Econometria Modelos Arima

Anlisis de series temporales:
Modelos ARIMA
ISBN: 978-84-692-3814-1
Mara Pilar Gonzlez Casimiro
04-09
An
alisis de Series Temporales: Modelos ARIMA
Pilar Gonzalez Casimiro
Departamento de Economa Aplicada III (Econometra y Estadstica)
Facultad de Ciencias Economicas y Empresariales
Universidad del Pas Vasco (UPV-EHU)
Contenido
1. Introducci
on
2. Procesos estoc
asticos
11
2.1. Proceso estocastico y serie temporal . . . . . . . . . . . . . . . . . . . . . . . . .
11
2.2. Caractersticas de un proceso estocastico . . . . . . . . . . . . . . . . . . . . . . .
12
2.3. Procesos estocasticos estacionarios . . . . . . . . . . . . . . . . . . . . . . . . . .
13
2.3.1. Funcion de autocovarianzas y de autocorrelacion . . . . . . . . . . . . . .
14
2.3.2. Estimacion de los momentos
. . . . . . . . . . . . . . . . . . . . . . . . .
17
2.4. Proceso Ruido Blanco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
3. Modelos lineales estacionarios
19
3.1. Modelo Lineal General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
3.2. Procesos autorregresivos: AR(p). . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
3.2.1. Proceso AR(1). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
3.2.2. Proceso AR(p). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
3.3. Procesos de Medias Moviles: MA(q). . . . . . . . . . . . . . . . . . . . . . . . . .
31
3.3.1. Proceso MA(1). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
3.3.2. Proceso MA(q). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
3.4. Procesos Autorregresivos de Medias Moviles: ARMA(p,q). . . . . . . . . . . . . .
38
4. Modelos lineales no estacionarios
43
4.1. No estacionariedad en varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
4.2. No estacionariedad en media. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
44
4.3. Modelos ARIMA(p,d,q). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
45
SARRIKO-ON 4/09
An
alisis de Series Temporales: modelos ARIMA
4.3.1. Modelo de paseo aleatorio . . . . . . . . . . . . . . . . . . . . . . . . . . .
47
4.3.2. Modelo de paseo aleatorio con deriva . . . . . . . . . . . . . . . . . . . . .
48
5. Modelizaci
on ARIMA
49
5.1. Estrategia de modelizacion ARIMA . . . . . . . . . . . . . . . . . . . . . . . . . .
49
5.2. Identificacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
51
5.2.1. Analisis de estacionariedad . . . . . . . . . . . . . . . . . . . . . . . . . .
52
5.2.2. Identificacion del modelo estacionario . . . . . . . . . . . . . . . . . . . .
61
5.3. Estimacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
5.4. Validacion del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
73
5.4.1. Analisis de coeficientes estimados . . . . . . . . . . . . . . . . . . . . . . .
73
5.4.2. Analisis de residuos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
77
6. Predicci
on
optima con modelos ARIMA(p, d, q)
85
6.1. Prediccion con modelos estacionarios . . . . . . . . . . . . . . . . . . . . . . . . .
86
6.1.1. Prediccion con modelos MA(q). . . . . . . . . . . . . . . . . . . . . . . . .
88
6.1.2. Prediccion con modelos AR(p) . . . . . . . . . . . . . . . . . . . . . . . .
90
6.1.3. Prediccion con modelos ARMA(p,q). . . . . . . . . . . . . . . . . . . . . .
92
6.1.4. Predicciones con modelos estacionarios estimados . . . . . . . . . . . . . .
94
6.2. Prediccion con modelos no estacionarios. . . . . . . . . . . . . . . . . . . . . . . .
97
7. Modelos ARIMA estacionales
101
7.1. Modelos estacionales puros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

7.2. Modelos ARMA estacionales no estacionarios . . . . . . . . . . . . . . . . . . . . 107
7.3. Modelos ARIMA estacionales multiplicativos . . . . . . . . . . . . . . . . . . . . 109
7.4. Modelizacion ARIMA estacional. . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
8. Ejercicios
135
8.1. Cuestiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135

8.2. Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
ii
Captulo 1
Introducci
on
El objetivo de este documento es presentar un conjunto de tecnicas para el analisis de series
temporales en economa. Por lo tanto, vamos a comenzar definiendo que se entiende por serie
temporal, cuales son sus caractersticas especficas y por que es necesario desarrollar metodos
especficos para su analisis.
Una serie temporal es una secuencia ordenada de observaciones cada una de las cuales esta asociada a un momento de tiempo. Ejemplos de series temporales las podemos encontrar en cualquier
campo de la ciencia. En Economa cuando buscamos datos para estudiar el comportamiento de
una variable economica y su relacion con otras a lo largo del tiempo, estos datos se presentan
frecuentemente en forma de series temporales. As, podemos pensar en series como los precios
diarios de las acciones, las exportaciones mensuales, el consumo mensual, los beneficios trimestrales, etc. En Metereologa, tenemos series temporales de temperatura, cantidad de lluvia cada
en una region, velocidad del viento, etc. En Marketing son de gran interes las series de ventas
mensuales o semanales. En Demografa se estudian las series de Poblaci
on Total, tasas de natalidad, etc. En Medicina, los electrocardiogramas o electroencefalogramas. En Astronoma, la
actividad solar, o en Sociologa, datos como el n
umero de crmenes, etc.
La mayora de los metodos estadsticos elementales suponen que las observaciones individuales
que forman un conjunto de datos son realizaciones de variables aleatorias mutuamente independientes. En general, este supuesto de independencia mutua se justifica por la atencion prestada
a diversos aspectos del experimento, incluyendo la extraccion aleatoria de la muestra de una
poblacion mas grande, la asignacion aleatoria del tratamiento a cada unidad experimental, etc.
Ademas en este tipo de datos (tomamos una muestra aleatoria simple de una poblacion mas
grande) el orden de las observaciones no tiene mayor importancia. Sin embargo, en el caso de
las series temporales, hemos de tener en cuenta, sin embargo, que:
el orden es fundamental: tenemos un conjunto de datos ordenado
el supuesto de independencia no se sostiene ya que, en general, las observaciones son
dependientes entre s y la naturaleza de su dependencia es de interes en s misma
SARRIKO-ON 4/09
An
Consideremos algunos ejemplos de series temporales cuya evoluci

on es bastante habitual cuando
se trabaja con variables economicas.
Grafico 1.1: Renta Nacional UE 27 miembros
Renta Nacional UE27 (desestacionalizada)
1200000
1100000
1000000
900000
800000
700000
19
95
TI
19
95
TII
I
19
96
TI
19
96
TII
I
19
97
TI
19
97
TII
I
19
98
TI
19
98
TII
I
19
99
TI
19
99
TII
I
20
00
TI
20
00
TII
I
20
01
TI
20
01
TII
I
20
02
TI
20
02
TII
I
20
03
TI
20
03
TII
I
20
04
TI
20
04
TII
I
20
05
TI
20
05
TII
I
20
06
TI
20
06
TII
I
20
07
TI
20
07
TII
I
20
08
TI
20
08
TII
I
600000
La serie representada en el grafico 1.1 es la Renta Nacional de la Union Europea (27 pases
miembros). Es una serie trimestral que comienza el primer trimestre de 1995 y finaliza el tercer
trimestre de 2008. En el grafico no se presentan los datos brutos de la serie, sino lo que se
denomina serie desestacionalizada, es decir, la serie sin comportamiento estacional.
Observando este grafico se puede concluir que la renta nacional de la UE ha seguido en este
periodo una evolucion continuamente creciente, es decir, la serie presenta una tendencia creciente.
Ahora bien, tambien hay que se
nalar que el ritmo de crecimiento de la serie no siempre es el
mismo. Por ejemplo, al final de la muestra se puede observar que la serie estaba creciendo a
una tasa muy fuerte a partir de finales de 2005 y que este ritmo se suaviza a partir de finales
del a
no 2007. Incluso mas, a pesar de que la inspeccion visual de este grafico lleva a decir que
el comportamiento general, en promedio, de la serie es creciente, se pueden aislar momentos
especficos en que la renta nacional decrece, por ejemplo, principios de 1999, el tercer trimestre
de 2001 o el tercer trimestre de 2003.
El grafico 1.2 representa el empleo en el estado espa
nol. Es tambien una serie trimestral que
comienza el primer trimestre de 1961 y termina el cuarto trimestre de 1994. En este caso el
comportamiento de la serie es muy variable, no se puede decir que tenga un comportamiento
a largo plazo ni creciente ni decreciente sino que esta continuamente cambiando de nivel. As,
al principio de la muestra, hasta el a
no 1967, la serie crece. De 1967 hasta principios de los
80, el empleo crece en promedio suavemente, aunque con fuertes oscilaciones. Con la crisis de
1980, se observa una fuerte cada del empleo hasta el a
no 1985 cuando comienza a recuperarse
rapidamente para estabilizarse en los a
no 1988-90. De nuevo, el grafico refleja claramente el
efecto en el empleo de la crisis de comienzos de los a
nos 90 con un descenso espectacular en solo
dos a
nos. Al final de la muestra, la serie comienza a crecer tmidamente.
En el grafico 1.3 podemos encontrar los Ingresos por turismo en el estado espa
nol obtenidos de
la Balanza de Pagos. Es una serie mensual que comienza el mes de enero de 1990 y termina
2
An
SARRIKO-ON 4/09
Grafico 1.2: Empleo en el Estado Espa

nol
120
Empleo (1961,I - 1994,IV)
110
100
90
80
62 64 66 68 70 72 74 76 78 80 82 84 86 88 90 92 94
el mes de agosto de 2008. Si tuvieramos que describir brevemente la evoluci

on de esta serie,
resaltaramos, en primer lugar, que a largo plazo crece ya que en media el nivel de ingresos
es superios al final de la muestra que al principio de la misma, es decir, la serie tiene una
tendencia creciente. Pero esta variable presenta tambien un tipo de comportamiento cclico que
no observabamos en las dos anteriores. Analizando con mas cuidado el grafico observamos que,
dentro de cada a
no, los picos mas altos de los ingresos son siempre en verano (julio y agosto)
y los mas bajos en invierno. Por lo tanto, si queremos estudiar esta serie y predecirla hemos de
tener en cuenta todas sus caractersticas, incluyendo los ciclos que se observan con un periodo
anual y que se donominan, estacionalidad.
Grafico 1.3: Ingresos por turismo en el estado espa
nol
Ingresos por turismo
5000000
4000000
3000000
2000000
1000000
2008M05
2007M12
2007M07
2007M02
2006M09
2006M04
2005M11
2005M06
2005M01
2004M08
2004M03
2003M10
2003M05
2002M12
2002M07
2002M02
2001M09
2001M04
2000M11
2000M06
2000M01
1999M08
1999M03
1998M10
1998M05
1997M12
1997M07
1997M02
1996M09
1996M04
1995M11
1995M06
1995M01
1994M08
1994M03
1993M10
1993M05
1992M12
1992M07
1992M02
1991M09
1991M04
1990M11
1990M06
1990M01
SARRIKO-ON 4/09
An
Debido a estas caractersticas especificas de los datos de series temporales se han de desarrollar
modelos especficos que recojan y aprovechen la dependencia entre las observaciones ordenadas
de una serie temporal.
El conjunto de tecnicas de estudio de series de observaciones dependientes ordenadas en el tiempo
se denomina Analisis de Series Temporales. El instrumento de analisis que se suele utilizar es
un modelo que permita reproducir el comportamiento de la variable de interes.
Los Modelos de Series Temporales pueden ser:
Univariantes: solo se analiza una serie temporal en funcion de su propio pasado
Multivariantes: se analizan varias series temporales a la vez. Un ejemplo muy popular en
la literatura son las series de n
umero de pieles de vison y rata almizclera capturadas en
Canada. Se sabe que existe una relacion vctima-depredador entre ambos animales lo que
se supone que afecta a la dinamica de ambas series. La forma de reflejar estas interacciones
dinamicas entre ambas series es construir un modelo multivariante. Cuando se construye
un modelo multivariante, para casos como este, suponemos que hay cierta dependencia o
relacion entre los pasados de las diversas series.
Estas interacciones dinamicas tambien aparecen cuando construimos modelos multivariantes para variables economicas, tales como la renta, consumo e inversi
on que, como es bien
sabido, influyen las unas en las otras.
En este libro se van a considerar u
nicamente los modelos de series temporales univariantes, por
lo que se va a centrar en el analisis de las series temporales univariantes.
Una serie temporal univariante consiste en un conjunto de observaciones de una variable Y . Si
hay T observaciones, se denota por
Yt , t =
Yt , t = 1, . . . , T
El subndice t indica el tiempo en que se observa el dato Yt . Los datos u observaciones se suelen
recoger a intervalos iguales de tiempo, es decir, equidistantes los unos de los otros; es el caso de
series mensuales, trimestrales, etc.
Cuando las observaciones se recogen solo en momentos determinados de tiempo, generalmente
a intervalos iguales, nos referimos a una serie temporal discreta. Puede darse el caso de que
los datos se generen de forma continua y se observen de forma continua, como, por ejemplo, la
temperatura, que se observa de forma continua en el tiempo por medio de aparatos fsicos. En
este caso denotamos la serie temporal por
Yt ,
tR
y contamos con un n
umero infinito de observaciones. En este caso nos referiremos a una serie
temporal continua. Sin embargo, la mayora de las series disponibles, en particular, en las ciencias
sociales, se observan en tiempo discreto a intervalos iguales, aunque se puedan suponer generadas
por alg
un proceso en tiempo continuo. Por lo tanto, este libro se centrar
a en el estudio de
variables discretas tomadas a intervalos regulares dejando de lado las variables continuas y las
variables discretas tomadas a intervalos irregulares.
4
An
SARRIKO-ON 4/09
Cada uno de los datos, Yt , puede representar o una acumulaci

