Metodologa Box - Jenkins

Autocorrelacin
La metodologa Box y Jenkins utiliza el clculo de coeficientes de autocorrelacin que
describe la asociacin de los valores de una misma variable, un coeficiente de
autocorrelacin es similar a un coeficiente de correlacin con la excepcin de que
describe la asociacin (relacin mutua) entre valores de la misma variable; pero en
diferentes periodos, supngase que se construyen algunas variables artificiales a partir
de una variable nica al cambiar el origen temporal de los datos como se muestran en
la figura , en la cual se puede observar que la variable Y1 es exactamente la misma que
la variable Y , excepto que Y1 empieza con el segundo valor de Y o sea -2 , tambin se
puede ver que Y2 es otra variable artificial que empieza en el tercer valor de Y es decir
5 , al continuar de esta forma se pude construir Y3 empezando con el cuarto valor de Y.
Se pude considerar ahora a Y y Y1 como dos variables y calcular su coeficiente de
correlacin, para cada unos de estos conjuntos o pares de variables existe un coeficiente
de correlacin correspondiente, sin embargo puesto que las variables Y1, Y2, todas
estn realmente derivadas de la misma variable original Y, a tal asociacin se le llama
auto(es decir misma) correlacin, as pues la autocorrelacin es una medida de
asociacin entre valores sucesivos de la misma variable.
Una medida estadstica, semejante a la autocorrelacin y que pose varias caractersticas
que son de gran ayuda para identificar modelos es la autocorrelacin parcial.

Clases (tipos) alternativas de modelos de series de tiempo.

Para todos pronsticos prcticos, tres clases o tipos generales de modelos de series de
tiempos pueden describir cualquier tipo o patrn de datos de series de tiempo
1) Autorregresivos (AR)
2) De promedio mvil (MA)
3) De promedio mvil autorregresivo mixto (ARMA)
Un modelo autorregresivo (AR) tiene la forma
Yt = 1Yt - 1 + 2Yt - 2 + 3Yt 3 ++pYt p + et

(Ecuacin 1)

Donde Yt es la variable dependiente y Yt 1, Yt 2, Yt 3,, Yt p son variables

independientes, en este caso, esas variables independientes son valores de la misma
variable, por ultimo et es el error o termino residual, que representa las perturbaciones
aleatorias que no pueden ser explicadas por el modelo.
Un modelo de promedio mvil (MA) de la forma
Yt = et - 1 e t 1 - 2 e t 2 - - q e t q
(Ecuacin 2)
Donde, como antes, et es el error o residuo y e t 1, e t 2,, e t q son los valores
anteriores del error, implica que la variable dependiente Yt depende del valores previos
del termino de error (et, e t 1, e t 2,, e t q) ms que la variable misma.
La tercera clase de modelo posible es el mixto, a menudo el patrn de los datos se puede
describir mejor por un proceso mixto de elementos de AR y MA, la forma general de un
modelo mixto es
Yt = 1Yt - 1 + 2Yt - 2 + 3Yt 3 ++pYt p + et -1 e t 1 - 2 e t 2 - - q e t q
(Ecuacin 3)
Metodologa Box -Jenkins
La metodologa Box y Jenkins como se conoce proporciona un procedimiento
sistemtico para el anlisis de las series de tiempos observados que es suficientemente
general para manejar prcticamente todas las estructuras de datos en serie de tiempo
observado empricamente.
Ms que una tcnica es una filosofa para pronosticar qu trabaja en casi todo tipo de
situaciones, por complejas que resulten.
Proponer una clase general de
Modelos ARMA

Identificar el modelo que

tentativamente se puede
considerar

No

Etapa 1

Estimar parmetros del modelo

considerado tentativamente

Etapa 2
Verificar el diagnostico:
Es adecuado el modelo?

