Modelos ARIMA para series temporales

PRCTICAS DE LA ASIGNATURA ECONOMETRIA II.
CURSO 2008/2009
Prctica 4
Planteamiento y objetivos de la prctica
En la presente prctica se propone la modelizacin univariante por medio del

enfoque de Box-Jenkins de tres series temporales con caractersticas distintas. En
cada uno de los ejemplos propuestos hay distintos pasos a detallar, pero con el fin
de ver los tres ejemplos en la sesin prctica, cada profesor puede realizar los que
considere ms importantes en cada ejemplo y dejar los pasos omitidos para que los
cubran los alumnos despus por su cuenta.
Con la presente prctica se intenta que el alumno aprenda a construir

modelos ARIMA univariantes para una serie temporal por medio del enfoque de
Box-Jenkins. La aplicacin de esta metodologa conlleva recorrer diversas etapas
hasta elaborar el posible modelo generador de los datos. De forma sinttica los
pasos a realizar son los siguientes:
Especificacin inicial
Estimacin
Chequeo o validacin
Utilizacin del modelo 1
En la etapa de especificacin inicial se deber determinar el orden de

integracin de la serie temporal, es decir cual es el nmero y naturaleza (regular o
estacional, incluyendo trimestral, mensual, etc.) de diferencias que se requerirn
para convertir en estacionaria a la variable objeto de anlisis, Zt (d,s).
Zt = (1-B)d (1-Bs ) D
1
El modelo puede utilizarse, por ejemplo, para predecir, para describir las propiedades del fenmeno
econmico en cuestin en cuanto a su tendencia, estacionalidad, oscilaciones (cclicas)
estacionarias, impredecibilidad, para basar sobre l la extraccin de seales como el componente
estacional, etc.
2
Donde: d es el nmero de diferencias regulares y D es el nmero de diferencias de
tipo estacional y habitualmente D = 0 1 y habitualmente 0 d+D 2.
Para ello se utiliza tanto el anlisis grfico de la serie, que nos revela
determinadas caractersticas de la misma, como sus correlogramas simple y parcial
y los tests de races unitarias. En esta prctica nos centramos en el test de races
unitarias de Dickey y Fuller aumentado (ADF o DF simplemente).
Una vez decidido el orden d y D, es decir el nmero de races unitarias que

tiene la serie temporal, habr que decidir el orden del polinomio autorregresivo (p) y
el de medias mviles (q) para lo cual utilizamos como principales instrumentos el
correlograma simple y el parcial de la serie. Los criterios generales que deben
servir de gua para determinar el orden p del polinomio autorregresivo y el orden q
del polinomio medias mviles se recogen en las estructuras de los correlogramas
simple (FAC) y parcial (FAP) y que para los casos ms sencillos se han visto en las
clases tericas. Un resumen de las caractersticas de la estructura del correlograma
simple y del parcial se recoge en el esquema adjunto.
Caractersticas tericas de la FAC y de la FAP de los procesos estacionarios

Procesos FAC FAP
P primeras autocorrelaciones
Decrecimiento rpido hacia
AR (p) distintas de cero y el resto
cero sin llegar a anularse
ceros
q primeras autocorrelaciones Decrecimiento rpido hacia
MA (p)
significativas y el resto ceros cero sin llegar a anularse
ARMA (p, q) cero sin llegar a anularse
cero sin llegar a anularse
Debe quedar claro que la identificacin es siempre tentativa por lo que se

deben sugerir varios modelos como posibles procesos generadores de datos. Una
vez que se han sugerido uno o varios modelos se procede a su estimacin,
3
usualmente por mxima verosimilitud aunque en Eviews este mtodo no est
implementado. Posteriormente se debe realizar el chequeo validacin del modelo
y escoger el que parezca ms adecuado para la utilizacin del modelo. Algunos de
los criterios de validacin del modelo ms importantes incluyen el anlisis de la
autocorrelacin y de valores atpicos de los residuos, la significatividad de los
parmetros estimados del modelo (as como sus correlaciones), las condiciones de
estacionariedad e invertibilidad y distintos criterios de ajuste (como el error estndar
de la regresin, el de Akaike o el de Scharwz).
En esta prctica se realiza la modelizacin de tres series temporales de

datos reales y caractersticas distintas. El primer caso se refiere al volumen de
ventas anual de una empresa en trminos reales, el segundo analiza el ndice de
empleo de un determinado pas con frecuencia trimestral y en el ltimo se modeliza
una serie de frecuencia mensual y con estacionalidad, las ventas de cigarros puros
de una empresa tabaquera.
Ejemplo1. Ventas anuales de una empresa
La serie que se modeliza se refiere a las ventas en trminos reales de una

determinada empresa dedicada a la produccin de cosmticos. Su periodicidad es
anual y el tamao muestral abarca 51 observaciones que comprenden el periodo
1949-1999; dada su frecuencia anual, esta serie no tendr componente estacional.
El primer paso que debemos dar para elaborar el modelo univariante de las series
es crear en Eviews el workfile con frecuencia anual y tamao muestral indicado e
importamos los datos, tal y como hemos hecho en las prcticas anteriores. La
variable la denominamos ventas
Una vez cargados los datos debemos verificar si la serie temporal es

estacionaria y, en caso de que no lo sea, realizar las transformaciones pertinentes
hasta convertirla en estacionaria. Para ello en primer lugar graficamos la serie
ventas, grfico que se muestra a continuacin.
4
Las instrucciones en Eviews para obtener el grfico de la serie son:
Quik/Graph /ventas/Line Graph
Evolucin de las ventas

