An´ alisis de Series de Tiempo Univariadas y Metodolog´ ıa Box - Jenkins para predicci´ on Series de Tiempo Estacionarias Juan Carlos Campuzano S. Escuela Superior Polit´ ecnica del Litoral Semestre I 2013 J. Campuzano (E.S.P.O.L) Metodolog´ ıa Box - Jenkins Semestre I 2013 1 / 30
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Analisis de Series de Tiempo Univariadas y MetodologıaBox - Jenkins para prediccion
Series de Tiempo Estacionarias
Juan Carlos Campuzano S.
Escuela Superior Politecnica del Litoral
Semestre I 2013
J. Campuzano (E.S.P.O.L) Metodologıa Box - Jenkins Semestre I 2013 1 / 30
Contenido
Introduccion al analisis Series de Tiempo
Proceso Estocastico
Procesos Estacionarios
Funcion de Autocorrelacion
Ejemplos de procesos de series temporales
Ruido Blanco NormalAR(1)Paseo aleatorio
Operadores de Rezago
Procesos Autoregresivos
Media Movil
Procesos ARMA
Ejemplos
J. Campuzano (E.S.P.O.L) Metodologıa Box - Jenkins Semestre I 2013 2 / 30
Analisis Series de Tiempo
Uno de los objetivos del analisis de las series de tiempo es la prediccion.
1 De la teorıa a los datos.- Se establecen las ecuaciones de regresion enfuncion de lo que dice la teorıa economica. Supone que la relacion seva a mantener en el tiempo.
2 De los datos a la teorıa.- No hay mejor forma de predecir una variableque en funcion del comportamiento de dicha variable en el pasado.Luego se trata de dar la interpretacion economica a estos resultados.
J. Campuzano (E.S.P.O.L) Metodologıa Box - Jenkins Semestre I 2013 3 / 30
La prediccion cientıfica pretende alcanzar dos grandes objetivos:
Proporcionar un valor probable o previsto de algunos resultados.
Reducir la incertidumbre sobre el rango de valores que pueden resultarde un evento futuro
La esencia de cualquier decision de riesgo es que no se puede conocer concerteza cual sera el resultado futuro de una decision que se tomara con lainformacion disponible en el presente. El riesgo es basicamente la falta deconocimiento sobre el futuro.
J. Campuzano (E.S.P.O.L) Metodologıa Box - Jenkins Semestre I 2013 4 / 30
Proceso Estocastico - Definicion
Un proceso estocastico {yt}∞t=−∞ es una coleccion de variables aleatoriasindexadas por un conjunto t.
La teorıa de procesos estocasticos nos da una vision formal de observar lasseries de tiempo de las variables economicas.
J. Campuzano (E.S.P.O.L) Metodologıa Box - Jenkins Semestre I 2013 5 / 30
Procesos Estocasticos
J. Campuzano (E.S.P.O.L) Metodologıa Box - Jenkins Semestre I 2013 6 / 30
Procesos Estacionarios
El problema fundamental en el analisis de series de temporales es queunicamente se pueden observar las realizaciones del proceso solo unavez. De esta manera, si la distribucion de una determinada variablepermanece sin cambio, se dice que el proceso es estacionario.
Por ahora el interes se centra en procesos estocasticos estacionarios,en particular sobre los estacionarios en covarianza.
J. Campuzano (E.S.P.O.L) Metodologıa Box - Jenkins Semestre I 2013 7 / 30
Proceso estrictamente estacionario
Un proceso estocastico zi (i = 1, 2, ...) es (estrictamente) estacionario si,para cualquier valor r finito de enteros y para cualquier conjunto desubindices, i1, i2, i3, ..., ir , la distribucion conjunta de (zi , zi1 , zi2 ..., zir )depende solo de i1 − i , i2 − i , ..., ir − i , pero no de i. Por ejemplo, ladistribucion conjunta de (z1, z5) es la misma de (z12, z16).
Proceso estacionario en convarianza
Un proceso zi es debilmente estacionario (o estacionario en covarianza) si:
1 E (zi ) no depende de i, y
2 cov(zi , zi−j) existe, es finito y depende solo de j pero no de i.
