Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 4K vistas

    Arima

    Cargado por

    ROLLY VASQUEZ
    Este documento resume los modelos ARIMA (Autorregresivos Integrados de Media Móvil) para series de tiempo. Explica conceptos clave como estacionariedad, procesos autorregresivos, de media móvil y ruido blanco. También describe la metodología Box-Jenkins para identificar, estimar, verificar y pronosticar modelos ARIMA utilizando correlogramas y residuales.

    Copyright:

    Attribution Non-Commercial (BY-NC)
    Descargue como PDF, TXT o lea en línea desde Scribd

    Arima

    Cargado por

    ROLLY VASQUEZ
    4K vistas5 páginas
    Este documento resume los modelos ARIMA (Autorregresivos Integrados de Media Móvil) para series de tiempo. Explica conceptos clave como estacionariedad, procesos autorregresivos, de media móvil y ruido blanco. También describe la metodología Box-Jenkins para identificar, estimar, verificar y pronosticar modelos ARIMA utilizando correlogramas y residuales.

    Derechos de autor

    © Attribution Non-Commercial (BY-NC)

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento resume los modelos ARIMA (Autorregresivos Integrados de Media Móvil) para series de tiempo. Explica conceptos clave como estacionariedad, procesos autorregresivos, de media móvil y ruido blanco. También describe la metodología Box-Jenkins para identificar, estimar, verificar y pronosticar modelos ARIMA utilizando correlogramas y residuales.

    Copyright:

    Attribution Non-Commercial (BY-NC)
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    4K vistas5 páginas

    Arima

    Cargado por

    ROLLY VASQUEZ
    Este documento resume los modelos ARIMA (Autorregresivos Integrados de Media Móvil) para series de tiempo. Explica conceptos clave como estacionariedad, procesos autorregresivos, de media móvil y ruido blanco. También describe la metodología Box-Jenkins para identificar, estimar, verificar y pronosticar modelos ARIMA utilizando correlogramas y residuales.

    Copyright:

    Attribution Non-Commercial (BY-NC)
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 5

    SERIES DE TIEMPO - MODELOS ARIMA

    2011

    ROLLY ROGER VASQUEZ MACEDO

    SERIES DE TIEMPO - MODELOS ARIMA


    FUNCIN DE AUTOCORREALCION Y FUNCIN DE AUTOCORRELACION PARCIAL

    2011

    ROLLY ROGER VASQUEZ MACEDO

    SERIES DE TIEMPO - MODELOS ARIMA


    1. Estacionariedad io i1 i2

    2011

    I(0). Integrada de orden 0. El siguiente grfico corresponde al de una serie estacionaria

    I(2). Integrada de orden 2.Como se puede observar ni la media ni la varianza son constantes

    ROLLY ROGER VASQUEZ MACEDO

    SERIES DE TIEMPO - MODELOS ARIMA


    El grfico de un ruido blanco es puramente aleatorio alrededor de 0

    2011

    Va

    Proceso autorregresivos (AR): Un proceso autoregresivo de orden p, sigue la siguiente forma:

    Yt= +1Y t-1 +2Y t-2 +3Y t-3 ++ p Y t-p + t


    Proceso de media mvil MA(q): En los modelos de media mvil Yt, depende simplemente de la perturbacin estocstica y de los rezagos de este. Se describe a Yt como un MA(q), si sigue el siguiente proceso estocstico.

    Yt= t + 1t-1 ++ 2t-2 ++ qt-q


    METODOLOGA BOX - JENKINS Para realizar un buen pronstico se sigue la metodologa Box - Jenkins, que consiste en: 1. 1 Prueba de estacionariedad (mediante un test de raz unitaria) 2. 2 Identificacin del modelo ARIMA (mediante el correlograma) 3. 3 Estimacin del modelo identificado 4. 4 Verificacin del supuesto de ruido blanco de los residuales (mediante el correlograma) 5. 5 Decisin: si los residuales son ruido blanco avanzar al paso 6 sino volver al paso 2 o 1 6. 6 Pronosticar, si pronostica bien FIN, sino volver al paso 2 o 1 Mostrar:
    ROLLY ROGER VASQUEZ MACEDO

    SERIES DE TIEMPO - MODELOS ARIMA


    INTRODUCCION

    2011

    En el enfoque tradicional de econometra se centra en modelos donde la variable dependiente es funcin de un conjunto de variables explicativas, es decir:

    Yt= f (X2t , X3t , Xkt , t )


    Trabajaremos ahora en modelos uniecuacionales donde la variable dependiente se explica, por los valores rezagados de la misma variable dependiente y, por otra parte, por la perturbacin estocstica y sus rezagos. Es decir, modelos del siguiente tipo:

    Yt= f (Y t-1 , Y t-2 , Y t-p , t-q )


    Definiciones: algunas definiciones importantes:

    Proceso estocstico ruido blanco: Un PE, denotado por ( t ), donde el valor esperado y la varianza de cada de una de las variables aleatorias que lo componen es constante a travs de ellas: igual a cero en el primer caso, e igual a en el segundo caso. De esta manera, el ruido blanco se representa as.

    Se trata de un proceso estocstico puramente aleatorio donde t son variables aleatorias; ruido blanco significa que el proceso no tiene informacin, recordar que: Independencia = normalidad + incorrelacin, si adems las i variables aleatorias estn distribuidas normalmente.

    Entonces el proceso ruido blanco se dice gaussiano.

    ROLLY ROGER VASQUEZ MACEDO

    También podría gustarte