1200
1100
1000
900
800
700
600
500
50 55 60 65 70 75 80 85 90 95
VENTAS
Se observa que tiene una tendencia creciente muy acentuada, lo que es un

claro signo de que la serie no es estacionaria en media, adems ese crecimiento
muestras signos de regularidad por lo que la varianza aparentemente exhibe cierto
grado de estabilidad y no es del todo preciso tomar logaritmos.
En segundo lugar obtenemos los correlogramas
Instrucciones en Eviews para obtener los correlogramas de ventas
Quick/Series Statistics/Correlogram/ventas
Tambin de forma alternativa en el objeto serie (ventas)
View/Correlogram
5
El correlograma simple de ventas (AC) confirma la sospecha anterior sobre la no
estacionariedad de la variable ventas al mostrar un decrecimiento muy lento.
Adicionalmente llevamos a cabo el test de races unitarias de DF.
Instrucciones en Eviews para el test DF:
Quick/Series Statistics/unit root/ventas
Null Hypothesis: VENTAS has a unit root

Exogenous: Constant
Lag Length: 1 (Automatic based on SIC, MAXLAG=10)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -0.906450 0.7780

Test critical values: 1% level -3.571310
5% level -2.922449
10% level -2.599224
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation

Dependent Variable: D(VENTAS)
Method: Least Squares
Date: 04/11/06 Time: 17:42
Sample (adjusted): 1951 1999
Included observations: 49 after adjustments
6
Variable Coefficient Std. Error t-Statistic Prob.
VENTAS(-1) -0.001026 0.001132 -0.906450 0.3694

D(VENTAS(-1)) 0.577317 0.111009 5.200645 0.0000
C 5.282546 1.831241 2.884682 0.0059
R-squared 0.454475 Mean dependent var 10.49688

Adjusted R-squared 0.430757 S.D. dependent var 1.402848
S.E. of regression 1.058424 Akaike info criterion 3.010708
Sum squared resid 51.53198 Schwarz criterion 3.126534
Log likelihood -70.76235 F-statistic 19.16125
Durbin-Watson stat 2.399094 Prob(F-statistic) 0.000001
El Valor del estadstico t (-0.906) es inferior a los valores crticos de la distribucin

DF por lo que no se puede rechazar la hiptesis de la existencia de una raz unitaria
y, por tanto, la serie ventas no es estacionaria.
Como un primer paso para eliminar la tendencia y convertir la serie en estacionaria

se prueba con el ajuste de una tendencia lineal determinista a la serie ventas.
Para ello, se ajusta una tendencia determinista a la variable ventas del tipo:
t + t
ventas = c +
Cuya estimacin se presenta a continuacin
Instrucciones en Eviews para la estimacin de la tendencia determinista:

Quick /estimate equation
Y en la ventana de la ecuacin que se abre escribir: ventas c @trend+1
El resultado de la estimacin es:
Dependent Variable: VENTAS

Date: 04/09/06 Time: 19:17
Sample: 1949 1999
Included observations: 51
C 605.9019 1.299179 466.3730 0.0000

@TREND+1 10.39500 0.043483 239.0563 0.0000
7
12
-4
-8
-12
-16
50 55 60 65 70 75 80 85 90 95
VENTAS Residuals
Analizando esos resultados podemos observar que la estimacin de los

residuos presenta un estadstico Durban-Watson prximo a cero, lo que es
indicativo de una fuerte autocorrelacin de primer orden y de la existencia una raz
unitaria y que, por lo tanto, no cumplen las condiciones para que sean ruido
blanco. El grfico de los residuos la serie ventas tambin muestra esos problemas y
nos indica que los residuos se han mantenido por encima y/o por debajo de la
media durante un periodo demasiado largo. Por lo tanto, el ajuste con tendencia
determinista no es adecuado puesto que olvida determinadas propiedades
importantes de la serie
Dado que el procedimiento anterior no es el adecuado, la tendencia es tipo

estocstica y utilizamos a continuacin el procedimiento de la diferenciacin para
8
convertir a la serie en estacionaria. Tomamos la primera diferencia en la serie
ventas para lo que generamos la serie de Dventas =ventas-ventas(-1), es decir,
transformamos la serie de acuerdo con la siguiente expresin:
Zt =(1-B)ventas
La representacin grfica de la serie transformada y sus correspondientes

correlogramas se muestran a continuacin.
Primera diferencia de la serie ventas

15
14
13
12
11
10
7
50 55 60 65 70 75 80 85 90 95
DVENTAS
9
Tanto el grfico de la serie Dventas como su correlograma indican que la
primera diferencia de la serie puede ser estacionaria puesto que oscila en torno a
su nivel medio y el correlograma tiende a cero con cierta rapidez. No obstante, se
completa este anlisis con el test DFA de races unitarias que se muestra a
continuacin
Test de D-F Aumentado de Dventas
Null Hypothesis: DVENTAS has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.922449
10% level -2.599224