on sobre un intervalo de tiempo de
alguna cantidad subyacente, por ejemplo, lluvia diaria, o bien un valor tomado en un momento
dado. Las variables flujo son aquellas que se miden respecto a un intervalo de tiempo. Por
ejemplo, el consumo mensual de petroleo. Las variables stock son aquellas que se miden en un
momento determinado de tiempo, por ejemplo, la temperatura, las cotizaciones de bolsa, etc.
Los metodos de analisis de series temporales son, en general, los mismos para ambos tipos de
variables, pero puede haber ocasiones en que la distincion sea de interes debido a las distintas
caractersticas que tienen las observaciones.
Los objetivos que se pueden plantear al analizar una serie temporal son muy diversos, pero entre
los mas importantes se encuentran:
a) Describir las caractersticas de la serie, en terminos de sus componentes de interes. Por
ejemplo, podemos desear examinar la tendencia para ver cuales han sido los principales
movimientos de la serie. Por otro lado, tambien el comportamiento estacional es de interes,
y para algunos propositos, nos puede interesar extraerlo de la serie: desestacionalizar.
Esta descripcion puede consistir en algunos estadsticos resumen (media, varianza, etc.)
pero es mas probable que incluya una o mas representaciones graficas de los datos. La
complejidad de una serie temporal (opuesta a una m.a.s.) es tal que a menudo requiere
una funcion, mas que un simple n
umero, para se
nalar las caractersticas fundamentales de
las series; por ejemplo, una funcion t en vez de un n
umero para recoger el valor medio
de la serie.
b) Predecir futuros valores de las variables. Un modelo de series temporales univariante se formula u
nicamente en terminos de los valores pasados de Yt , y/o de su posicion con respecto
al tiempo (ning
un modelo univariante puede ser tomado seriamente como un mecanismo
que describe la manera en que la serie es generada: no es un proceso generador de datos). Las predicciones obtenidas a partir de un modelo univariante no son por lo tanto
mas que extrapolaciones de los datos observados hasta el momento T . En este sentido se
dice que son nave; sin embargo, son en muchas ocasiones muy efectivas y nos proporcionan un punto de referencia con el que comprar el funcionamiento de otros modelos mas
sofisticados.
Cuando las observaciones sucesivas son dependientes, los valores futuros pueden ser predichos a partir de las observaciones pasadas. Si una serie temporal se puede predecir exactamente, entonces se dira que es una serie determinista. Pero la mayora de las series son
estocasticas en que el futuro solo se puede determinar parcialmente por sus valores pasados,
por lo que las predicciones exactas son imposibles y deben ser reemplazadas por la idea
de que los valores futuros tienen una distribucion de probabilidad que esta condicionada
al conocimiento de los valores pasados.
Ambos objetivos pueden conseguirse a muy distintos niveles. Es evidente que, dada la muestra,
calcular la media y la desviacion tpica de las observaciones supone describir caractersticas
de la serie. De la misma manera podemos predecir que los valores futuros de la variable van
a ser iguales al u
ltimo valor observado. Sin embargo, en ninguno de los dos casos se usa la
informacion muestral de una manera sistematica. El uso sistematico de la informacion muestral
pasa normalmente por la formulacion de modelos que pueden describir la evoluci
on de la serie.
5
SARRIKO-ON 4/09
An
Los modelos utilizados para describir el comportamiento de las variables economicas de interes,
siempre responden a la misma estructura:
Yt = P St + at
donde: P St = Parte sistematica o comportamiento regular de la variable, y at es la parte
aleatoria, tambien denominada innovaci
on.
En los modelos de series temporales univariantes la P St se determina u
nicamente en funcion de
la informacion disponible en el pasado de la serie:
P St = f (Yt , Yt1 , Yt2 , Yt3 , . . .)
El analisis de series temporales se basa en dos nociones fundamentales:
Componentes no observados. Se basa en la idea de que una serie temporal puede ser considerada como la superposicion de varios componentes elementales no observables: tendencia,
estacionalidad y ciclo. La estimacion de tendencias y el ajuste estacional atraen mucho la atencion debido a su importancia practica para el analisis de series economicas.
on de la
Modelos ARIMA . Son modelos parametricos que tratan de obtener la representaci
serie en terminos de la interrelacion temporal de sus elementos. Este tipo de modelos que caracterizan las series como sumas o diferencias, ponderadas o no, de variables aleatorias o de las
series resultantes, fue propuesto por Yule y Slutzky en la decada de los 20. Fueron la base de
los procesos de medias moviles y autorregresivos que han tenido un desarrollo espectacular tras
la publicacion en 1970 del libro de Box-Jenkins sobre modelos ARIMA.
El instrumento fundamental a la hora de analizar las propiedades de una serie temporal en
terminos de la interrelacion temporal de sus observaciones es el denominado coeficiente de autocorrelaci
on que mide la correlacion, es decir, el grado de asociacion lineal que existe entre
observaciones separadas k periodos. Estos coeficientes de autocorrelacion proporcionan mucha
informacion sobre como estan relacionadas entre s las distintas observaciones de una serie temporal, lo que ayudara a construir el modelo apropiado para los datos.
Recordemos que el coeficiente de correlacion entre dos variables xt e yt , xy , mide el grado de
asociacion lineal entre ambas variables y se define como:
cov(x, y)
xy = p
V (x)V (y)
Este coeficiente no tiene unidades por definicion y toma valores 1 xy 1. Si xy = 0, no
existe relacion lineal entre x e y. Si xy = 1, existe relacion lineal perfecta y positiva entre x e
y. Si xy = 1, existe relacion lineal perfecta y negativa entre x e y.
Una vez que tenemos una muestra de las variables x e y, se puede estimar este coeficiente
6
An
SARRIKO-ON 4/09
poblacional mediante su correspondiente coeficiente muestral:

T
X
(xt x
)(yt y)
t=1
rxy = v
u T
T
X
uX
t
(xt x
)2
(yt y)2
t=1
t=1
El coeficiente de correlacion se puede utilizar como instrumento para analizar la estructura de

correlacion existente entre las observaciones de una serie temporal Yt .
Si tenemos T observaciones Y1 , . . . , YT , podemos crear (T 1) pares de observaciones (Y1 , Y2 ), . . . ,
(YT 1 , YT ) . Si consideramos Y1 , . . . , YT 1 como una variable y Y2 , . . . , YT como otra, podemos
definir la correlacion entre ambas variables Yt , Yt+1 :
T
1
X
(Yt Y(1) )(Yt+1 Y(2) )
rYt Yt+1 = r1 = v t=1

uT 1
T
1
X
uX
t
(Yt Y(1) )2
(Yt+1 Y(2) )2
t=1
t=1
donde Y(1) es la media muestral de las T 1 primeras observaciones e Y(2) es la media muestral
de las T 1 u
ltimas observaciones. Esta formula se suele aproximar por:
T
1
X
r1 =
(Yt Y )(Yt+1 Y )
t=1
T
X
(Yt Y )2
t=1
El coeficiente r1 mide la correlacion, grado de asociacion lineal, entre observaciones sucesivas; se

le denomina coeficiente de correlacion simple o coeficiente de correlacion serial, o coeficiente de
autocorrelacion de primer orden. En general, se puede estimar la correlacion entre observaciones
separadas por k intervalos, es decir, el coeficiente de autocorrelacion de orden k, como sigue:
T
k
X
rk =
(Yt Y )(Yt+k Y )
t=1
T
X
(Yt Y )2
t=1
Ejercicio 1.1. Que valores esperas para el coeficiente de correlacion muestral en estos casos?
SARRIKO-ON 4/09
An
2000
200
180
1500
Consumo
variable Y
160
140
1000
120
100
80
-20
20
40
60
80
100
500
500
120
1000
1500
2000
2500
3000
Renta
variable X
El correlograma es el grafico de los coeficientes de autocorrelacion de orden k contra el retardo

k. Este grafico es muy u
til para interpretar el conjunto de los coeficientes de autocorrelacion de
una serie temporal. La interpretacion del correlograma no es facil pero vamos a dar unas pistas
al respecto.
(A) Si una serie es puramente aleatoria, entonces para valores de T grandes, rk ' 0, para
cualquier k 6= 0.
400
variable Y
200
-200
-400
-30
-20
-10
10
20
30
variable X
(B.1) Correlacion a corto plazo.

Sea una serie sin tendencia, que oscila en torno a una media constante, pero cuyas observaciones
sucesivas estan correlacionadas positivamente, es decir, una serie en la que a una observaci
on
por encima de la media, le suele seguir otra o mas observaciones por encima de la media (lo
mismo, para observaciones por debajo de la media).
El correlograma es de la siguiente forma: un valor relativamente alto de r1 , seguido de algunos
coeficientes rk distintos de cero, pero cada vez mas peque
nos y valores de rk aproximadamente
cero para k grande.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
60
AC
65
SARRIKO-ON 4/09
0.882
0.689
0.556
0.448
0.350
0.277
0.207
0.143
0.117
0.128
0.133
0.122
0.101
0.071
0.035
Correlogram of ARMA11
An
Autocorrelation
55
50
45
40
20
30
40
50
60
70
80
90
00
(B.2) Correlacion a corto plazo.
-0.716
0.521
-0.375
0.271
-0.194
0.138
-0.097
0.052
-0.029
0.004
-0.006
0.003
-0.014
0.017
-0.016
AC
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Autocorrelation
Correlogram of AR1
Las series sin tendencia que oscilan en torno a una media constante pero que alternan valores
con observaciones sucesivas a diferentes lados de la media general, presentan un correlograma
que tambien suele alternar los signos de sus coeficientes.
-2
-4
1000 1005 1010 1015 1020 1025 1030 1035 1040 1045 1050
Por ejemplo, si el valor de r1 es negativo, el valor de r2 puede ser, sin embargo, positivo porque
las observaciones separadas dos periodos tienden a estar al mismo lado de la media.
(C) Si la serie contiene una tendencia, es decir, cambia continuamente de nivel, los valores de rk
no van a decrecer hacia cero rapidamente. Esto es debido a que una observaci
on por encima de
la media (o por debajo) de la media general es seguida de muchas observaciones por el mismo
lado de la media debido a la tendencia. A lo largo del curso, se estudiara como para que el
correlograma sea informativo habremos de eliminar esta tendencia.
Autocorrelation
20
15
10
5
0
1860
0.975
0.955
0.935
0.913
0.892
0.870
0.848
0.828
0.807
0.786
0.766
0.744
0.724
0.703
0.682
25
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
30
AC
An
Correlogram of TRENDD
SARRIKO-ON 4/09
1880
1900
1920
1940
1960
1980
1.1
Autocorrelation
1.0
0.672
0.198
-0.187
-0.428
-0.469
-0.483
-0.483
-0.423
-0.173
0.192
0.619
0.874
0.607
0.184
-0.141
-0.365
-0.407
-0.438
-0.447
-0.390
-0.167
0.174
0.546
0.768
0.536
0.172
-0.095
-0.285
-0.345
-0.388
-0.419
-0.374
-0.175
0.137
0.469
0.679
1.2
AC
1.3
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
Correlogram of AIRESTM
(D) Si una serie presenta alg

un tipo de ciclo, el correlograma tambien presentar
a una oscilacion
a la misma frecuencia. Por ejemplo, para series mensuales, r6 sera grande y negativo, y r12
sera grande y positivo. En general, el correlograma va a reproducir el comportamiento cclico
presente en la serie. En las series con un comportamiento cclico permanente, el correlograma da
de nuevo poca informacion porque lo domina el comportamiento cclico presente en los datos.
Si eliminamos la variacion cclica de los datos el correlograma podra ser mas u
til.
0.9
0.8
0.7
49 50 51 52 53 54 55 56 57 58 59 60
Los modelos de series temporales ARIMA van a ser el objetivo central del libro. Estos modelos
se basan en la teora de los procesos estocasticos que se desarrolla en el captulo 2. Los modelos
ARMA estacionarios se explican con detalle en el captulo 3 y los modelos ARIMA no estacionarios en el captulo 4. La metodologa de modelizacion ARIMA con las fases de identificaci
on,
estimacion y contraste de diagnosticos se explica detalladamente en el captulo 5 y el captulo
6 se dedica a la prediccion. El captulo 7 trata sobre la especificacion de los modelos de series
temporales adecuados a los datos estacionales. Por u
ltimo, el captulo 8 reune una coleccion de
ejercicios para el trabajo propio del lector.
10
Captulo 2
Procesos estoc
asticos
Una serie temporal univariante consiste en un conjunto de observaciones de una variable de interes. Un modelo de series temporales debe reproducir las caractersticas de la serie. Si contamos
con T observaciones, Yt , t = 1, 2, . . . , T , el modelo univariante de series temporales se formulara en terminos de los valores pasados de Yt y/o su posicion en relacion con el tiempo. Ahora
bien, no existe un u
nico modelo para conseguir este modelo. En este captulo se va a estudiar
la teora de procesos estocasticos para describir la estructura probabilstica de una secuencia de
observaciones en el tiempo y para predecir.
2.1.
Proceso estoc
astico y serie temporal
Un proceso estoc
astico es una familia de variables aleatorias que, en general, estan relacionadas
entre s y siguen una ley de distribucion conjunta. Se denota por:
Yt (), t = . . . , t 2, t 1, t, t + 1, t + 2, . . . ,
o
. . . , Yt2 , Yt1 , Yt , Yt+1 , Yt+2 , . . . ,
{Yt }+
o simplemente Yt
Dado que el objetivo del libro es el analisis de series temporales, consideraremos u

nicamente
secuencias de variables aleatorias ordenadas en el tiempo, pero no tiene por que ser as. Se
podra pensar, por ejemplo, en una ordenacion de tipo espacial.
Si se fija el tiempo, t = t0 , se tiene una variable aleatoria determinada de la secuencia,
con su distribucion de probabilidad univariante.
Yt0 (),
Si se fija la variable aleatoria = 0 , se tiene una realizaci

