t ) Pt *

1 Pt * = PTP t t +1|t

con aT |T = aT y PT |T = PT

Tcnicas avanzadas de series temporales

22