Dependent Variable: D(DVENTAS)
Date: 04/11/06 Time: 21:55
DVENTAS(-1) -0.381068 0.100878 -3.777505 0.0004

C 3.942637 1.078866 3.654428 0.0006
R-squared 0.232898 Mean dependent var -0.092714

El test DFA rechaza la hiptesis nula de una raz unitaria en Dventas puesto
que el valor del estadstico t (3,78) supera el valor de los puntos crticos de la
10
distribucin DFA. Este resultado corrobora la estacionariedad de la serie Dventas
que indican el grfico y el correlograma de la serie
Por lo tanto, de estos resultados la transformacin que convertira a la serie

en estacionaria sera:
Zt = (1-B) ventas o ventas I (1)
Una vez decidido el grado de integracin de la serie, es decir, el nmero de races

unitarias que tiene, se debe determinar cuales son los posibles procesos ARMA
que generan la serie.
El anlisis de los correlograma de la serie Dventas nos dice que el modelo ms

claro que puede generar la serie es un AR(2), puesto que el correlograma simple
tiende a cero con cierta rapidez y el parcial se anula despus del segundo retardo.
Tambin se puede sugerir como un modelo alternativo, aunque no tan
rotundamente como en el caso anterior, un MA(3) puesto que el correlograma
simple se anula despus del tercero o cuarto retardo. Por otro lado, de la
observacin del grfico de la serie que consideramos estacionaria, D(ventas,1), se
observa que su media es distinta de cero, por lo que procede en principio la
inclusin de un trmino independiente.
Los modelos sugeridos son:
1.1) 1B- 2B2 ) (1-B) ventas = C+at

ARIMA(2,1,0) : (1-
1.2) ARIMA(0,1,3) : (1-B) ventas = C+ (1+ 1B+ 2B2+ 3B3)at
Un anlisis ms detallado de la estructura del correlograma podra sugerir algn

modelo adicional pero de momento nos quedamos con los propuestos.
Estimacin
11
Una vez especificados varios modelos alternativos como posibles generadores de
la serie se debe proceder a la estimacin de los mismos. Para ello en Eviews se
deben dar las siguientes instrucciones para estimar los modelos sugeridos.
Modelo 1.1: Quick/Estimate Equation/ LS d(ventas,1) c ar(1) ar(2)
Modelo 1.2: Quick/Estimate Equation/ LS d(ventas,1) c ma(1) ma(2) ma(3)

Los resultados de la estimacin de estos modelos se presentan a continuacin:
Estimacin Modelo1.1
Dependent Variable: DVENTAS

Date: 04/09/06 Time: 19:10
Convergence achieved after 3 iterations
C 10.11214 0.616994 16.38936 0.0000

AR(1) 0.368149 0.135783 2.711310 0.0095
AR(2) 0.388732 0.127968 3.037719 0.0040

Inverted AR Roots .83 -.47
Estimacin modelo 1.2
Dependent Variable: DVENTAS

Date: 04/09/06 Time: 19:02
Backcast: 1946 1948

12
C 10.43083 0.392970 26.54353 0.0000
MA(1) 0.497157 0.101433 4.901323 0.0000
MA(2) 0.564666 0.097743 5.777057 0.0000
MA(3) 0.632436 0.086339 7.324991 0.0000

Inverted MA Roots .15-.88i .15+.88i -.79
Una vez estimados los modelos especificados se debe validar dichas estimaciones,
es decir, se debe contrastar la adecuacin del modelo a los datos, por medio de
una batera de tests estadsticos y economtricos vistos en clase y que se
encuentran en Eviews en el objeto ecuacin.
Validacin o chequeo
En la etapa de validacin se presentan tres bloques de anlisis: Un primero

referente a los resultados de la estimacin, un segundo centrado en el anlisis de
los residuos y, finalmente, un tercero dedicado a la comparacin de modelos
alternativos.
Anlisis de la estimacin.-
Referente a la significatividad individual de los coeficientes por medio del
estadstico t de student pone de relieve que todos los coeficientes del modelo 1 son
altamente significativos y tambin lo son los del modelo 2.
En cuanto a las condiciones de estacionariedad e invertibilidad de los modelos

estimados, todas las races de los polinomios de retardos caen fuera de circulo de
radio unidad, ver cuadros anteriores de estimaciones, debe tenerse en cuenta que
Eviews muestra la inversa de las races, por lo que esas inversas caen todas dentro
del circulo de radio unidad.
13
De la observacin de los resultados de la estimacin se deduce que el modelo 1.1
presenta un error estndar (0,979), ligeramente ms bajo que el del modelo 1.2
(1,029) y tanto el estadstico de Akaike como el criterio de Schwarz son inferiores
en el primer modelo, 2,857 y 2,974, frente a 2,973 y 3,126
En esta etapa tambin se suele analizar las correlaciones entre los coeficientes
estimados para verificar la posible existencia de multicolinealidad en el modelo. La
existencia de multicolinealidad indica una falta de precisin en las estimaciones
obtenidas y una cierta inestabilidad de los coeficientes estimados. Para obtener las
correlaciones entre los coeficientes se acude su matriz de correlaciones que
proporciona Eviews, para ello nos situamos en la ecuacin estimada y marcamos lo
siguiente:
View/Correlation Matrix
La ejecucin de esta instruccin muestra la matriz de coeficientes de la

ecuacin estimada. Para el modelo 1.1 se tiene:
Matriz de correlaciones del modelo 1