J. Campuzano (E.S.P.O.L) Metodologıa Box - Jenkins Semestre I 2013 8 / 30
Proceso Estacionario en Covarianza
Sean los elementos de una serie de tiempo aquellos denotados por:
{Yt} = y1, y2, ..., yt , ...
y sean la media y la varianza de las observaciones en el momento taquellas dadas por:
En ocasiones se utilizan las correlaciones en lugar de las covarianzas. Ası,la autocorrelacion en el rezago τ, ρτ se define como:
ρτ =λt,t+τ
λ0= λτ
λ0= E [(Xt−µ)(Xt+τ−µ)
E [(Xt−µ)(Xt−µ)]
Una grafica de ρτ contra τ se conoce como autocorrelograma ofuncion de autocorrelacion y usualmente es una buena guıa paraanalizar las propiedades de las series.
J. Campuzano (E.S.P.O.L) Metodologıa Box - Jenkins Semestre I 2013 10 / 30
Ruido Blanco Normal (Gaussiano)
Si los εt son variables aleatorias independientes y normalmente distribuidascon media cero y varianza σ2, entonces se dice que siguen un procesodenominado ruido blanco normal. Esto es:
µ = E [εt ]
µ = 0
Var(εt) = σ2ε
ρ0 = 1
ρτ = E [εtεt+τ ]
ρτ = 0, siτ 6= 0
J. Campuzano (E.S.P.O.L) Metodologıa Box - Jenkins Semestre I 2013 11 / 30
Proceso AR(1)
Sea εt un ruido blanco. Entonces Xt sigue un proceso AR(1) si:
Xt = αXt−1 + εt , |α| < 1
Xt = εt + α(αXt−2 + εt−1)
= εt + αεt−1 + α2Xt−2
= εt + αεt−1 + α2(αXt−3 + εt−2)
= εt + αεt−1 + α2εt−2 + α3Xt−3
. . .
= εt + αεt−1 + α2εt−2 + α3εt−3 + ...
=∞∑0
αiεt−i
E [Xt ] = 0
J. Campuzano (E.S.P.O.L) Metodologıa Box - Jenkins Semestre I 2013 12 / 30
Proceso AR(1)
Las autocovarianzas estan dadas por:
λk = E [XtXt+k ]
= E
[ ∞∑0
αiεt−i
][ ∞∑0
αiεt+k−i
]
=∞∑0
αiαk+iσ2ε
= . . .
= σ2ε
αk
1− α2
y las autocorrelaciones por:
ρk =γkγ0
= αk , k = 0, 1, ...
J. Campuzano (E.S.P.O.L) Metodologıa Box - Jenkins Semestre I 2013 13 / 30
Paseo Aleatorio
Consideremos un proceso AR(1) con α = 1. Ademas mantengamos elsupuesto de que εt es ruido blanco. Xt es un paseo aletorio si:
Xt = Xt−1 + εt
Es estacionario el proceso?Sea el valor en t = 0, X0 = 0. Por sustitucion:
Xt = εt + εt−1 + ...+ ε1 + X0
De esta manera:
E [Xt ] = X0
Var [Xt ] = tσ2ε
El proceso NO es estacionario.
J. Campuzano (E.S.P.O.L) Metodologıa Box - Jenkins Semestre I 2013 14 / 30
Operadores de Rezago
Sean X1, ...,Xt una serie de tiempo, se define el operador de rezago Lcomo:
LXt = Xt−1
L2Xt = Xt−2
LpXt = Xt−p
Sea ahora el polinomio de rezagos aquel expresado como:
α(L) = 1− α1L− α2L2 − ...− αpL
p
un proceso AR(p) se define como:
Xt = α1Xt−1 + α2Xt−2 + ...+ αpXt−p + εt
Donde εt es un ruido blanco. En terminos de operadores de rezago sepuede expresar como:
J. Campuzano (E.S.P.O.L) Metodologıa Box - Jenkins Semestre I 2013 15 / 30
Xt = α1LXt + α2L2Xt + ...+ αpL
pXt + εt(1− α1L− α2L
2 − ...− αpLp)Xt = εt
α(L)Xt = εt
Los operadores de rezago son manipulados usando las reglas ordinarias delalgebra. Dhrymes(1976).