on del proceso, es decir, una muestra
de tama
no 1 del proceso formada por una muestra de tama
no 1 de cada una de las variables
aleatorias que forman el proceso:
. . . , Yt2 (0 ), Yt1 (0 ), Yt (0 ), Yt+1 (0 ), Yt+2 (0 ), . . .
. . . , Yt2 , Yt1 , Yt , Yt+1 , Yt+2 , . . .
En el marco estadstico de los procesos estocasticos, una serie temporal, Y1 , Y2 , . . . , YT , se puede
interpretar como una realizacion muestral de un proceso estocastico que se observa u
nicamente
para un n
umero finito de periodos, t = 1, 2, . . . , T .
11
SARRIKO-ON 4/09
An
En este contexto, por lo tanto, una serie temporal es una sucesion de observaciones en la que
cada una de ellas corresponde a una variable aleatoria distinta, y la ordenacion de la sucesion de
observaciones es esencial para el analisis de la misma, no se puede alterar, porque se cambiaran
las caractersticas de la serie que se quiere estudiar. Sin embargo, en la teora del muestreo
aleatorio, una muestra es un conjunto de observaciones de una u
nica variable aleatoria y, por
lo tanto, su orden es irrelevante. As, si se considera el proceso estocastico Consumo Privado,
denotado por {Ct }+
, la serie temporal dada por los valores del consumo anuales publicados
por la agencia estadstica correspondiente:
C1996
C1997
C1998
C1999
C2000
C2001
C2002
C2003
C2004
C2005
C2006
C2007
es una realizacion del proceso estocastico, en principio infinito, Consumo Privado que se observa
u
nicamente de 1996 a 2007. Sin embargo, si se considera el consumo semanal de una determinada
clase de familias de una ciudad en un momento dado, la muestra tomada para N familias :
C1
C2
C3
C4
...
CN
es un conjunto de N observaciones de una variable aleatoria consumo familiar, C (, 2 ).
2.2.
Caractersticas de un proceso estoc

astico
Un proceso estocastico se puede caracterizar bien por su funcion de distribucion o por sus
momentos.
Funci
on de distribuci
on. Para conocer la funcion de distribucion de un proceso estocastico
es necesario conocer las funciones de distribucion univariantes de cada una de las variables
aleatorias del proceso, F [Yti ], ti , y las funciones bivariantes correspondientes a todo par de
variables aleatorias del proceso, F [Yti , Ytj ], (ti , tj ) , y todas las funciones trivariantes, ...
En resumen, la funcion de distribucion de un proceso estocastico incluye todas las funciones de
distribucion para cualquier subconjunto finito de variables aleatorias del proceso:
F [Yt1 , Yt2 , . . . , Ytn ],
(t1 , t2 , . . . , tn ),
siendo n
finito
Momentos del proceso estoc

astico. Como suele ser muy complejo determinar las caractersticas de un proceso estocastico a traves de su funcion de distribucion se suele recurrir a caracterizarlo a traves de los dos primeros momentos.
El primer momento de un proceso estocastico viene dado por el conjunto de las medias de todas
las variables aleatorias del proceso:
E(Yt ) = t < ,
t = 0, 1, 2, . . . ,
El segundo momento centrado del proceso viene dado por el conjunto de las varianzas de todas
las variables aleatorias del proceso y por las covarianzas entre todo par de variables aleatorias:
V (Yt ) = E[Yt t ]2 = t2 , < t = 0, 1, 2, . . . ,
cov(Yt Ys ) = E[Yt t ][Ys s ] = t,s ,
12
t, s (t 6= s)
An
SARRIKO-ON 4/09
Si la distribucion del proceso es normal y se conocen sus dos primeros momentos (medias,
varianzas y covarianzas), el proceso esta perfectamente caracterizado y se conoce su funcion de
distribucion.
2.3.
Procesos estoc
asticos estacionarios
En el analisis de series temporales el objetivo es utilizar la teora de procesos estocasticos para

determinar que proceso estocastico ha sido capaz de generar la serie temporal bajo estudio con el
fin de caracterizar el comportamiento de la serie y predecir en el futuro. Si se quieren conseguir
metodos de prediccion consistentes, no se puede utilizar cualquier tipo de proceso estocastico,
sino que es necesario que la estructura probabilstica del mismo sea estable en el tiempo.
La filosofa que subyace en la teora de la prediccion es siempre la misma: se aprende de las
regularidades del comportamiento pasado de la serie y se proyectan hacia el futuro. Por lo tanto,
es preciso que los procesos estocasticos generadores de las series temporales tengan alg
un tipo
de estabilidad. Si, por el contrario, en cada momento de tiempo presentan un comportamiento
diferente e inestable, no se pueden utilizar para predecir. A estas condiciones que se les impone a
los procesos estocasticos para que sean estables para predecir, se les conoce como estacionariedad.
El concepto de estacionariedad se puede caracterizar bien en terminos de la funcion de distribucion o de los momentos del proceso. En el primer caso, se hablara de estacionariedad en sentido
estricto y, en el segundo, de estacionariedad de segundo orden o en covarianza.
Estacionariedad estricta. Un proceso estocastico, Yt , es estacionario en sentido estricto si y
solo si:
F [Yt1 , Yt2 , . . . , Ytn ] = F [Yt1 +k , Yt2 +k , . . . , Ytn +k ] (t1 , t2 , . . . , tn )
y k
es decir, si la funcion de distribucion de cualquier conjunto finito de n variables aleatorias del

proceso no se altera si se desplaza k periodos en el tiempo.
Estacionariedad en covarianza. Un proceso estocastico, Yt , es estacionario en covarianza si y
solo si:
a) Es estacionario en media, es decir, todas las variables aleatorias del proceso tienen la misma
media y es finita:
E(Yt ) = < , t
b) Todas las variables aleatorias tienen la misma varianza y es finita, es decir, la dispersion
en torno a la media constante a lo largo del tiempo es la misma para todas las variables
del proceso
V (Yt ) = E[Yt ]2 = Y2 < , t
c) Las autocovarianzas solo dependen del n
umero de periodos de separacion entre las variables
y no del tiempo, es decir, la covarianza lineal entre dos variables aleatorias del proceso que
13
SARRIKO-ON 4/09
An
disten k periodos de tiempo es la misma que existe entre cualesquiera otras dos variables
que esten separadas tambien k periodos, independientemente del momento concreto de
tiempo al que esten referidas
cov(Yt Ys ) = E[Yt ][Ys ] = |ts| = k < ,
Por lo tanto, un proceso estocastico es estacionario en covarianza si y solo si:

(1)
E(Yt ) = <
V (Yt ) = Y2 < t = s
(2) Cov(Yt Ys ) =
|ts| = k < t =
6 s
Un proceso estocastico estacionario en covarianza esta caracterizado si se conoce:
,
V (Yt ) y k , k = 1, 2, . . . ,
Si un proceso estocastico es estacionario en covarianza y su distribucion es Normal, es estacionario en sentido estricto.

La pregunta relevante ahora es si las series economicas presentan, en general, un comportamiento
estacionario. Una simple inspeccion visual de muchas series temporales economicas, permite
comprobar que presentan cambios de nivel, tendencias crecientes, estacionalidades. En las figuras
del grafico 2.1 se observa, por ejemplo, como la serie de Renta Nacional crece sistematicamente
o como la serie de N
umero de parados cambia constantemente de nivel, creciendo y decreciendo.
En ambos casos no se puede sostener el supuesto de que la media de todas las variables de los
procesos que han generado estas series sea la misma, por lo que no son estacionarias en media.
La serie de Ingresos por turismo tampoco refleja un comportamiento estacionario en media
no solo por su crecimiento a largo plazo sino por la presencia de la estacionalidad que hace
que el comportamiento promedio de cada mes sea diferente. La serie de Recaudaci
on de pelculas
parece oscilar en torno a una media constante y, a pesar de ser mensual, no tiene comportamiento
estacional. Sin embargo, tampoco presenta un comportamiento estacionario dado que se puede
observar que la variabilidad de la serie no es la misma para todo el periodo muestral, luego no
seria estacionaria en varianza.
Se puede concluir, por lo tanto, que la mayora de las series economicas no van a presentar
comportamientos estacionarios. De todas formas, se procedera a proponer modelos para los
procesos estocasticos estacionarios, en primer lugar, para luego pasar a analizar como se puede
generalizar este tipo de modelos para incluir comportamientos no estacionarios del tipo observado
en las series economicas.
2.3.1.
Funci
on de autocovarianzas y de autocorrelaci
on
En principio, si se considera el proceso estocastico teorico, Yt , que comienza en alg

un momento
del pasado lejano y acaba en un futuro indeterminado se pueden calcular un n
umero indefinido
de autocovarianzas, por lo que conviene definir una funcion que las agrupe a todas.
14
An
SARRIKO-ON 4/09
Grafico 2.1: Series temporales economicas

Ingresos por turismo
5000000
1200000
1100000
4000000
1000000
3000000
900000
2000000
800000
1000000
700000
2008M05
2007M12
2007M07
2007M02
2006M09
2006M04
2005M11
2005M06
2005M01
2004M08
2004M03
2003M10
2003M05
2002M12
2002M07
2002M02
2001M09
2001M04
2000M11
2000M06
2000M01
1999M08
1999M03
1998M10
1998M05
1997M12
1997M07
1997M02
1996M09
1996M04
1995M11
1995M06
1995M01
1994M08
1994M03
1993M10
1993M05
1992M12
1992M07
1992M02
1991M09
1991M04
1990M11
1990M01
III
III
8T
7T
8T
20
0
20
0
III
7T
20
0
20
0
III
6T
6T
5T
20
0
20
0
I
5T
20
0
20
0
III
III
4T
4T
3T
20
0
20
0
20
0
III
3T
2T
20
0
III
2T
1T
20
0
20
0
20
0
III
1T
20
0
III
0T
9T
0T
20
0
20
0
III
9T
19
9
19
9
III
8T
8T
7T
19
9
19
9
III
7T
6T
19
9
19
9
19
9
III
6T
5T
5T
19
9
19
9
19
9
1990M06
600000
Recaudacin de pelculas
Nmero de parados
70000
200
60000
150
50000
100
40000
50
30000
1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008
20
00
M
01
20
00
M
04
20
00
M
07
20
00
M
10
20
01
M
01
20
01
M
04
20
01
M
07
20
01
M
10
20
02
M
01
20
02
M
04
20
02
M
07
20
02
M
10
20
03
M
01
20
03
M
04
20
03
M
07
20
03
M
10
20
04
M
01
20
04
M
04
20
04
M
07
20
04
M
10
20
05
M
01
20
05
M
04
20
05
M
07
20
05
M
10
20
06
M
01
20
06
M
04
20
06
M
07
20
06
M
10
20
07
M
01
20
07
M
2 0 04
07
M
07
20
07
M
10
20
08
M
01
20
08
M
04
20
08
M
07
20000
Funci
on de autocovarianzas (FACV)
La funcion de autocovarianzas de un proceso estocastico estacionario es una funcion de k (n
umero
de periodos de separacion entre las variables) que recoge el conjunto de las autocovarianzas del
proceso y se denota por:
k ,
k = 0, 1, 2, 3, . . . ,
Caractersticas de la funcion de autocovarianzas:

Incluye la varianza del proceso para k = 0: 0 = E[Yt ][Yt ] = V (Yt )
Es una funcion simetrica: k = E[Yt ][Yt+k ] = E[Yt ][Ytk ] = k
La funcion de autocovarianzas de un proceso estocastico recoge toda la informacion sobre la
estructura dinamica lineal del mismo. Pero depende de las unidades de medida de la variable,
por lo que, en general, se suele utilizar la funcion de autocorrelacion.
15
SARRIKO-ON 4/09
An
Funci
on de autocorrelaci
on (FAC)
El coeficiente de autocorrelacion de orden k de un proceso estocastico estacionario mide el grado
de asociacion lineal existente entre dos variables aleatorias del proceso separadas k periodos:
k
cov(Yt Yt+k )
k
=
k = p
=
0 0
0
V (Yt ) V (Yt+k )
Por ser un coeficiente de correlacion, no depende de unidades y |k | 1, k.
La funcion de autocorrelacion de un proceso estocastico estacionario es una funcion de k que
recoge el conjunto de los coeficientes de autocorrelacion del proceso y se denota por k , k =
0, 1, 2, 3, . . . ,. La funcion de autocorrelacion se suele representar graficamente por medio de
un grafico de barras denominado correlograma.
Grafico 2.2: Funciones de autocorrelacion
1.0
a)
0.5
1.0
b)
0.5
0.0
0.0
-0.5
-0.5
K
-1.0
2
10
12
14
16
18
20
1.0
-1.0
2
10
12
14
16
18
20
1.0
c)
d)
0.5
0.5
0.0
0.0
-0.5
-0.5
K
-1.0
-1.0
2
10
12
14
16
18
20
10
12
14
16
18
20
Las caractersticas de la funcion de autocorrelacion de un proceso estocastico estacionario:

El coeficiente de autocorrelacion de orden 0 es, por definicion, 1. Por eso, a menudo, no se
le incluye explcitamente en la funcion de autocorrelacion.
0 =
16
0
=1
0
An
SARRIKO-ON 4/09
Es una funcion simetrica: k = k0 = k