C AR(1) AR(2)
C 0.380682 -0.005342 -0.015880
AR(1) -0.005342 0.018437 -0.011620
AR(2) -0.015880 -0.011620 0.016376
Se observa que esa matriz presenta unas correlaciones muy bajas por lo que no
muestra indicios de multicolinealidad. Para el modelo 1.2 se puede verificar de la
misma forma que tampoco presentan problemas de multicolinealidad.
Anlisis de los residuos.
El siguiente paso dentro del proceso de validacin es el anlisis de los

residuos de ambos modelos. Para ello en el objeto ecuacin de Eviews se ofrecen
varios contrastes pero nos limitamos al contraste de que los residuos sean ruido
blanco, inspeccionando el correlograma de residuos, el estadstico Q de Box-
14
Pierce y el grfico de residuos. Para ello, en Eviews una vez dentro del objeto
ecuacin
Instrucciones: View/ Residual Tests/Correlogram-Q-Statistics
Los resultados para el modelo1.1 se presentan en la tabla adjunta y se puede

contemplar que las autocorrelaciones de los residuos no son significativas y entran
dentro de las bandas de confianza, lo que indica que no son distintas de cero. Por
su parte, el estadstico Q no muestra indicios de autocorrelacin global de los
residuos, puesto que el valor de Q estimado para los diferentes ordenes de
autocorrelacin que se muestran en la tabla adjunta es siempre inferior al punto
crtico de la 2 con los correspondientes grados de libertad y niveles de significacin
estndar utilizados en el trabajo emprico, lo que nos lleva a rechazar ampliamente
la hiptesis nula de autocorrelacin global de los residuos.
Correlograma de los residuos del modelo 1
Instrucciones Eviews para el grfico de residuos: View/Actual, Fitted, residuals
15
16
14
12
10
2
8
1
6
0
-1
-2
-3
55 60 65 70 75 80 85 90 95
Residual Actual Fitted
El grfico de los residuos tambin apoya la ausencia de autocorrelacin residual,

puesto que la gran mayora de los residuos entran dentro de las bandas de
confianza, con excepcin del correspondiente al ao 1962. Por lo tanto, tambin
muestra claramente que los residuos son ruido blanco.
De la misma forma que el anlisis llevado a cabo para el modelo 1.1 se

puede entrar en el objeto ecuacin del modelo 1.2 y verificar que sus residuos son
ruido blanco.
Comparacin de modelos alternativos.
Del anlisis que se acaba de realizar en los dos apartados anteriores se

deduce que el modelo 1.1 supera el conjunto de pruebas estadsticas para validar
sus estimaciones. Aunque el anlisis de residuos es satisfactorio para ambos
modelos, el modelo 1.1 presenta una menor varianza residual y un menor Akaike y
Schwarz, por lo que es preferible al 1.2.
16
Por lo tanto, el crecimiento anual de las ventas de la empresa, ventas, que
es la variable modelizada viene explicada de forma satisfactoria por un modelo
sencillo ARIMA(2,1,0).
3. Ejemplo 2. El ndice de Empleo de un determinado pas
La serie a modelizar es el ndice de empleo de un determinado pas, la serie

est corregida de estacionalidad y tiene frecuencia trimestral. El periodo muestral
abarca 1962:1 1993:4. Una vez creado el WorKfile y establecido el periodo
muestral, se cargan los datos tal y como se ha hecho en el ejemplo anterior. La
serie la denominamos empleo en el Workfile
El primer paso en la modelizacin de la serie es su representacin grfica. Para ello

en Eviews, la instruccin es:
Quick/ Graph/ Graph Line/empleo
El resultado es el grfico adjunto 1a en el que se puede contemplar como la serie

empleo muestra una tendencia creciente en los primeros 20 aos y despus y
muestra un marcado comportamiento cclico en los 10 aos ltimos. La serie no
parece mostrar cambios en la varianza ante desplazamientos del tiempo, lo que se
puede comprobar tomando logaritmos en la serie y representando grficamente esa
serie, vemos que los grficos de ambas series son similares, por lo que
trabajaremos con la serie original. Para ello, en Eviews
GENR Lempleo =LOG(empleo)

y para su representacin grfica:
Quick/ Graph/ Graph Line/ empleo
Grafico 1 a Grfico 1b
17
115 4.75
110 4.70
105 4.65
100 4.60
95 4.55
90 4.50
85 4.45
80 4.40
1965 1970 1975 1980 1985 1990 1965 1970 1975 1980 1985 1990
EMPLEO LEMPLEO
Tambin se muestra a continuacin el correlograma de la serie empleo
En Eviews una vez dentro del objeto serie empleo
View/Correlogram
El correlograma confirma un elevado grado de dependencia de las observaciones

de la serie empleo y su no estacionariedad en media por el lento decrecimiento de la
FAC.
18
Se realiza tambin el test de DFA de races unitarias, cuyos resultados se presentan
a continuacin. Para ello, en Eviews:
Quick/ SERIES STATISTIC/ Unit root / empleo
Test D-F aumentado de la serie empleo
Null Hypothesis: EMPLEO has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.884477
10% level -2.579080