J. Campuzano (E.S.P.O.L) Metodologıa Box - Jenkins Semestre I 2013 16 / 30
Procesos Autoregresivos
Proceso AR(2)Sea el proceso AR(2) aquel definido como:
Xt = φ1Xt−1 + φ2Xt−2 + εt
En terminos de los operadores de rezago se puede expresar como:
(1− φ1L− φ2L2)Xt = εt
Se puede escribir el proceso como:
Xt = ψ(L)εt
= (1 + ψ1L + ψ2L2 + ...)εt
donde
(1− φ1L− φ2L2)−1 ≡ (1 + ψ1L + ψ2L
2 + ...)
J. Campuzano (E.S.P.O.L) Metodologıa Box - Jenkins Semestre I 2013 17 / 30
Recordemos que el proceso AR(1) era estacionario si |α| < 1. Quecondiciones se deberıan imponer en un proceso AR(2) para que este seaestacionario?
Sean g1 y g2 las raıces de:
(1− φ1L− φ2L2) = 0
La ecuacion se puede escribir como:
(1− g1L)(1− g2L) = 0
El proceso es estacionario si |g1| < 1 y |g2| < 1. Las raıces pueden serreales o complejas. Estas restricciones imponen las siguientes condicionessobre φ1 y φ2:
φ1 + φ2 < 1
−φ1 + φ2 < 1
|φ2| < 1
J. Campuzano (E.S.P.O.L) Metodologıa Box - Jenkins Semestre I 2013 18 / 30
La funcion de autocorrelacion (ACF) de un proceso AR(2) estacionario sepuede obtener de la siguiente manera: multiplique el proceso
El punto importante a notar es que la funcion de autocorrelacion para unproceso MA(q)es cero para rezagos mayores a q.
J. Campuzano (E.S.P.O.L) Metodologıa Box - Jenkins Semestre I 2013 27 / 30
Invertibilidad
Una propiedad requerida en ocasiones en el analisis de series de tiempo esla de invertibilidad. Recordemos que el proceso AR(1)
Xt = αXt−1 + εt
era estacionario si |α| < 1. En cuyo caso, el proceso AR(1) tiene unarepresentacion MA(∞).
xt = (1− αL)−1εt
= (1 + αL + α2L2 + ...)εt
= εt + αεt−1 + α2εt−2 + ...
y esta serie converge debido a sus propiedades estacionarias.
J. Campuzano (E.S.P.O.L) Metodologıa Box - Jenkins Semestre I 2013 28 / 30
Consideremos ahora un proceso MA(1) con |θ| < 1 o, lo que es lo mismo|θ|−1
> 1
xt = (1 + θL)εt
(1 + θL)−1xt = εt
(1 + θL + θ2L2 + ...)xt = εt
xt + θxt−1 + θ2xt−2 + ... = εt
el lado izquierdo converge si |θ| < 1. En cuyo caso el proceso MA(1) tieneuna representacion AR(∞) y se dice que el proceso es invertible. Si elproceso MA(q) xt = Θ(L)εt es invertible, las raices de Θ(L) = 0 estanfuera del cırculo unitario.
J. Campuzano (E.S.P.O.L) Metodologıa Box - Jenkins Semestre I 2013 29 / 30
El Proceso ARMA(p,q)
Considere ahora el proceso (mixto) ARMA(p,q) siguiente:
Las condiciones de estacionariedad son las mismas que para unproceso AR(p). Esto es, Φ(L) = 0 tiene sus raıces fuera del cırculounitario.
Las condiciones de invertibilidad son las mismas que para un procesoMA(q). Esto es, las raıces de Θ(L) = 0 caen dentro del cırculounitario.
En el autocorrelograma de un proceso ARMA(p, q), los rezagos estandeterminado por la parte del proceso AR(p) mientras que el efecto delproceso MA decae lentamente.
J. Campuzano (E.S.P.O.L) Metodologıa Box - Jenkins Semestre I 2013 30 / 30