= k . Por ello, en el correlograma se representa
0
la funcion de autocorrelacion solamente para los valores positivos del retardo k.
La funcion de autocorrelacion de un proceso estocastico estacionario tiende a cero rapidamente cuando k tiende a .
La funcion de autocorrelacion va a ser el principal instrumento utilizado para recoger la estructura dinamica lineal del modelo. Los graficos de la figura 2.2 muestran 4 correlogramas
correspondientes a diferentes series temporales. Los correlogramas a), b) y c) decrecen rapidamente hacia cero conforme aumenta k: exponencialmente en los casos a) y b) y truncandose
en el caso c). Son, por lo tanto, correlogramas correspondientes a series estacionarias. Por el
contrario, los coeficientes de autocorrelacion del correlograma d) decrecen lentamente, de forma
lineal, por lo que no corresponden a una serie estacionaria.
Para caracterizar un proceso estocastico estacionario por sus momentos existen dos opciones:
a) Media y funcion de autocovarianzas:
k ,
b) Media, varianza y funcion de autocorrelacion:
2.3.2.
k = 0, 1, 2, 3, . . .
k ,
k = 1, 2, 3, . . .
Estimaci
on de los momentos
Los momentos poblacionales de un proceso estocastico estacionario se estiman a traves de los

correspondientes momentos muestrales.
a) Media:
= Y =
1
T
T
X
Yt
t=1
b) Varianza: 0
= V (Y ) =
1
T
T
X
(Yt Y )2
t=1
c) Funcion de Autocovarianzas: k =
1
T
T
k
X
(Yt Y ) (Yt+k Y ),
k = 1, 2, . . . , K
t=1
d) Funcion de Autocorrelacion: k =
0 ,
k = 1, 2, . . . , K
Aunque para el proceso estocastico teorico se cuenta con un n

umero indefinido de autocovarianzas y coeficientes de autocorrelacion, cuando se dispone de una serie temporal finita de tama
no
T , como maximo se pueden estimar T 1 coeficientes de autocorrelacion, pero, en la practica,
se van a estimar muchos menos. Se recomienda un maximo de T /3 . Esto es debido a que cuanto
mayor sea k menos informacion hay para estimar k y la calidad de la estimacion es menor.
La estimacion de los momentos poblacionales de un proceso estocastico proporciona otra razon
por la que es necesario imponer la restriccion de estacionariedad de un proceso. Si el proceso
que ha generado la serie (Y1 , Y2 , . . . , YT ) no fuera estacionario, sera preciso estimar T medias
17
SARRIKO-ON 4/09
An
diferentes, t , T varianzas diferentes, t2 , y un gran n

umero de autocorrelaciones, lo que no es
posible contando con T observaciones solamente. La solucion habitual a este tipo de problema
es buscar mas datos pero, en el caso de las series temporales, esta solucion no es valida. Si
conseguimos una serie temporal mas larga, por ejemplo, M observaciones mas, tendramos que
estimar M medias mas, M varianzas mas, etc. con lo cual estaramos en la misma situacion.
2.4.
Proceso Ruido Blanco
El proceso estocastico mas sencillo es el denominado Ruido Blanco que es una secuencia de
variables aleatorias de media cero, varianza constante y covarianzas nulas. Se denotara habitualmente por at , t = 0, 1, 2, . . .:
E(at ) = 0, t
V (at ) = 2 , t
Cov(at as ) = 0, t 6= s
As, un proceso ruido blanco, at RB(0, 2 ) , es estacionario si la varianza 2 es finita con

funcion de autocovarianzas (FACV):
k = 2 , k = 0 y
k = 0, k > 0
y funcion de autocorrelacion (FAC):

k = 1, k = 0 y
k = 0, k > 0
Grafico 2.3: Realizacion de un proceso Ruido Blanco

3
-1
-2
-3
1020
1040
1060
1080
1100
1120
1140
El grafico 2.3 muestra una realizacion de tama

no 150 de un proceso ruido blanco normal con
varianza unidad, at RBN (0, 1). Se observa que la serie simulada oscila en torno a un nivel
constante nulo con una dispersion constante y de forma aleatoria, sin ning
un patron de comportamiento, como corresponde a la ausencia de correlacion en el tiempo entre sus observaciones.
Dado que la caracterstica fundamental de las series temporales es la dependencia temporal entre sus observaciones, por lo que no es de esperar que muchas series economicas presenten un
comportamiento que responda a una ausencia de correlacion temporal en el sentido de que lo
que ocurre hoy no tiene relacion lineal con lo sucedido en el pasado. De todas formas, el proceso
ruido blanco es muy u
til en el analisis de series temporales porque es la base para la construccion
de los modelos ARIM A(p, d, q).
18
Captulo 3
Modelos lineales estacionarios
3.1.
Modelo Lineal General
La metodologa de la modelizacion univariante es sencilla. Dado que el objetivo es explicar el

valor que toma en el momento t una variable economica que presenta dependencia temporal, una
forma de trabajar es recoger informacion sobre el pasado de la variable, observar su evoluci
on
en el tiempo y explotar el patron de regularidad que muestran los datos. La estructura de
dependencia temporal de un proceso estocastico esta recogida en la funcion de autocovarianzas
(FACV) y/o en la funcion de autocorrelacion (FAC). En este contexto, se trata de utilizar
la informacion de estas funciones para extraer un patron sistematico y, a partir de este, un
modelo que reproduzca el comportamiento de la serie y se pueda utilizar para predecir. Este
procedimiento se hara operativo mediante los modelos ARMA que son una aproximaci
on a la
estructura teorica general.
En un modelo de series temporales univariante se descompone la serie Yt en dos partes, una
que recoge el patron de regularidad, o parte sistematica, y otra parte puramente aleatoria,
denominada tambien innovaci
on:
Yt = P St + at
t = 1, 2, . . .
La parte sistem
atica es la parte predecible con el conjunto de informacion que se utiliza para
construir el modelo, es decir, la serie temporal Y1 , Y2 . . . , YT . La innovaci
on respecto al conjunto de informacion con el que se construye el modelo, es una parte aleatoria en la que sus
valores no tienen ninguna relacion o dependencia entre s. La innovaci
on en el momento t no
esta relacionada, por lo tanto, ni con las innovaciones anteriores ni con las posteriores, ni con
la parte sistematica del modelo. Es impredecible, es decir, su prediccion es siempre cero. A la
hora de construir un modelo estadstico para una variable economica, el problema es formular
la parte sistematica de tal manera que el elemento residual sea una innovaci
on, en el mundo
Normal, un ruido blanco.
Dada una serie temporal de media cero, como el valor de Y en el momento t depende de su
pasado, un modelo teorico capaz de describir su comportamiento sera:
Yt = f (Yt1 , Yt2 , Yt3 , . . .) + at
t = 1, 2, . . .
donde se exige que el comportamiento de Yt sea funcion de sus valores pasados, posiblemente
infinitos.
19
SARRIKO-ON 4/09
An
Dentro de los procesos estocasticos estacionarios se considerara u

nicamente la clase de procesos
lineales que se caracterizan porque se pueden representar como una combinaci
on lineal de variables aleatorias. De hecho, en el caso de los procesos estacionarios con distribucion normal y
media cero, la teora de procesos estocasticos se
nala que, bajo condiciones muy generales, Yt se
puede expresar como combinacion lineal de los valores pasados infinitos de Y mas una innovaci
on
ruido blanco:
Yt = 1 Yt1 + 2 Yt2 + 3 Yt3 + . . . + at
t = 1, 2, . . .
(3.1)
Las condiciones generales que ha de cumplir el proceso son:

a) Que el proceso sea no anticipante, es decir, que el presente no venga determinado por el
futuro, luego el valor de Y en el momento t no puede depender de valores futuros de Y o
de las innovaciones a.
b) Que el proceso sea invertible, es decir, que el presente dependa de forma convergente
de su propio pasado lo que implica que la influencia de Ytk en Yt ha de ir disminuyendo
conforme nos alejemos en el pasado. Esta condicion se cumple si los parametros del modelo
general (3.1) cumplen la siguiente restriccion:
i2 <
i=1
El modelo (3.1) se puede escribir de forma mas compacta en terminos del operador de retardos:
Yt = (1 L + 2 L2 + . . . ) Yt + at
(1 1 L 2 L2 . . . ) Yt = at
(L) Yt = at
Otra forma alternativa de escribir el modelo (3.1) es:

Yt =
1
at = (L) at = (1 + 1 L + 2 L2 + . . . ) at
(L)
Yt = at + 1 at1 + 2 at2 + 3 at3 + . . .
t = 1, 2, . . .
(3.2)
Es decir, el valor Yt se puede representar como la combinaci

on lineal del ruido blanco at y su
pasado infinito. El modelo (3.2) cumple la condicion de estacionariedad si los parametros del
modelo satisfacen la siguiente restriccion:
i2 <
i=1
Esta restriccion implica que el valor presente depende de forma convergente de las innovaciones
pasadas, es decir, la influencia de la innovaci
on atk va desapareciendo conforme se aleja en el
pasado.
20
An
SARRIKO-ON 4/09
Tanto la representacion (3.1) como la (3.2) son igualmente validas para los procesos estocasticos
estacionarios siempre que se cumplan las dos condiciones antes mencionadas, o sea que el modelo
sea no anticipante e invertible.
Como en la practica se va a trabajar con series finitas, los modelos no van a poder expresar
dependencias infinitas sin restricciones sino que tendran que especificar una dependencia en
el tiempo acotada y con restricciones. Sera necesario simplificar las formulaciones del modelo
general (3.1) y/o (3.2) de forma que tengan un n
umero finito de parametros. Acudiendo a la
teora de polinomios, bajo condiciones muy generales, se puede aproximar un polinomio de orden
infinito mediante un cociente de polinomios finitos:
(L) '
p (L)
q (L)
donde p (L) y q (L) son polinomios en el operador de retardos finitos de orden p y q , respectivamente:
p (L) = 1 1 L 2 L2 . . . p Lp
q (L) = 1 1 L 2 L2 . . . q Lq
Sustituyendo en el modelo (3.1), se obtiene:
(L) Yt '
p (L)
Yt = at
q (L)
p (L) Yt = q (L) at
Por lo tanto, el modelo lineal general admite tres representaciones, todas igualmente validas
bajo los supuestos se
nalados:
Representacion puramente autorregresiva (3.1), AR(): el valor presente de la variable
se representa en funcion de su propio pasado mas una innovaci
on contemporanea.
Representacion puramente de medias m
oviles (3.2), M A(): el valor presente de la variable se representa en funcion de todas las innovaciones presente y pasadas.
Representacion finita:
p (L) Yt = q (L) at
(1 1 L 2 L2 . . . p Lp ) Yt = (1 1 L 2 L2 . . . q Lq ) at
Yt = 1 Yt1 + 2 Yt2 + . . . + p Ytp +
|
{z
}
parte autorregresiva
at 1 at1 2 at2 . . . q atq

|
{z
}
parte medias m
oviles
En este modelo finito, el valor de Yt depende del pasado de Y hasta el momento t p

(parte autorregresiva), de la innovaci
on contemporanea y su pasado hasta el momento
21
SARRIKO-ON 4/09
An
t q (parte medias moviles). Este modelo se denomina Autorregresivo de Medias M

oviles
de orden (p, q), y se denota por ARM A(p, q).
Esta formulacion finita es una representaci
on mas restringida que las representaciones
generales (3.1)-(3.2).
Dos casos particulares del modelo ARM A(p, q) de gran interes son:
AR(p). Modelo que solo presenta parte autorregresiva, es decir, el polinomio de medias
moviles es de orden 0:
Yt AR(p)
Yt = 1 Yt1 + 2 Yt2 + . . . + p Ytp + at
M A(q). Modelo que solo presenta parte medias moviles, es decir, el polinomio autorregresivo es de orden 0:
Yt AR(p)
Yt = at 1 at1 2 at2 . . . q atq
Cuando el modelo es conocido se puede utilizar cualquiera de las tres representaciones dependiendo de los intereses. Si el modelo no es conocido y hay que especificarlo y estimarlo a partir
de una serie temporal concreta, hay que utilizar necesariamente la formulaci
on finita.
Cuando se construye un modelo de series temporales univariante el objetivo no es conseguir
el verdadero modelo. Es preciso ser conscientes de que estamos tratando de modelar una
realidad compleja y el objetivo es lograr un modelo parsimonioso y suficientemente preciso
que represente adecuadamente las caractersticas de la serie recogidas fundamentalmente en la
funcion de autocorrelacion. Los modelos ARM A(p, q), AR(p) y M A(q) son aproximaciones al
modelo lineal general. Comenzaremos por caracterizar sus funciones de autocorrelacion para
conocer sus propiedades y posteriormente utilizarlos para modelar series y predecir.
Ejercicio 3.1. Deriva el modelo finito a partir del modelo (3.2).
3.2.
Procesos autorregresivos: AR(p).
El modelo autorregresivo finito de orden p, AR(p) es una aproximaci

on natural al modelo lineal
general (3.1). Se obtiene un modelo finito simplemente truncando el modelo general:
Yt = 1 Yt1 + 2 Yt2 + . . . + p Ytp + at
t = 1, 2, . . .
Para estudiar sus caractersticas, comenzaremos por el modelo autorregresivo de orden 1, AR(1).
3.2.1.
Proceso AR(1).
En el proceso AR(1) la variable Yt viene determinada u

nicamente por su valor pasado, Yt1 , y
la perturbacion contemporanea, at :
Yt = Yt1 + at
t = 1, 2, . . .
22
at RB(0, 2 )
(3.3)
An
SARRIKO-ON 4/09
La estructura de correlacion temporal representada por el modelo AR(1) es como sigue:

. . . Yt2 Yt1 Yt Yt+1 Yt+2
at1
at
at+1
at+2
. . . at2
...
...
es decir, la perturbacion at entra en el sistema en el momento t e influyendo en Yt y en su futuro,

pero no en su pasado1 .
Para demostrar si el modelo AR(1) es estacionario para cualquier valor del parametro es
preciso comprobar las condiciones de estacionariedad.
a) Estacionario en media:
E(Yt ) = E( Yt1 + at ) = E(Yt1 )
Para que el proceso sea estacionario, la media ha de ser constante y finita , lo que implica:
E(Yt ) = E(Yt )
(1 ) E(Yt ) = 0
E(Yt ) =
0
=0
1
Por lo tanto, para que el proceso sea estacionario es necesario que el parametro 6= 1 .
b) Estacionario en covarianza:
Para que el proceso sea estacionario, la varianza ha de ser constante y finita:
0 = E(Yt E(Yt ))2 = E( Yt1 + at 0)2 =
= 2 E(Yt1 )2 + E(at )2 + 2 E(Yt1 at ) = 2 V (Yt1 ) + 2 + 0
Dada la estructura de autocorrelacion del proceso
E(Yt1 at ) = E[(Yt1 0)(at 0)] = cov(Yt1 at ) = 0
Bajo el supuesto de que el proceso es estacionario,
E(Yt1 )2 = V (Yt1 ) = V (Yt ) = 0
por lo que:
0 = 0 + 2
(1 2 ) 0 = 2
0 =
2
1 2
Para que el proceso sea estacionario, varianza constante y finita, es necesario que || < 1 .
1
Recuerdese adem
as que suponemos que el proceso es no anticipante, es decir, el futuro no influye en el
pasado.
23
SARRIKO-ON 4/09
An
En lo que se refiere a la funcion de autocovarianzas, la autocovarianza de orden k es:

k = E(Yt E(Yt ))(Ytk E(Ytk )) = E(Yt Ytk ) = E[( Yt1 + at ) Ytk ]
= E(Yt Ytk ) + E(at Ytk ) = k1
Por lo que:
1
2
3
..
.
= 0
= 1
= 2
..
=
.
Por lo tanto, si el parametro autorregresivo es || < 1 , la varianza es finita y el resto

de las autocovarianzas tambien lo son, y ademas dependen u
nicamente de los periodos de
separacion entre las variables y no del tiempo, por lo que el proceso es estacionario.
Se puede concluir, por lo tanto, que el proceso AR(1) es estacionario si y solo si || < 1.
La funcion de autocovarianzas de un proceso AR(1) estacionario es:
k =
2
1 2
k=0
k1
k>0
Los coeficientes de autocorrelacion de un proceso estacionario AR(1) son:

k =
k1
k
=
= k1
0
0
La funcion de autocorrelacion de un proceso AR(1) estacionario es:

(
k =
k=0
k1
k>0
Se puede demostrar facilmente que la FAC de un AR(1) es una funcion exponencial:

1 = 0 =
2 = 1 = 2
3 = 2 = 3
..
..
.
.
Por lo que:
k = k
k = 1, 2, 3, . . .
Dado que para procesos estacionarios el parametro en valor absoluto es menor que la unidad, la
funcion de autocorrelacion decrece exponencialmente con k, es decir, se va aproximando a cero
conforme k pero no llega nunca a valer cero.
24
An
SARRIKO-ON 4/09
Grafico 3.1: Procesos Autorregresivos de orden 1: AR(1)

= 0,7
= -0,7
10
-2
-4
1010
1020
1030
1040
1050
1060
1070
1080
1090
1100
1110
1120
1130
1140
1010
1150
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
1020
1030
1040
1050
1060
1070
1080
1090
1100
1110
1120
1130
1140
1150
0
1
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,2
-0,4
-0,4
-0,6
-0,6
-0,8
-0,8
-1
-1
10
11
12
13
14
15
16
17
18
19
20
Las figuras del grafico 3.1 muestran dos realizaciones de procesos AR(1) y sus correspondientes
correlogramas. Ambas han sido simuladas en base a la misma realizacion del ruido blanco at ,
por lo que solo se diferencian en el valor del parametro autorregresivo. El correlograma del
proceso AR(1) de parametro = 0,7 tiene todos los coeficientes de autocorrelacion positivos
con decrecimiento exponencial. Como era de esperar esto supone una serie que oscila en torno
a cero (su media) con una dispersion estable, pero con rachas de observaciones por encima de
la media seguidas de rachas de observaciones por debajo de la media. Este comportamiento por
rachas de la serie sera mas pronunciado o persistente cuanto mas se acerque el parametro a
la unidad. Para el proceso AR(1) de parametro negativo, = 0,7 , el correlograma presenta
un decrecimiento exponencial con coeficientes que alternan de signo. La serie correspondiente a
esta estructura de autocorrelacion oscila en torno a cero (su media) con una dispersion estable,
pero con un comportamiento muy ruidoso, cruzando constantemente la media.
Ejercicio 3.2. Compara la evolucion de las realizaciones AR(1) del grafico 3.1 con la del ruido
blanco de la grafico 2.3. Que diferencias observas entre ellas? A que son debidas?
Una forma alternativa de escribir el modelo AR(1) es la siguiente:
Yt = Yt1 + at
(1 L) Yt = at
Yt =
1
at
1 L
Como un cociente de polinomios es un polinomio infinito y, en particular,

1
= 1 + L + 2 L2 + 3 L3 + 4 L4 + . . .
1 L
25
SARRIKO-ON 4/09
An
tenemos que:
Yt = (1 + L + 2 L2 + 3 L3 + 4 L4 + . . .) at
Yt = at + at1 + 2 at2 + 3 at3 + 4 at4 + . . .
(3.4)
Por lo tanto, el modelo AR(1), no solo es una versi

on restringida del modelo lineal general (3.1),
sino que tambien es una version restringida del modelo general de medias moviles (3.2), en la
que los infinitos coeficientes i dependen de un solo parametro .
El modelo (3.3) se puede generalizar para representar procesos estocasticos estacionarios con
media distinta de cero:
Yt = + Yt1 + at
t = 1, 2, . . .
at RB(0, 2 )
(3.5)
Las caractersticas del modelo (3.5) son las mismas que las del modelo (3.3) salvo por la media
que no es nula. Se puede demostrar que:
El modelo (3.5) es estacionario s y solo s || < 1.
Media:
E(Yt ) = E( + Yt1 + at ) = + E(Yt1 )
Si el proceso es estacionario, la media es constante y:
(1 ) E(Yt ) =
E(Yt ) =
<
1
La funcion de autocovarianzas y la funcion de autocorrelacion son las mismas que las del
modelo (3.3):
(
2
1
k=0
k
=
0
1 2
k =
k =
k1
k>0
k1
k>0
Esto es logico, ya que si restamos la media la media a ambos lados del modelo (3.5):
Yt E(Yt ) = + Yt1 E(Yt ) + at
Yt
+ at =
+ Yt1
+ at =
1
1
1
+ Yt1
+ at = Yt1
+ at
1
1
1
1
= + Yt1
=
Por lo que2 :
Yt = Yt1
+ at ,
2
donde Yt = Yt E(Yt ) con E(Yt ) = 0
V (Yt )
E(Yt E(Yt ))2 = E(Yt )2 = E(Yt 0)2 = V (Yt )
k (Y )
cov(Yt Yt+k ) = E(Yt E(Yt ))(Yt+k E(Yt )) = E(Yt )(Yt+k

) = E(Yt 0)(Yt+k
0) = k (Y )
26
An
3.2.2.
SARRIKO-ON 4/09
Proceso AR(p).
El proceso autorregresivo de orden p, expresa Yt en funcion de su pasado hasta el retardo t p

y una innovacion contemporanea:
at RB(0, 2 )
Yt = 1 Yt1 + 2 Yt2 + . . . + p Ytp + at
t = 1, 2, . . .
(3.6)
En terminos del operador de retardos,

(1 1 L 2 L2 . . . p Lp ) Yt = at
p (L) Yt = at
donde p (L) recibe el nombre de polinomio autorregresivo y (1 , 2 , . . . , p ) es el vector de

parametros autorregresivos.
En primer lugar es preciso comprobar si el proceso AR(p) cumple las condiciones de estacionariedad para cualquier valor de los parametros. Esta comprobacion que es relativamente sencilla para
el modelo AR(1), se complica para modelos autorregresivos de orden mayor cuyos parametros
han de satisfacer restricciones complejas para ser estacionarios. El siguiente teorema proporciona
condiciones necesarias y suficientes para que el modelo AR(p) sea estacionario.
Teorema: Un proceso autorregresivo finito AR(p) es estacionario s y solo s el
modulo de las races del polinomio autorregresivo p (L) esta fuera del circulo unidad.
Ejemplo 3.1. Condiciones de estacionariedad.

Modelo AR(1):
Yt = Yt1 + at
(1 L) Yt = at
Polinomio autorregresivo:
1 (L) = 1 L
Races:
L=
1 L = 0

1
|L| = > 1
|| < 1
Yt = 1 Yt1 + 2 Yt2 + at
(1 1 L 2 L2 ) Yt = at
Condicion de estacionariedad:
Modelo AR(2):
Polinomio autorregresivo:
Races:
1 1 L 2
L2
2 (L) = 1 1 L 2 L2
=0
L1 , L2 =
27
21 + 4 2
2 2
SARRIKO-ON 4/09
An
Condicion de estacionariedad:
+ p2 + 4
1
2
1
|L1 | =
>1
2 2
p2 + 4
1
2
1
|L2 | =
>1
2 2
Como se calcula el modulo de estas races?

- Si el radicando es positivo, (21 + 4 2 ) > 0 , las races son reales y el modulo es el valor
absoluto.
- Si el radicando es negativo, (21 + 4 2 ) < 0 , las races son complejas de la forma
L1 , L2 = a b i
y su modulo es igual a:
|L1 | = |L2 | =
a2 + b2
Las otras dos condiciones que tiene que cumplir el modelo lineal general y, por lo tanto, tambien
el AR(p) como aproximacion al mismo, es que el modelo fuera no anticipante e invertible.
Todo modelo autorregresivo finito, AR(p), cumple estas dos condiciones para cualquier valor de
los parametros autorregresivos ya que, por definicion, esta escrito en forma autorregresiva. Es
decir, es no anticipante porque su formulaci
on hace depender al valor de Yt de su pasado y no
de su futuro y es invertible porque su formulaci
on finita hace que se cumpla obligatoriamente la
condicion
X
i2 <
i=1
El modelo AR(p) (3.6) es una version restringida del modelo (3.1) ya que supone que todos los
parametros i = 0, i > p . Por otro lado, el modelo AR(p) se puede escribir como un medias
moviles de orden infinito:
1
p (L) Yt = at Yt =
at = (L) at = (1 + 1 L + 2 L2 + 3 L3 + . . .) at
p (L)
Yt = at + 1 at1 + 2 at2 + 3 at3 + . . .
donde los parametros i estan restringidos a depender del vector de parametros autorregresivos
(1 , 2 , . . . , p ) . Por lo tanto, el modelo (3.6) es tambien una versi
on restringida del modelo
lineal general (3.2).
Las caractersticas del proceso estacionario AR(p) estacionario son:
a) Media:
E(Yt ) = E(1 Yt1 + 2 Yt2 + . . . + p Ytp + at ) =
= 1 E(Yt1 ) + 2 E(Yt2 ) + . . . + p E(Ytp ) + E(at )
28
An
SARRIKO-ON 4/09
Como el proceso es estacionario, la media es constante:

(1 1 2 . . . p ) E(Yt ) = 0
E(Yt ) = 0
Este modelo se puede generalizar para representar series con media distinta de cero. El
siguiente modelo AR(p):
Yt = + 1 Yt1 + 2 Yt2 + . . . + p Ytp + at
tiene media:
(1 1 2 . . . p ) E(Yt ) =
E(Yt ) =
1 1 2 . . . p
b) La funcion de autocorrelacion, k , k = 0, 1, 2, . . . de un proceso AR(p) tiene la misma

estructura que la de un proceso AR(1), es decir, decrece exponencialmente hacia cero sin
truncarse. Ahora bien, para valores de p > 1 al ser el modelo mas complejo, la estructura
de la FAC es tambien mas rica y puede presentar mas variedad de formas.
Ejemplo 3.2. Caractersticas del modelo AR(2).
Consideremos el modelo autorregresivo de orden 2 estacionario:
at RB(0, 2 )
Yt = 1 Yt1 + 2 Yt2 + at
t = 1, 2, . . .
Las caractersticas de este proceso son las siguientes:

a) Media. Como el proceso es estacionario, la media es constante:
(1 1 2 ) E(Yt ) = 0
E(Yt ) = 0
b) Funcion de autocovarianzas:
0 = E(Yt E(Yt ))2 = E(Yt )2 = E(1 Yt1 + 2 Yt2 + at )2 =
= 21 E(Yt1 )2 + 22 E(Yt2 )2 + E(at )2 + 2 1 2 E(Yt1 Yt2 ) +
+
2 1 E(Yt1 at ) + 2 2 E(Yt2 at ) = 21 0 + 22 0 + 2 + 2 1 2 1
(1 21 22 ) 0 = 2 + 2 1 2 1
0 =
2 + 2 1 2 1
1 21 22
1 = E(Yt E(Yt ))(Yt1 E(Yt1 )) = E(Yt Yt1 ) =

= E[(1 Yt1 + 2 Yt2 + at ) Yt1 ] =
= 1 E(Yt1 )2 + 2 E(Yt2 Yt1 ) + E(at Yt1 ) = 1 0 + 2 1
1 =
1 0
1 2
29
(3.7)
SARRIKO-ON 4/09
An
Estas dos ecuaciones proporcionan las dos primeras autocovarianzas, 0 , 1 en funcion de

los parametros autorregresivos (1 , 2 ) y de 2 , la varianza del ruido blanco.
Las autocovarianzas, k , k > 1 son:
k = E(Yt E(Yt ))(Ytk E(Ytk )) = E(Yt Ytk ) =
= E[(1 Yt1 + 2 Yt2 + at ) Ytk ] =
= 1 E(Yt1 Ytk ) + 2 E(Yt2 Ytk ) + E(at Ytk ) = 1 k1 + 2 k2
La funcion de autocovarianzas de un modelo AR(2) es,
0
1
k =
1 k1 + 2 k2
por lo tanto:
k=0
k=1
k>1
c) Los coeficientes de autocorrelacion son:

k =
k
1 k1 + 2 k2
=
= 1 k1 + 2 k2
0
0
La funcion de autocorrelacion de un modelo AR(2) es:

(
1
k =
1 k1 + 2 k2
k = 1, 2, 3, . . .
k=0
k>0
Grafico 3.2: Procesos Autorregresivos de orden 2

1
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0
1
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,2
-0,4
-0,4
-0,6
-0,6
-0,8
-0,8
-1
-1
0,8
0,8
10
11
12
13
14
15
16
17
18
19
20
El grafico 3.2 muestra diferentes estructuras de funciones de autocorrelacion para modelos AR(2)
estacionarios. Cuando las races del polinomio autorregresivo 2 (L) son reales, la funcion de
autocorrelacion es una funcion que decrece exponencialmente con todos los coeficientes positivos
o con alternancia de signos, como para el modelo AR(1). Si las races del polinomio autorregresivo
son complejas entonces la funcion de autocorrelacion decrece exponencialmente hacia cero pero
con forma de onda seno-coseno.
0,6
0,6
0,4
0,4
0,2
0,2
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,2
-0,4
-0,4
-0,6
-0,6
-0,8
-0,8
-1
-1
30
10
11
12
13
14
15
16
17
18
19
20
An
3.3.
SARRIKO-ON 4/09
Procesos de Medias M
oviles: MA(q).
El modelo de medias moviles de orden finito q, M A(q), es una aproximaci

on natural al modelo
lineal general (3.2). Se obtiene un modelo finito por el simple procedimiento de truncar el modelo
de medias moviles de orden infinito:
Yt = at 1 at1 2 at2 . . . q atq
at RB(0, 2 )
Para estudiar sus caractersticas, comenzaremos por el mas sencillo, el modelo medias moviles
de primer orden, M A(1).
3.3.1.
Proceso MA(1).
El modelo M A(1) determina el valor de Y en el momento t en funcion de la innovaci

on contemporanea y su primer retardo:
Yt = at at1
at RB(0, 2 )
t = 1, 2, . . .
(3.8)
Los procesos de medias moviles se suelen denominar procesos de memoria corta, mientras que
a los autorregresivos se les denomina procesos de memoria larga. Esto es debido a que, como se
puede observar en la estructura de correlacion temporal del modelo M A(1) representada en el
esquema siguiente, la perturbacion at aparece en el sistema en el momento t e influye en Yt
e Yt+1 u
nicamente, por lo que su memoria es de un solo periodo. Sin embargo, en un proceso
autorregresivo la perturbacion at aparece en el sistema en el momento t , influye en Yt y a
traves de Yt en las observaciones futuras, permaneciendo su influencia en el sistema un periodo
mas largo.
. . . Yt2
Yt1
Yt
Yt+1
Yt+2
%
% %
. . . at2
at1
at
at+1
at+2
...
%
...
Vamos a comprobar si el modelo M A(1) cumple las condiciones de estacionariedad para cualquier
valor del parametro .
a) Estacionario en media:
E(Yt ) = E(at at1 ) = 0
Por tanto, el modelo M A(1) es estacionario en media para todo valor del parametro .
b) Estacionario en covarianza:
0 = E(Yt E(Yt ))2 = E(Yt )2 = E(at at1 )2 =
= E(at )2 + 2 E(at1 )2 2 E(at at1 ) = 2 + 2 2 0
0 = (1 + 2 ) 2 <
31
SARRIKO-ON 4/09
An
Es decir, la varianza del modelo M A(1) es constante y finita para cualquier valor de .
Las autocovarianzas, k , k > 0:
1 = E(Yt E(Yt ))(Yt1 E(Yt1 )) = E(at at1 )(at1 at2 ) =
= E(at at1 ) E(at1 )2 E(at at2 ) + 2 E(at1 at2 ) = 2 <
2 = E(Yt E(Yt ))(Yt2 E(Yt2 )) = E(at at1 )(at2 at3 ) =
= E(at at2 ) E(at1 at2 ) E(at at3 ) + 2 E(at1 at3 ) = 0
La funcion de autocovarianzas de un M A(1) es:
0
1
k =
= (1 + 2 ) 2
k=0
= 2
k=1
=0
k>1
La funcion de autocovarianzas es finita y depende solo de k y no del tiempo, para cualquier

valor del parametro .
Por lo tanto, se puede concluir que no es necesario poner restricciones sobre el valor del
parametro para que el modelo M A(1) sea estacionario.
La funcion de autocorrelacion de un proceso M A(1)
k =
1 + 2
es:
k=0
k=1
k>1
La funcion de autocorrelacion de un proceso M A(1) se caracteriza por ser una funcion truncada
que sufre un corte bruco tomando el valor cero a partir del retardo 1.
El grafico 3.3 recoge dos realizaciones de los siguientes procesos M A(1) con sus funciones de
autocorrelacion correspondientes:
(a) Yt = at + 0,8 at1
(b) Yt = at 0,5 at1
Se puede observar que ambas funciones de autocorrelacion se truncan en el primer retardo como
corresponde a un proceso medias moviles de orden 1. El coeficiente de autocorrelacion, 1 , es
positivo o negativo dependiente del signo del parametro de medias moviles. En cuanto a las
series generadas con estos modelos, se nota que ambas oscilan en torno a la media cero con una
32
An
SARRIKO-ON 4/09
Grafico 3.3: Procesos Medias Moviles de orden 1: MA(1)

= 0,8
= -0,5
13
12
11
10
-1
-2
-3
1010
1020
1030
1040
1050
1060
1070
1080
1090
1100
1110
1120
1130
1140
1150
1010
0,8
0,8
0,6
0,6
0,4
0,4
0,2
1020
1030
1040
1050
1060
1070
1080
1090
1100
1110
1120
1130
1140
1150
0,2
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,2
-0,4
-0,4
-0,6
-0,6
-0,8
-0,8
-1
-1
10
11
12
13
14
15
16
17
18
19
20
varianza constante y que la serie generada por el modelo (a) con parametro positivo es mas
suave que la generada por el modelo (b) con parametro negativo.
Los modelos lineales tienen que cumplir, ademas, las condiciones de ser modelos no anticipantes
e invertibles. Estas condiciones se comprueban facilmente en modelos escritos de forma autorregresiva. Ademas, la representacion autorregresiva siempre es mas intuitiva en el sentido de que
si el objetivo es predecir parece logico que el modelo relacione lo que sucede en el presente con lo
sucedido en el pasado de manera que las predicciones de futuras observaciones se construyan en
base al pasado y presente observado. En principio, un modelo de medias moviles no parece estar
escrito de esta forma ya que Yt no depende directamente de las observaciones pasadas sino de
la innovacion y de sus valores pasados. Ahora bien, los modelos de medias moviles tambien se
pueden escribir de forma autorregresiva. Escribiendo el modelo (3.8) en terminos del operador
de retardos, se tiene que:
Yt = (1 L) at
1
Y t = at
1 L
(L) Yt = at
(1 L + 2 L2 3 L3 + . . .) Yt = at
Yt = at + Yt1 2 Yt2 + 3 Yt3 + . . .
Esta representacion AR() es restringida ya que, como se puede observar, todos los parametros
autorregresivos dependen del u
nico parametro de medias moviles del modelo, , como sigue,
i
i = () .
El modelo M A(1) es no anticipante porque el futuro no influye en el pasado. Para que el modelo
M A(1) sea invertible es preciso que su representaci
on autorregresiva sea convergente, es decir,
33
SARRIKO-ON 4/09
An
que se cumpla que la influencia de Ytk va siendo menor conforme nos alejamos en el pasado.
Esta condicion se cumple si:
X
(i )2 <
i=1
Para que se cumpla la condicion anterior es necesario y suficiente que || < 1 , por lo que el
modelo M A(1) no es siempre invertible sino que hay que poner restricciones sobre el valor del
parametro .
Bajo las condiciones de invertibilidad, en este caso, || < 1 , el modelo M A(1), y cualquier
modelo de medias moviles, en general, se puede escribir en forma autorregresiva, por lo que
si deseamos una representacion autorregresiva para el modelo, no hace falta empezar por un
AR(p). Siempre vamos a utilizar modelos invertibles porque de esta forma siempre se puede
expresar el valor contemporaneo de Yt en funcion de su pasado observado.
El modelo (3.8) se puede generalizar para representar procesos con media distinta de cero:
Yt = + at at1
at RB(0, 2 )
(3.9)
Este modelo tiene la misma funcion de autocovarianzas y, por lo tanto, de autocorrelacion, que
el modelo (3.8). La u
nica diferencia es que su media es distinta de cero:
E(Yt ) = E[ + at at1 ] =
3.3.2.
Proceso MA(q).
El modelo medias moviles finito de orden q, es la aproximaci

on natural al modelo lineal general (3.2), ya que supone su truncamiento bajo el supuesto de que:
i = 0 i > q
Este modelo expresa el valor de Yt en funcion de la innovaci
on contemporanea y de su pasado
hasta el retardo q:
Yt = at 1 at1 2 at2 . . . q atq
at RB(0, 2 )
(3.10)
En terminos del operador de retardos queda como sigue:

Yt = (1 1 L 2 L2 3 L3 . . . q Lq ) at
Yt = q (L) at
donde q (L) se denomina polinomio de medias moviles y (1 , 2 , 3 , . . . , q ) es el vector de

parametros de medias moviles.
El modelo M A(q) es una generalizacion del modelo M A(1), por lo tanto sus caractersticas van
a ser muy similares. Ahora bien, al introducir mas retardos de la perturbacion en el modelo,
la memoria aumenta y la estructura dinamica representada por el modelo es mas rica. Si una
perturbacion entra en el momento t , influye en Yt , en Yt+1 , y en valores posteriores hasta Yt+q .
34
An
SARRIKO-ON 4/09
Por lo tanto, la perturbacion at en un modelo M A(q) permanece q periodos en el sistema. Esta

memoria mas larga del M A(q) se vera reflejada en la estructura de la funcion de autocovarianzas
y / o autocorrelacion.
Vamos a comprobar si el modelo M A(q) es estacionario para cualquier valor de los parametros
de medias moviles. Para ello sera preciso comprobar si se cumplen las condiciones de estacionariedad. Pero teniendo en cuenta que el modelo medias moviles finito de orden q no es mas que
el resultado de truncar el modelo lineal general (3.2) a partir del retardo q , sera estacionario
bajo las mismas condiciones que el modelo general, es decir, si se cumple la condicion de que la
sucesion de los parametros del modelo es convergente:
X
i=1
i2
q
X
i2 <
i=1
Como el n
umero de parametros de un M A(q) es finito, esta condicion siempre se cumple y, por
lo tanto, todos los modelos de medias moviles finitos son siempre estacionarios para cualquier
valor de sus parametros.
El modelo de M A(q) (3.10) tiene media constante y cero, varianza constante y finita y su funcion
de autocovarianzas esta truncada a partir del retardo q, es decir,
(
k 6= 0 k = 1, 2, . . . , q
k =
k = 0 k > q
El modelo (3.10) se puede generalizar facilmente para representar modelos con media no nula:
Yt = + at 1 at1 2 at2 . . . q atq
at RB(0, 2 )
(3.11)
Ejemplo 3.3. Caractersticas del modelo M A(2).

Consideremos el modelo de medias moviles de orden 2:
Yt = at 1 at1 2 at2
at RB(0, 2 )
Este proceso es estacionario para cualquier valor de 1 , 2 y sus caractersticas son:

a) Media:
E(Yt ) = E(at 1 at1 2 at2 ) = 0
b) Funcion de autocovarianzas, k , k = 0, 1, 2, 3, . . .:
0 = E[Yt E(Yt )]2 = E(Yt )2 = E(at 1 at1 2 at2 )2 =
= E(at )2 + 12 E(at1 )2 + 22 E(at2 )2 2 1 E(at at1 ) 2 2 E(at at2 ) +
+ 2 1 2 E(at1 at2 ) = 2 + 12 2 + 22 2 = (1 + 12 + 22 ) 2
35
SARRIKO-ON 4/09
An
1 = E[(Yt E(Yt ))(Yt1 E(Yt ))] = E(Yt Yt1 ) =

= E[(at 1 at1 2 at2 )(at1 1 at2 2 at3 )] =
= E(at at1 ) 1 E(at at2 ) 2 E(at at3 ) 1 E(at1 )2 + 12 E(at1 at2 ) +
+ 1 2 E(at1 at3 ) 2 E(at1 at2 ) + 2 1 E(at2 )2 + 22 E(at2 at3 ) =
= 1 2 + 1 2 2 = (1 + 1 2 ) 2
= E[(at 1 at1 2 at2 )(at2 1 at3 2 at4 )] =
= E(at at2 ) 1 E(at at3 ) 2 E(at at4 ) 1 E(at1 at2 ) +
+ 12 E(at1 at3 ) + 1 2 E(at1 at4 ) 2 E(at2 )2 +
+ 2 1 E(at2 at3 ) + 22 E(at2 at4 ) = 2 2
= E[(at 1 at1 2 at2 )(at3 1 at4 2 at5 )] =
= E(at at3 ) 1 E(at at4 ) 2 E(at at5 ) 1 E(at1 at3 ) +
+ 12 E(at1 at4 ) + 1 2 E(at1 at5 ) 2 E(at2 at3 ) +
+ 2 1 E(at2 at4 ) + 22 E(at2 at5 ) = 0
La funcion de autocovarianzas de un M A(2) es:
0 = (1 + 12 + 22 ) 2
1 = (1 + 1 2 ) 2
k =
2 = 2 2