Dependent Variable: D(EMPLEO)
Date: 04/19/08 Time: 21:29
Sample (adjusted): 1962Q3 1993Q4
EMPLEO(-1) -0.039278 0.017807 -2.205738 0.0293

D(EMPLEO(-1)) 0.478736 0.078727 6.080986 0.0000
C 3.982081 1.807249 2.203394 0.0294

El test DFA no rechaza la hiptesis nula de la existencia de una raz unitaria en

empleo puesto que el valor del estadstico t (-2.205) es notablemente inferior a los
valores crticos de la distribucin DFA
19
Si ajustamos una tendencia temporal lineal simple de tipo determinista a la serie
empleo (como hicimos en el captulo 1 del programa de la asignatura y prctica 1 y
en la modelizacin de la serie ventas que acabamos de realizar, y restamos de
empleo la lnea ajustada, podremos comprobar que ese no es un procedimiento
correcto para convertir a la serie en estacionaria, ya que los residuos tendern a
estar por encima y por debajo de la media durante perodos seguidos demasiado
largos (se deja al alumno que lo compruebe). Por lo tanto, es claro que esa
tendencia no es determinista sino estocstica y debemos proceder con
diferenciaciones para eliminar esa tendencia.
Comenzamos tomando una primera diferencia regular en la serie empleo, cuyo

grfico se muestra a continuacin as como su correlograma.
Instrucciones en Eviews:
Genr DEMPLEO =D(EMPLEO,1)
Quick/Graph/Line Graph/DEMPLEO
Quick/Series Statistic/Correlogram
-2
-4
-6
1965 1970 1975 1980 1985 1990
D(EMPLEO,1)
20
El grfico de DEMPLEO muestra que la serie podra ser estacionaria y tambin en
ese sentido apunta el correlograma al mostrar un decaimiento con cierta rapidez. No
obstante, se realiza tambin el test de DFA, cuyos resultados se muestran a
continuacin, y corrobora tambin la no existencia de una raz unitaria en la serie
DEMPLEO y que, por tanto, esa transformacin convierte a la serie en estacionaria.
Test DFA de la serie DEMPLEO
Null Hypothesis: D(EMPLEO,1) has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.884477
10% level -2.579080

Dependent Variable: D(EMPLEO,2)
Date: 04/19/08 Time: 21:28
21
D(EMPLEO(-1),1) -0.537417 0.079598 -6.751657 0.0000

C 0.006063 0.131846 0.045988 0.9634

Por lo tanto la serie EMPLEO tiene una raz unitaria y la primera diferencia convierte
a dicha serie en estacionaria, eliminado su tendencia. La serie es del tipo:
Zt =(1-B)EMPLEO o EMPLEO I(1)
Es decir, es integrada de orden 1
Determinado el grado de diferenciacin de races unitarias, pasamos a

especificar el orden de los polinomios AR y MA. Del anlisis de los correlogramas
de la serie DEMPLEO se deduce que en la FAC existen 2 tres coeficientes que
son distintos de cero y despus todos son cero, mientras que en la FAP solo existe
un coeficiente significativo (que no es cero) el primero, y despus tienden
rpidamente a cero (o muy rpidamente en este caso, ya que los coeficientes
segundo y siguientes estn todos dentro de las bandas de no significacin). Esto
sugiere que la serie (DEMPLEO) podra haber sido generada por modelos con
estructura MA hasta orden 2 o estructura AR(1). Los modelos que vamos a
considerar en esta prctica son ARIMA (1,1,0), ARIMA(1;1,2) y ARIMA(2,1,1).
Por otro lado, de la observacin del grfico de la serie DEMPLEO se deduce

que la media de la serie aparentemente es cero por lo que debe no debe incluirse el
trmino constante en los modelos especificados
Los modelos tentativos serian por tanto:

2.1. ARIMA(1,1,0) o (1- 1 B)(1-B)EMPLEO = at
22
2.2. ARIMA(1,1,2) ) o (1- 1 B )(1-B)EMPLEO= (1+ 1B+
2B2)at
2.3. ARIMA(2,1,1) ) o (1- 1 B- 2 B2) (1-B)EMPLEO= (1+ 1B) at
Estimacin
La estimacin de los modelos anteriores en Eviews se hace por medio de las
siguientes instrucciones:
Quick/ Estimate Equation/ LS EMPLEO ar(1)
Quick/ Estimate Equation/ LS EMPLEO ar(1) ma(1) ma(2)
Quick/ Estimate Equation/ LS EMPLEO ar(1) ar(2) ma(1)
Los resultados de la estimacin de estos modelos se presentan a continuacin:

Estimacion modelo 2.1

Date: 04/21/08 Time: 00:48
AR(1) 0.462622 0.079275 5.835666 0.0000

Log likelihood -227.1664 Durbin-Watson stat 2.029500
Inverted AR Roots .46

Date: 04/21/08 Time: 01:37
23
Backcast: 1961Q3 1961Q4
AR(1) 0.515070 0.312357 1.648981 0.1017

MA(1) -0.070881 0.324334 -0.218544 0.8274
MA(2) 0.008407 0.170031 0.049446 0.9606

Inverted AR Roots .52

Inverted MA Roots .04+.08i .04-.08i

Date: 04/21/08 Time: 01:12
Backcast: 1961Q4
AR(1) -0.459695 0.094065 -4.886990 0.0000

AR(2) 0.426099 0.082802 5.145983 0.0000
MA(1) 0.956981 0.046168 20.72805 0.0000

Inverted AR Roots .46 -.92

Inverted MA Roots -.96
Validacin
24
En cuanto al modelo 2.1, todos los coeficientes son individualmente significativos
segn el contraste de la t de student y el ajuste es globalmente aceptable. Tambin
son altamente significativos los coeficientes del modelo 2.3. Sin embargo en el
modelo 2.2 los coeficientes de los de los parmetros MA no son significativos por lo
que el modelo es rechazable. Todos los modelos cumplen las condiciones de
estacionariedad y de invertibilidad puesto que tanto las races de los polinomios
autorregresivos como los de media mvil caen fuera del crculo de radio unidad,
aunque en el modelo 2.3 haya una raz cercana a la unidad en el polinomio
autorregresivo y otra en el polinomio de medias mviles. A su vez, las matrices de
correlaciones de los coeficientes de estos modelos no muestran signos de
multicolinealidad
Desde el punto de vista del error estndar de los modelos estimados el 2.1 es el
que presenta un valor menor (1,4739) seguido del 2.3, aunque muy cerca (1,4628).
Desde el punto de vista del criterio de Akaike, tanto el modelo 2.1 como el 2.3
presentan el mismo valor (3,622)
El anlisis de los residuos de los dos modelos seleccionados a travs de sus

correspondientes correlogramas, el estadstico Q y sus grficos de residuos, que se
presentan a continuacin, nos indica que ambos cumplen las condiciones para ser
considerados como ruido blanco. No obstante, el modelo 2.3 puede ser mejor desde
el punto de vista del error estndar de la ecuacin. Ambos modelos presentan
residuos atpicos en la observacin 87:1 y en la 92:1 y la raz del polinomio media
mvil roza la unidad, lo que puede estar indicando sobrediferenciacin. Se deja al
alumno que pruebe con la serie original EMPLEO, sin diferenciacin, y corrija la
serie de atpicos y pruebe con especificaciones alternativas.
Correlograma de los residuos del modelo 2.1
25
Grafico de residuos del modelo 2.1
8 0
-4
4
-8
-4
1965 1970 1975 1980 1985 1990
Correlograma de los residuos del modelo 2.3
26
Grafico de residuos del modelo 2.3
8 0
-4
4
-8
-4
1965 1970 1975 1980 1985 1990
4. Ejemplo 3. Ventas de cigarros puros de una empresa tabaquera
La serie a modelizar es el volumen de ventas mensual de puros de una

empresa tabaquera para el periodo muestral 1989:01 1996:12. El objetivo que se
27
persigue con este ejercicio es que el alumno aprenda a construir un modelo
univariante de una serie de frecuencia mensual que tiene una marcada tendencia y
estacionalidad.
Una vez creado el fichero de trabajo en Eviews para esa frecuencia y periodo
muestral, de la misma forma como se ha realizado en los dos ejercicios anteriores,
se realiza la representacin grfica de la serie objeto de anlisis. La serie se
denomina puros
Instrucciones: Quick/Graph/ puros/Line graph
Ventas de puros de una empresa tabaquera

800
700
600
500
400
300
200
1989 1990 1991 1992 1993 1994 1995 1996
PUROS
Este grfico es indicativo de una serie en la que el nivel disminuye con el

tiempo y muestra, por tanto, una tendencia decreciente. La media no se mantiene
constante y disminuye con el tiempo y la serie muy probablemente no ser
estacionaria en media, por lo que necesitar una diferencia regular. Tambin se
observa un marcado patrn estacional con picos en octubre y valores bajos en
28
diciembre. La varianza es visualmente un tanto mayor al principio de la muestra
(ao 1989) que al final, aos 1995 y 1996, pero en el resto de los aos parece muy
uniforme.
Tomamos logaritmos en la serie puros y realizamos su representacin grfica. Para

ello en Eviews:
GENR Lpuros= log(puros)

Quick/Graph/ Lpuros/Line graph
Evolucin logaritmica de las ventas de puros

6.6
6.4
6.2
6.0
5.8
5.6
5.4
1989 1990 1991 1992 1993 1994 1995 1996
LPUROS
Este grfico del logaritmo de la variable carga (Lpuros ) es muy similar al

anterior y la varianza parece estable, por lo que en adelante decidimos trabajar con
la transformacin logartmica o sin ella es indiferente, por lo que decidimos trabajar
con la mtrica original.
29
Como hemos visto en los dos ejemplos anteriores el correlograma es un
instrumento til para verificar la estacionariedad de la serie. A continuacin se
presentan los correlogramas.
Instrucciones: Una vez en el objeto serie puros, View/ Correlogram
El correlograma de la serie puros decae lentamente, tanto en la parte regular