Si
Usar los modelos para generar
pronsticos

Etapa 3

La metodologa Box-Jenkins se basa en el diagrama esquemtico mostrado en la figura,

donde primero se postula una clase general de modelo de prediccin; despus se
proponen tres etapas. En la etapa 1 se identifica un modelo especfico que se puede
considerarse tentativamente como el modelo de prediccin ms apropiado a la situacin,
la etapa 2 consiste en ajustar dicho modelo a los datos histricos disponibles y en
realizar una verificacin para determinar si es adecuado. Si no, el enfoque se regresa a
la etapa 1 y se identifica un mtodo alternativo de los disponibles en la clase general.
Cuando ya se ha aceptado un modelo adecuado, la etapa 3- en el desarrollo de un
pronstico para algn periodo futuro se lleva acabo.
Etapa 1: Identificar el modelo que tentativamente se puede considerar.
Tericamente la ecuacin 3 se puede ajustar a cualquier patrn de datos, sin embargo los
valores de p (0, 1, 2,) y q (0, 1, 2,) se deben especificar antes de que se aplique el
mtodo.
Por ejemplo si p = 1 y q = 0, el modelo ARMA es
Yt = 1Yt - 1 + et (Ecuacin 4)
La ecuacin 4 recibe el nombre de modelo AR de primer orden y se escribe como AR
(1) o ARMA (1,0).
Si p = 2 y q = 0, el modelo correspondiente es un AR (2) o un modelo ARMA (2, 0) de
la forma
Yt = 1Yt - 1 + 2Yt - 2 + et
(Ecuacin 5)
La ecuacin 5 es un proceso AR de segundo orden.
Cuando p = 0 y q = 1, se trata de un modelo MA de primer orden MA (1) o ARMA (0,1)
Yt = et - 1 e t 1
(Ecuacin 6)
Cuando p = 0 y q = 2, el modelo es un MA (2) o AEMA (0,2) de la forma
Yt = et - 1 e t 1 - 2 e t 2
(Ecuacin 7)
Un modelo ARMA mixto, por ejemplo cuando p =1 y q = 1, el modelo es un modelo
ARMA (1, 1) y es de la forma
Yt = 1Yt - 1 + et - 1 e t 1
(Ecuacin 8)
La ecuacin 8, et est influido por Yt 1 y al mismo tiempo por 1 e t 1, lo que hace que
la ecuacin 8 no lineal y por lo tanto lo suficientemente general para describir una gran
variedad de patrones de datos.
No es exagerado decir que la parte ms difcil de la metodologa de Box-Jenking es
identificar el modelo apropiado, lo cual se subdivide en tres pasos:
1- Logro de estacionalidad
2- Eleccin de p y q para datos no estacinales.
3- Seleccin de p y q, as como los parmetros estacinales para los datos
estacinales.

Antes de intentar identificar a p y q los datos en la ecuacin 3, los datos deben ser
horizontales (sin tendencia), si la serie de datos contiene una tendencia se puede
remover mediante toma de diferencia sucesivas o por algn otro mtodo para remover
tendencias
Identificacin de p y q
Una vez que los datos son estacionarios, se identifica a p y q por la observacin de las
autocorrelaciones y las autocorrelaciones parciales de los datos diferenciados. Como
regla general, cuando las autocorrelaciones se acercan exponencialmente a 0, el modelo
es AR y su orden se determina por el nmero de autocorrelaciones parciales que son
diferentes de 0, si las autocorrelaciones parciales se acercan exponencialmente a 0 el
modelo es MA y su orden se determina por el numero de autocorrelaciones
estadsticamente significativa, cunado tanto las autocorrelaciones como las
autocorrelaciones parciales se acercan exponencialmente a 0, el modelo es ARMA
mixto.
Datos estacinales
Cunado los datos son estacinales, la ecuacin 3 podra no ser suficiente y debe
completarse con parmetros estacinales como con la ecuaciones 4 a 8 los modelos
estacinales pueden ser AR, MA, ARMA con datos mensuales.
Un modelo AR estacional sera:
Yt = 12Yt - 12 + et

(Ecuacin 9)

Un modelo MA estacional tendra la forma siguiente:

Yt = et - 12 e t 12
(Ecuacin 10)
Y un modelo ARMA estacional presenta la siguiente ecuacin:
Yt = 12Yt - 12 + et - 12 e t 12
(Ecuacin 11)
En realidad la mayor parte de los modelos incluyen tanto parmetros no estacinales
como estacinales. Por lo cual una combinacin de las ecuaciones 4 a 8 con las
ecuaciones 9,10 o 11 generalmente conforma un modelo ARMA estacional.
Para estimar los valores estacinales de p y q (expresados como P y Q), se utiliza el
mismo proceso que se siguen con los datos no estacinales, se analizan la
autocorrelaciones y auto correlaciones parciales pero en ves de ignorar las
autocorrelaciones y las parciales estacionarias solo se analizan las estacinales, se
requiere un buen juicio y de ensayo y error afortunadamente P Y Q generalmente son 0
o 1, lo que hace el trabajo de seleccin sea relativamente ms fcil.
Etapa 2a: Estimacin de parmetros
Una vez que se ha elegido el modelo tentativo mediante el anlisis de autocorrelaciones
y auto correlaciones parciales se estima el parmetro del modelo.
Es obvio que 1 y 12 pueden tomar muchos valores posibles, para cada conjunto de
valores de 1 y 12 habr valores correspondientes para los errores et cada uno de los

valores de et se puede elevar al cuadrado y calcular su total, es claro que el error

cuadrado medio varia conforme 1 y 12 cambian.
Error cuadrado medio mnimo MSE y los parmetros correspondientes es el mismo que
el utilizado en los modelos de suavizamiento exponencial.
Etapa 2b: Verificacin de los diagnsticos
Despus de que se ha estimado los parmetros ptimos (lo cual proporciona el error
cuadrado mnimo), los errores et se pueden examinar se pueden dar dos posibles
resultado:
1- que los errores son aleatorios, lo que quiere decir que el modelo ajustado ha
eliminado el patrn de los datos y lo que permanece son los errores aleatorios.
2- Que el modelo tentativamente identificado no ha removido todo el patrn, como
queda indicado por el hecho de que el error et no sea aleatorio.
Afortunadamente se puede calcular fcilmente las autocorrelaciones y los residuos
(errores), puesto que las autocorrelaciones pueden decir como se relacionan unos a otros
de los valores de los residuos, si es aleatorios entonces ninguna autocorrelacin debe ser
significativamente diferente de cero.
Etapa 3: Preparacin de pronsticos
Una vez que el modelo ha sido identificado, se estiman los parmetros y los residuos
muestran ser aleatorios, la prediccin con tal modelo es una cuestin directa y
mecnica. El programa de cmputo necesario para realizar los clculos de la
identificacin y estimacin puede proporcionar tantos pronsticos como el gerente
(administrador) desee, junto con intervalos de confianza del 95% o 99% para los
mismos.
La metodologa Box-Jenking para modelos ARMA es general. Para todo fin practico,
puede ajustarse un modelo a todos los tipos de patrones de datos, aunque es difcil de
utilizar y requiere un compromiso individual para determinar el mejor modelo ARMA,
el mtodo es tericamente elegante y proporciona un medio excelente para ejemplificar
la aplicacin de la estadstica a una situacin prctica de prediccin. El Box-Jenking es
obviamente un mtodo costoso.
Actualmente se disponen de paquetes y la investigacin emprica ha mostrado que
existe poca diferencia entre los pronsticos preparados por analistas y los preparados
automticamente por programas de computadoras.
Bibliografa:
-MTODOS DE PRONSTICOS, SPYROS MAKRIDAKIS, STEVEN C. WHEELWRIGTH,
EDITORIAL LIMUSA SA. de C.V., 2000, 482 Pgs.
-MTODOS Y MODELOS DE INVESTIGACIONES DE OPERACIONES VOLII: MODELOS
ESTOCASTICOS, JUAN PRAWDA WITENBER, EDITORIAL LIMUSA SA. de C.V., 1995, 1026 Pgs.