=0
k
La funcion de autocorrelacion de un M A(2) es:
1 + 1 2
1 =
1 + 12 + 22
2
k =
2 =
1 + 12 + 22
k = 0
k=0
k=1
k=2
k>2
k=1
k=2
k>2
La FAC de un proceso M A(2) es una funcion truncada en el retardo 2. Los coeficientes de

autocorrelacion, 1 , 2 , pueden ser positivos, negativos, o de distinto signo dependendiendo de
36
0,8
0,8
0,6
0,6
0,4
0,4
0,2
An
0
10
11
12
13
14
15
16
17
18
19
0,2
20
-0,2
-0,2
-0,4
-0,4
-0,6
-0,6
-0,8
10
11
12
SARRIKO-ON 4/09
13
14
15
16
17
18
19
20
14
15
16
17
18
19
20
-0,8
Grafico 3.4: Procesos Medias Moviles de orden 2: MA(2)
-1
-1
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0
1
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,2
-0,4
-0,4
-0,6
-0,6
-0,8
-0,8
-1
-1
10
11
12
13
los valores de los parametros autorregresivos. El grafico 3.4 muestra dos ejemplos de FAC de un
M A(2).
El modelo M A(q) (3.11) tiene tambien una representaci
on AR() restringida:
Yt = (1 L 2 L2 . . . q Lq ) at
1
Yt = at
1 L 2 L2 . . . q Lq
(L) Yt = at
Yt = at 1 Yt1 + 2 Yt2 + 3 Yt3 + . . .
(1 + 1 L + 2 L2 + 3 L3 + . . .) Yt = at
Esta representacion AR() es restringida ya que todos los parametros autorregresivos, i ,

dependen del vector de parametros de medias moviles del modelo (1 , 2 , . . . , q ) .
El modelo M A(q) es no anticipante porque el futuro no influye en el pasado y sera invertible si
su representacion autorregresiva es tal que la influencia de Ytk es menor conforme nos alejamos
en el pasado. Esta condicion se cumple si:
i2 <
i=1
Por lo tanto, el modelo M A(q) no es invertible para cualquier valor del vector de parametros de
medias moviles, sino que estos tendran que cumplir algunas restricciones. Derivar estas restricciones fue muy sencillo para el M A(1), pero se complica mucho al aumentar el orden del modelo
de medias moviles. El siguiente teorema proporciona condiciones necesarias y suficientes para el
un modelo de medias moviles sea invertible.
Teorema: Un proceso de medias moviles finito M A(q) es invertible s y solo s el
modulo de las races del polinomio de medias moviles q (L) esta fuera del circulo
unidad.
37
SARRIKO-ON 4/09
An
Ejemplo 3.4. Condiciones de invertibilidad.

Modelo M A(1):
Yt = at at1
Yt = (1 L) at
Polinomio medias moviles:
1 (L) = 1 L
Races:
L=
1 L = 0
Condicion de invertibilidad:
Modelo M A(2):

1
|L| = > 1
Yt = at 1 at1 2 at2
Polinomio de medias moviles:

Races:
1 1 L 2 L2 = 0
|| < 1
Yt = (1 1 L 2 L2 ) at
2 (L) = 1 1 L 2 L2
p
1 12 + 4 2
L1 , L2 =
2 2
Condicion de invertibilidad:
+ p2 + 4
1
2
1
|L1 | =
>1
2 2
p2 + 4
1
2
1
|L2 | =
>1
2 2
Ejercicio 3.3. Calcula la media y la varianza del modelo (3.11).
3.4.
Procesos Autorregresivos de Medias M

oviles: ARMA(p,q).
Los procesos autorregresivos de medias moviles determinan Yt en funcion de su pasado hasta el

retardo p, de la innovacion contemporanea y el pasado de la innovaci
on hasta el retardo q:
Yt = 1 Yt1 + . . . + p Ytp + at + 1 at1 + . . . + q atq
at RB(0, 2 )
(3.12)
Este modelo se puede escribir en terminos del operador de retardos como sigue:
(1 1 L . . . p Lp ) Yt = (1 1 L . . . q Lq ) at
p (L) Yt = q (L) at
donde p (L) es el polinomio autorregresivo y q (L) es el polinomio medias moviles.
El modelo (3.12) es una aproximacion finita al modelo lineal general tanto en su forma AR()
(3.1) como M A() (3.2). De hecho, si es estacionario su representaci
on M A() es
Yt =
q (L)
at
p (L)
Yt = (L) at
Yt = at + 1 at1 + 2 at2 + 3 at3 + . . .

38
An
SARRIKO-ON 4/09
y si es invertible una representacion AR()

p (L)
Yt = at
p (L)
(L) Yt = at
Yt = at + 1 Yt1 + 2 Yt2 + 3 Yt3 + . . .
Tanto los pesos de la representacion M A infinita, como de la forma AR infinita, estan restringidos
a depender del vector finito de parametros ARMA: 1 , 2 , . . . , p , 1 , 2 , . . . , q .
Es estacionario el modelo ARM A(p, q) para cualquier valor de sus parametros?
Teorema: Un proceso autorregresivo de medias moviles finito ARM A(p, q) es estacionario s y solo s el modulo de las races del polinomio autorregresivo p (L)
esta fuera del circulo unidad.
Las condiciones de estacionariedad del modelo ARM A(p, q) vienen impuestas por la parte autorregresiva, dado que la parte de medias moviles finita siempre es estacionaria.
Para comprobar si el modelo ARM A(p, q) es no anticipante e invertible , se estudia su representacion autorregresiva general.
Teorema: Un proceso autorregresivo de medias moviles finito ARM A(p, q) es invertible s y solo s el modulo de las races del polinomio medias moviles p (L) esta fuera
del circulo unidad.
Las condiciones de invertibilidad del modelo ARM A(p, q) vienen impuestas por la parte de
medias moviles, dado que la parte autorregresiva finita siempre es invertible porque esta directamente escrita en forma autorregresiva
El modelo ARM A(p, q) va a compartir las caractersticas de los modelos AR(p) y M A(q) ya
que contiene ambas estructuras a la vez. El modelo ARM A(p, q) tiene media cero, varianza
constante y finita y una funcion de autocovarianzas infinita. La funcion de autocorrelacion es
infinita decreciendo rapidamente hacia cero pero sin truncarse.
Ejemplo 3.5. Modelo ARM A(1, 1).
Consideremos el modelo ARM A(1, 1) en el Yt se determina en funcion de su pasado hasta el
primer retardo, la innovacion contemporanea y el pasado de la innovaci
on hasta el retardo 1:
Yt = Yt1 + at at1
at RB(0, 2 )
t = 1, 2, . . .
La estructura de dependencia temporal representada por este modelo es:

. . . Yt2 Yt1 Yt Yt+1 Yt+2 . . .
%
% %
%
...
at2
at1
at
at+1
at+2
...
39
(3.13)
SARRIKO-ON 4/09
An
La memoria de este proceso es larga debido a la presencia de estructura autorregresiva. La

perturbacion at influye directamente en Yt y en Yt1 , pero de forma indirecta, a traves de la
cadena de dependencia temporal de las Y , influye en todo el futuro del proceso.
Para comprobar la estacionariedad, se calculan las races del polinomio autorregresivo:

1
1
1 L = 0 L =
|L| = || < 1
Para comprobar la invertibilidad, se calculan las races del polinomio medias moviles:

1
1
1L = 0 L =
|L| = || < 1
Las caractersticas del proceso ARM A(1, 1) estacionario son:

a) Media: E(Yt ) = E( Yt1 + at at1 ) = E(Yt )
(1 ) E(Yt ) = 0
E(Yt ) = 0
b) Funcion de autocovarianzas:
0 = E(Yt E(Yt ))2 = E(Yt )2 = E( Yt1 + at at1 )2 =
= 2 E(Yt1 )2 + E(at )2 + 2 E(at1 )2 + 2 E(Yt1 at ) 2 E(Yt1 at1 )
2 E(at at1 ) = 2 0 + 2 + 2 2 2 2 =
= 2 0 + (1 + 2 2 ) 2
0 =
(1 + 2 2 ) 2
1 2
1 = E(Yt E(Yt ))(Yt1 E(Yt1 )) =

= E(Yt Yt1 ) = E[( Yt1 + at at1 ) Yt1 ] =
= E(Yt1 )2 + E(Yt1 at ) E(Yt1 at1 ) = 0 2
2 = E(Yt E(Yt ))(Yt2 E(Yt2 )) = E(Yt Yt2 ) =
= E[( Yt1 + at at1 ) Yt2 ] =
= E(Yt1 Yt2 ) + E(Yt2 at ) E(Yt2 at1 ) = 1
Para derivar los resultados siguientes, hay que tener en cuenta que:
E(Yt1 at1 ) = E[( Yt2 + at1 at2 ) at1 ] = E(at1 )2 = 2
40
An
La funcion de autocovarianzas de un
0 =
k =
1 =
k =
SARRIKO-ON 4/09
ARM A(1, 1) es:

(1 + 2 2 ) 2
1 2
k=0
0 2
k=0
k1
k>1
Como se puede observar, la varianza cuenta con una parte que proviene de la parte de
medias moviles, otra que proviene de la parte autorregresiva y una tercera que es la interaccion entre ambas partes del modelo. La autocovarianza de orden 1, 1 , es la suma de la
autocovarianza de orden 1 de la parte AR(1) y de la autocovarianza de orden 1 de la parte
M A(1). A partir del retardo 1, la parte medias moviles del modelo no aparece de forma
explcita en la FACV, dependiendo esta solo de la estructura autorregresiva. Esta FACV es
una funcion infinita, que depende de los parametros AR, , y M A, , hasta k = 1 y luego
decrece exponencialmente, siguiendo la estructura marcada por la parte autorregresiva de
primer orden.
La funcion de autocorrelacion de un ARM A(1, 1) es:
1 =
0
k =
k = k1
k=0
k>1
La FAC presenta la misma estructura que la funcion de autocovarianzas, es decir, es una funcion
infinita cuyo primer coeficiente, 1 , depende de los parametros autorregresivos y de medias
moviles, pero a partir del retardo 2, decrece exponencialmente, siguiendo la estructura dada
por la parte autorregresiva de orden 1. En el grafico 3.5, se observan dos ejemplos de funciones
de autocorrelacion de modelos ARM A(1, 1) para diferentes valores de los parametros. Aunque
las FAC que aqu se muestran son como las de un AR(1), las estructuras posibles para un
ARM A(1, 1) son mas variadas, debido a la contribuci
on de la parte medias moviles del modelo
en la determinacion del primer coeficiente.
Grafico 3.5: Procesos Autorregresivo de Medias Moviles: ARMA(1,1)
1
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0
1
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,2
-0,4
-0,4
-0,6
-0,6
-0,8
-0,8
-1
-1
10
11
12
13
14
15
16
17
18
19
20
Los resultados obtenidos para el modelo ARMA mas sencillo, el ARM A(1, 1), se pueden generalizar para el modelo ARM A(p, q) y concluir que su funcion de autocorrelacion sera infinita,
41
SARRIKO-ON 4/09
An
con los q primeros coeficientes, 1 , . . . , q , dependiendo de los parametros autorregresivos y de

medias moviles. A partir del retardo q, que es el orden de la parte media movil del modelo, sus
parametros no aparecen de forma explcita en la FAC y esta decrece rapidamente hacia cero
siguiendo la estructura marcada por la parte autorregresiva de orden p, es decir, como funciones
exponenciales si todas las races del polinomio autorregresivo, p (L) , son reales, o en forma
onda seno-coseno, si este polinomio tiene races complejas.
El modelo ARM A(p, q) (3.12) se puede generalizar para que su media no sea nula. Basta con
a
nadir una constante al proceso estacionario:
Yt = + 1 Yt1 + . . . + p Ytp + at + 1 at1 + . . . + q atq
at RB(0, 2 )
Este modelo tiene las mismas caractersticas dinamicas que el modelo (3.12), la u
nica diferencia
es que su media no es cero:
E(Yt ) = E( + 1 Yt1 + . . . + p Ytp + at + 1 at1 + . . . + q atq )
E(Yt ) = + 1 E(Yt ) + . . . + p E(Yt )
(1 1 . . . p ) E(Yt ) =
E(Yt ) =
1 1 . . . p
42
Captulo 4
Modelos lineales no estacionarios
Los modelos presentados en el captulo 3 se basan en el supuesto de estacionariedad en covarianza, es decir, en procesos donde la media y la varianza son constantes y finitas y las autocovarianzas no dependen del tiempo sino solo del n
umero de periodos de separacion entre las
variables. Pero la mayora de las series economicas no se comportan de forma estacionaria, bien
porque suelen ir cambiando de nivel en el tiempo (serie Renta Nacional) o porque la varianza
no es constante (serie Recaudacion de pelculas).
Grafico 4.1: Series temporales economicas
Recaudacin de pelculas