(1,2,3,etc) como en la estacional (12,24,36,etc), por lo que confirma la no
estacionariedad apuntada anteriormente. Pasamos, en primer lugar, a corregir la no
estacionariedad en la parte regular tomando una diferencia de orden 1 y
representamos el grfico de esa serie transformada y su correspondiente
correlograma.
Instrucciones Eviews: Genr dpuros=D(puros,1)

Quick/Graph/dpuros/Line graph
Quick/series statistic/correlogram/dpuros
30
150
100
50
-50
-100
-150
-200
-250
1990 1991 1992 1993 1994 1995 1996
DPUROS
Segn la grfica de la primera diferencia regular, d(puros,1), la transformacin

parece que ha eliminado la tendencia regular pero persiste una cierta la tendencia
estacional. El anlisis del correlograma indica que, si bien se ha corregido la no
estacionariedad de la parte regular, persiste la no estacionariedad en el componente
31
estacional, al ser significativos en el correlograma simple los retardos 12, 24 y
tambin podra serlo el de 36, por lo que se debe tomar una diferencia de tipo
estacional junto con la regular.
Instrucciones: Genr dd12puros=d(puros,1,12)

Quick/Graph/Line Graph/dd12puros
Quick/series statistic/correlogram/dd12puros
150
100
50
-50
-100
-150
1990 1991 1992 1993 1994 1995 1996
DD12PUROS
El grfico de dd12puros muestra una clara estacionariedad en media y el

correlograma de esta variable que se muestra a continuacin parece que no ofrece
dudas sobre la estacionariedad.
32
No obstante, se elabora el test de DFA para la serie dd12puros para verificar si
esta transformacin es estacionaria
Test DFA de la serie dd12puros
Null Hypothesis: DD12PUROS has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.897678
10% level -2.586103

Dependent Variable: D(DD12PUROS)
Date: 04/13/08 Time: 14:33
Sample (adjusted): 1990M04 1996M12
33
DD12PUROS(-1) -2.275417 0.180156 -12.63026 0.0000

D(DD12PUROS(-1)) 0.447603 0.101841 4.395103 0.0000
C -0.630273 4.413679 -0.142800 0.8868

Los resultados del test DFA son concluyentes sobre la estacionariedad de la serie
dd12lcarga, el estadstico t (-12.630) supera ampliamente los valores crticos de la
distribucin ADF, lo que confirma la estacionariedad de esta transformacin ya
adelantada por el anlisis grfico y el del correlograma.
A la vista de los resultados anteriores, la transformacin que se sugiere es:
Zt =(1-B) (1-B12)puros
Para finalizar la etapa de especificacin inicial debemos determinar cuales son los
modelos estacionales multiplicativos ARMA (p,q) ARMA(P,Q)S que pueden
generar la serie.
Del anlisis del correlograma de la serie dd12puros se deduce que el proceso

generador de datos puede tener un componente media mvil regular de orden 1
MA(1), puesto que en el correlograma simple despus del primer coeficiente
significativo el resto son ceros, y otro estacional de orden MA(1)12 , puesto que
despus del coeficiente de orden 12 significativo el resto son ceros, es decir un
ARMA (0,1)(0,1)12.
(0,1,1)12
3.1. ARIMA(0,1,1) o (1-B)(1-B12)puros= (1+ 1B)(1+
12B12)at
Estimacin del modelo 3.1
34
Dependent Variable: DD12PUROS
Date: 04/13/08 Time: 18:09
Backcast: 1987M12 1988M12
MA(1) -0.677779 0.066918 -10.12847 0.0000

SMA(12) -0.867044 0.034549 -25.09612 0.0000

Inverted MA Roots .99 .86-.49i .86+.49i .68

.49-.86i .49+.86i .00+.99i -.00-.99i
-.49-.86i -.49+.86i -.86+.49i -.86-.49i
-.99
Grafico residuos del modelo 3.1
80
40
-40
-80
1990 1991 1992 1993 1994 1995 1996
DD12PUROS Residuals
35
Correlograma residuos del modelo 3.1
(0,1,1)12
3.2. ARIMA(2,1,0) ,, (1- 1B-
2B2) (1-B)(1-B12) puros= (1+
12B12)at
Dependent Variable: D(PUROS,1,12)

Date: 04/10/06 Time: 02:01
Backcast: 1988M01 1988M12

3.1.
AR(1) -0.952059 0.096127 -9.904132 0.0000
AR(2) -0.562088 0.095416 -5.890927 0.0000
MA(12) -0.903840 0.022752 -39.72502 0.0000

Inverted AR Roots -.48-.58i -.48+.58i

Inverted MA Roots .99 .86-.50i .86+.50i .50-.86i
.50+.86i .00+.99i -.00-.99i -.50+.86i
36
-.50-.86i -.86+.50i -.86-.50i -.99
Validacin
El modelo 3.1 presenta todos su coeficientes significativos, segn el t ratio, la matriz

de coeficientes que se puede consultar en la ventana de la ecuacin no proporciona
coeficientes de correlacin elevados por lo que no presentan signos de
multicolinealidad. Analizando los correlogramas de los residuos se observa que
todos los coeficientes de autocorrelacin no son distintos de cero ya que entran
dentro de las bandas de confianza. El grfico de residuos tambin indica que los
residuos son ruido blanco. El modelo, en principio, parece vlido pero presenta
alguna raz de la media mvil prxima a la unidad lo que puede indicar
sobrediferenciacin. No obstante, la identificacin del grado de diferenciacin a
travs del anlisis grfico, los correlogramas de la serie y el test DFA de races
unitarias se decantaban por una raz de tipo regular y otra estacional. El modelo 3.2
tambin tiene todos los coeficientes significativos, los residuos que se pueden
consultar en la ventana de la ecuacin son ruido blanco a travs de la observacin
del grfico de los residuos y de su correlograma. Este modelo tiene tambin una raz
de la media mvil prxima a la unidad, sin embargo, tiene un Akaike inferior al 3.1 y
tambin un error estndar de la ecuacin menor por lo que ser preferido al 3.1. La
mejora del modelo puede venir por corregir algunos residuos atpicos que pueden
distorsionar el anlisis y la especificacin.
37

Modelos ARIMA para series temporales

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Modelos ARIMA para series temporales

Transféré par

Droits d'auteur :

Formats disponibles

PRCTICAS DE LA ASIGNATURA ECONOMETRIA II.

Planteamiento y objetivos de la prctica

En la presente prctica se propone la modelizacin univariante por medio del

Con la presente prctica se intenta que el alumno aprenda a construir

En la etapa de especificacin inicial se deber determinar el orden de

Una vez decidido el orden d y D, es decir el nmero de races unitarias que

Caractersticas tericas de la FAC y de la FAP de los procesos estacionarios

Debe quedar claro que la identificacin es siempre tentativa por lo que se

En esta prctica se realiza la modelizacin de tres series temporales de

Ejemplo1. Ventas anuales de una empresa

La serie que se modeliza se refiere a las ventas en trminos reales de una

Una vez cargados los datos debemos verificar si la serie temporal es

Quik/Graph /ventas/Line Graph

Evolucin de las ventas

Se observa que tiene una tendencia creciente muy acentuada, lo que es un

En segundo lugar obtenemos los correlogramas

Instrucciones en Eviews para obtener los correlogramas de ventas

Instrucciones en Eviews para el test DF:

Quick/Series Statistics/unit root/ventas

Null Hypothesis: VENTAS has a unit root

Augmented Dickey-Fuller test statistic -0.906450 0.7780

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

VENTAS(-1) -0.001026 0.001132 -0.906450 0.3694

R-squared 0.454475 Mean dependent var 10.49688

El Valor del estadstico t (-0.906) es inferior a los valores crticos de la distribucin

Como un primer paso para eliminar la tendencia y convertir la serie en estacionaria

Instrucciones en Eviews para la estimacin de la tendencia determinista:

Dependent Variable: VENTAS

Variable Coefficient Std. Error t-Statistic Prob.

C 605.9019 1.299179 466.3730 0.0000

Analizando esos resultados podemos observar que la estimacin de los

Dado que el procedimiento anterior no es el adecuado, la tendencia es tipo

La representacin grfica de la serie transformada y sus correspondientes

Primera diferencia de la serie ventas

Test de D-F Aumentado de Dventas

Null Hypothesis: DVENTAS has a unit root

Augmented Dickey-Fuller test statistic -3.777505 0.0057

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Variable Coefficient Std. Error t-Statistic Prob.

DVENTAS(-1) -0.381068 0.100878 -3.777505 0.0004

R-squared 0.232898 Mean dependent var -0.092714

Por lo tanto, de estos resultados la transformacin que convertira a la serie

Una vez decidido el grado de integracin de la serie, es decir, el nmero de races

El anlisis de los correlograma de la serie Dventas nos dice que el modelo ms

Los modelos sugeridos son:

1.1) 1B- 2B2 ) (1-B) ventas = C+at

1.2) ARIMA(0,1,3) : (1-B) ventas = C+ (1+ 1B+ 2B2+ 3B3)at

Un anlisis ms detallado de la estructura del correlograma podra sugerir algn

Modelo 1.1: Quick/Estimate Equation/ LS d(ventas,1) c ar(1) ar(2)

Modelo 1.2: Quick/Estimate Equation/ LS d(ventas,1) c ma(1) ma(2) ma(3)

Dependent Variable: DVENTAS

Variable Coefficient Std. Error t-Statistic Prob.

C 10.11214 0.616994 16.38936 0.0000

R-squared 0.525916 Mean dependent var 10.45896

Inverted AR Roots .83 -.47

Estimacin modelo 1.2

Dependent Variable: DVENTAS

Variable Coefficient Std. Error t-Statistic Prob.

R-squared 0.557023 Mean dependent var 10.57670

Inverted MA Roots .15-.88i .15+.88i -.79