1200000
70000
1100000
60000
1000000
50000
900000
40000
800000
30000
700000
600000
20
00
M
01
20
00
M
04
20
00
M
07
20
00
M
10
20
01
M
01
20
01
M
04
20
01
M
07
20
01
M
10
20
02
M
01
20
02
M
04
20
02
M
07
20
02
M
10
20
03
M
01
20
03
M
04
20
03
M
07
20
03
M
10
20
04
M
01
20
04
M
04
20
04
M
07
20
04
M
10
20
05
M
01
20
05
M
04
20
05
M
07
20
05
M
10
20
06
M
01
20
06
M
04
20
06
M
07
20
06
M
10
20
07
M
01
20
07
M
2 0 04
07
M
07
20
07
M
10
20
08
M
01
20
08
M
04
20
08
M
07
III
8T
III
8T
7T
20
0
20
0
20
0
III
7T
20
0
III
6T
6T
5T
20
0
20
0
I
5T
20
0
20
0
III
III
4T
4T
3T
20
0
20
0
20
0
III
3T
2T
20
0
III
2T
1T
20
0
20
0
20
0
III
1T
0T
20
0
III
0T
9T
20
0
20
0
19
9
III
9T
19
9
III
8T
8T
7T
19
9
19
9
III
7T
6T
19
9
19
9
19
9
6T
5T
5T
19
9
19
9
4.1.
19
9
III
20000
No estacionariedad en varianza
Cuando una serie no es estacionaria en varianza, es decir, no se puede sostener el supuesto de que
ha sido generada por un proceso con varianza constante en el tiempo, la solucion es transformar
la serie mediante alg
un metodo que estabilice la varianza. El comportamiento habitual en las
series economicas suele ser que la varianza cambie conforme el nivel de la serie cambia. En estos
casos, suponemos que la varianza del proceso la podemos expresar como alguna funcion del nivel:
V (Yt ) = k f (t )
siendo k una constante positiva y f una funcion conocida. El objetivo es conseguir alguna
funcion que transforme la serie de forma que h(Yt ) tenga varianza constante. Utilizando la
43
SARRIKO-ON 4/09
An
extension de Taylor de primer orden alrededor de t :

h(Yt ) ' h(t ) + (Yt t ) h0 (t )
donde h0 (t ) es la primer derivada de h(Yt ) evaluada en t . La varianza de la transformacion
h(Yt ) se puede aproximar como sigue:
V [h(Yt )] ' V h(t ) + (Yt t ) h0 (t ) =
2
= h0 (t ) V (Yt ) = h0 (t ) k f (t )
Por lo tanto, para que la transformacion h(Yt ) tenga varianza constante, la funcion h se ha de
elegir de tal forma que:
1
h0 (t ) = p
f (t )
Si la desviacion tpica de la serie Yt es proporcional a su nivel, se tiene que:
f (t ) = 2t
h(t ) ha de cumplir que h0 (t ) =
1
t
h(t ) = ln(t )
Por lo tanto, la transformacion logartmica proporcionara una varianza constante. Ahora bien,
si esla varianza de la serie Yt la que es proporcional a su nivel:
f (t ) = t
1
h(t ) ha de cumplir que h0 (t ) =
t
h(t ) =
y habra que tomar la raz cuadrada de la serie para obtener una varianza constante.
En general, para estabilizar la varianza se utilizan las transformaciones Box-Cox:
Yt 1 6= 0
()
Yt =
ln(Yt )
=0
donde es el parametro de transformacion. Es interesante se
nalar que, usualmente, las transformaciones Box-Cox no solo estabilizan la varianza sino que tambien mejoran la aproximaci
on
a la distribucion normal del proceso Yt .
4.2.
No estacionariedad en media.
Una de las caractersticas dominantes en las series economicas es la tendencia. La tendencia es

el movimiento a largo plazo de la serie una vez eliminados los ciclos y el termino irregular. En
economa esta tendencia se suele producir debido a la evoluci
on de las preferencias, la tecnologa, de la demografa, etc. Este comportamiento tendencial puede ser creciente o decreciente,
exponencial o aproximadamente lineal. Las series que presentan un comportamiento sistematico
de este tipo (vease la figura izquierda del grafico 4.1) no son estacionarias, no evolucionan en
torno a un nivel constante.
44
An
SARRIKO-ON 4/09
La no estacionariedad en media se puede modelar de diferentes maneras. Por un lado, es posible

modelar tendencias, cambios sistematicos de nivel, mediante modelos globales en los que se
especifica la tendencia como una funcion del tiempo:
Yt = Tt + ut
donde Tt = f (t) , es una funcion determinista del tiempo (lineal, cuadratica, exponencial, ... ) y
ut es un proceso estocastico estacionario con media cero. Por ejemplo, el modelo con tendencia
lineal sera:
Yt = a + bt + ut
Estos modelos para la tendencia suponen que la serie evoluciona de una forma perfectamente
predecible, y se denominan modelos de tendencia determinista.
Por otro lado, si un proceso no es estacionario en media tambien se puede modelar dentro de
la clase de modelos ARM A(p, q). De hecho, un modelo ARM A(p, q) no es estacionario si las
races de su polinomio AR no satisfacen la condicion de estacionariedad, es decir, si alguna de
sus races no esta fuera del crculo unidad:
a) El modulo de alguna raz esta dentro del crculo unidad: i | |Li | < 1. El comportamiento de las series generadas por estos procesos es explosivo, crecen o decrecen a gran
velocidad hacia infinito. Esta no es la evoluci
on temporal que se suele observar en series
economicas por lo que este tipo de no estacionariedad no es de interes en nuestro campo.
b) El modulo de alguna raz es exactamente igual a la unidad: i | Li = 1. Este tipo
de modelos genera comportamientos no estacionarios que no son explosivos, sino que las
realizaciones se comportan de forma similar a lo largo del tiempo, salvo porque cambian de
nivel. Este comportamiento s es el que observamos en series economicas, por lo que modelaremos series no estacionarias mediante modelos ARM A(p, q) no estacionarios porque
tienen al menos una raz exactamente igual a la unidad, denominada raz unitaria.
4.3.
Modelos ARIMA(p,d,q).
Supongamos el siguiente modelo ARM A(p, q):

p (L) Yt = q (L) at
(4.1)
donde el polinomio AR se puede factorizar en funcion de sus p races L1 , L2 , . . . , Lp ,

1
1
p (L) = (1 L1
1 L) (1 L2 L) . . . (1 Lp L)
Supongamos que (p 1) races son estacionarias (con modulo fuera del crculo unidad) y una
de ellas es unitaria, Li = 1. Entonces, el polinomio AR, se puede reescribir como sigue:
1
1
1
p (L) = (1 L1
L)
1 L) (1 L2 L) . . . (1 Lp L) = p1 (L) (1 (1)
p (L) = p1 (L) (1 L)
45
SARRIKO-ON 4/09
An
donde el polinomio p1 (L) resulta del producto de los (p 1) polinomios de orden 1 asociados
a las races Li con modulo fuera del crculo unidad.
Sustituyendo en el modelo ARM A(p, q) (4.1) se tiene que:
p1 (L) (1 L) Yt = q (L) at
p1 (L) Yt = q (L) at
(4.2)
donde el polinomio p1 (L) es estacionario porque todas sus races tienen modulo fuera del
crculo unidad y el polinomio = (1 L) es el que recoge la raz unitaria.
El modelo (4.2) representa el comportamiento de un proceso Yt que no es estacionario porque
tiene una raz unitaria. A un proceso Yt con estas caractersticas se le denomina proceso integrado
de orden 1.
En general, el polinomio AR del modelo (4.1) puede contener mas de una raz unitaria, por
ejemplo, d, entonces se puede descomponer como:
p (L) = pd (L) (1 L)d
y sustituyendo, de nuevo, en el modelo ARM A(p, q) (4.1), se tiene:
pd (L) d Yt = q (L) at
donde el polinomio
crculo unidad, y el
estacionarias. A un
orden d y se denota
pd (L) es estacionario porque sus (p d) races tienen modulo fuera del

polinomio d = (1 L)d , de orden d, contiene las d races unitarias no
proceso Yt con estas caractersticas se le denomina proceso integrado de
por Yt I(d) .
Definici
on: Un proceso Yt es integrado de orden d, Yt I(d) , si Yt no es estacionario, pero
su diferencia de orden d, d Yt , sigue un proceso ARM A(p d, q) estacionario e invertible.
El orden de integracion del proceso es el n
umero de diferencias que hay que tomar al proceso
para conseguir la estacionariedad en media, o lo que es lo mismo, el n
umero de races unitarias
del proceso. En la practica, los procesos que surgen mas habitualmente en el analisis de las
series temporales economicas son los I(0) e I(1) , encontr
andose los I(2) con mucha menos
frecuencia.
En general, si una serie Yt es integrada de orden d, se puede representar por el siguiente modelo:
p (L) d Yt = + q (L) at
(4.3)
donde el polinomio autorregresivo estacionario p (L) y el invertible de medias moviles q (L)

no tienen races comunes.
El modelo (4.3) se denomina modelo Autorregresivo Integrado de Medias Moviles de orden
(p,d,q) o ARIM A(p, d, q) , donde p es el orden del polinomio autorregresivo estacionario, d
es el orden de integraci
on de la serie, es decir, el n
umero de diferencias que hay que tomar a la
serie para que sea estacionaria, y q es el orden del polinomio de medias moviles invertible.
Para comprender mejor el comportamiento representado por los modelos ARIM A(p, d, q) vamos
a estudiar detalladamente dos de los modelos mas sencillos.
46
An
4.3.1.
SARRIKO-ON 4/09
Modelo de paseo aleatorio
El modelo de paseo aleatorio es simplemente un modelo AR(1) con parametro = 1 :

at RBN (0, 2 )
Yt = Yt1 + at
(4.4)
Y t = at
En el modelo de paseo aleatorio el valor de Y en el momento t es igual a su valor en el momento
t 1 mas una perturbacion aleatoria. El modelo de paseo aleatorio no es estacionario porque la
raz del polinomio AR no tiene modulo mayor que la unidad:
1L=0
L=1
Pero, sin embargo, como la primera diferencia de la serie, Yt es un ruido blanco, se tiene que
Yt I(1) . En la figura 4.2 se muestra el grafico de una realizacion simulada de 150 observaciones
de un proceso de paseo aleatorio con 2 = 1 . Se puede observar que la evoluci
on de la serie
no tiene una caracterstica presente en los procesos estacionarios y que se denomina reversi
on
a la media: la serie se mueve aleatoriamente hacia arriba y hacia abajo, sin mostrar ninguna
inclinacion a dirigirse a ning
un punto en particular. Si una perturbacion aumenta el valor de Yt
no hay ninguna tendencia a volver a disminuir otra vez, sino que en principio permanece en un
valor alto.
Tomando esperanzas condicionadas a la informacion anterior al modelo (4.4), se obtiene:
E[Yt |Yt1 , Yt2 , . . .] = Yt1
1
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
lo que implica que el nivel condicionado de la serie en el momento t es aleatorio. Es decir, para
este modelo el nivel promedio de la serie va cambiando de forma estocastica a lo largo del tiempo,
por lo que se dice que este modelo tiene tendencia estocastica.
En lo que se refiere a la FAC del modelo (4.4), se puede comprobar que se caracteriza porque
sus coeficientes decrecen muy lentamente (ve
ase la figura derecha del grafico 4.2).
0
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,2
-0,4
-0,4
-0,6
-0,6
Grafico 4.2: Modelo de paseo aleatorio

-0,8
-0,8
-1
-1
8
1
0,8
0,8
0,6
0,6
0,4
0,4
0
0,2
0,2
0
1
10
11
12
13
14
15
16
17
18
19
20
-4
-8
-12
1110
1120
1130
1140
1150
1160
1170
1180
1190
1200
1210
1220
1230
1240
1250
47
-0,2
-0,2
-0,4
-0,4
-0,6
-0,6
-0,8
-0,8
-1
-1
SARRIKO-ON 4/09
4.3.2.
An
Modelo de paseo aleatorio con deriva
El modelo de paseo aleatorio con deriva surge de a

nadir una constante al modelo de paseo
aleatorio. Por lo tanto, al igual que para el modelo de paseo aleatorio, se tiene que Yt I(1) .
Yt = Yt1 + + at
Yt = + at
(4.5)
La u
nica diferencia entre los modelos (4.4) y (4.5) es la presencia de la constante . Ahora bien,
as como en los modelos estacionarios la inclusion de una constante solo afecta al nivel promedio
constante de la serie, en los modelos no estacionarios su presencia en el modelo tiene efectos
mas relevantes. Suponiendo que el modelo (4.5) empieza en alg
un momento t0 y, sustituyendo
repetidamente, se obtiene:
t
X
Yt = Y0 + (t t0 ) +
ai
i=t0 +1
Se puede observar que la introduccion de la constante en el modelo implica la inclusion de una

tendencia determinista con pendiente , junto con la tendencia estocastica. Tomando esperanzas
condicionadas a la informacion pasada en el modelo (4.5), se obtiene:
E[Yt |Yt1 , Yt2 , . . .] = Yt1 +
es decir, el nivel promedio de la serie se ve afectado por un elemento estocastico a lo largo del
tiempo a traves de Yt1 as como por un componente determinista a traves del parametro .
Grafico 4.3: Tendencias deterministas vs. Tendencias estocasticas
70
60
20
50
40
10
30
20
Estocstica
Determinista
Lineal
10
1760
1780
1800
1820
1840
1860
1880
1900
1920
1940
1960
1980
2000
1860 1870 1880 1890 1900 1910 1920 1930 1940 1950 1960 1970 1980 1990
La figura izquierda del grafico 4.3 muestra una realizacion de tama

no 150 simulada por el modelo
de paseo aleatorio con deriva con parametros = 0, 2 y = 1 . El modelo (4.5) muestra un
crecimiento promedio en cada periodo de . Este parametro de deriva tiene el mismo papel que
el parametro de la pendiente en el modelo determinista lineal. Pero, de la misma manera que el
modelo de paseo aleatorio no tiene un nivel promedio al que volver, el modelo de paseo aleatorio
con deriva no tiene una tendencia lineal a la que retornar cuando un shock estacionario lo aleja
de la misma. El grafico 4.3 muestra en su figura de la derecha la diferente evoluci
on que se puede
observar entre tendencias estocasticas y deterministas. La serie con tendencia determinista oscila
aleatoriamente en torno a una tendencia lineal de pendiente constante y, si se separa de ella,
tiende a retornar rapidamente, mientras que si la serie con tendencia estocastica se separa de la
lnea de tendencia de pendiente no tiende a volver.
48
Captulo 5
Modelizaci
on ARIMA
En este captulo se van a desarrollar de forma detallada cada una de las etapas de las que consta
la metodologa de modelizacion ARIMA. Para apoyar esta explicacion se va a modelar una serie
clasica en la literatura Pieles de lince (1821-1930) y se va a proponer al lector como ejercicio
la modelizacion de una serie artificial que se ha denominado Producci
on de tabaco (1872-1984).
Los datos de ambas series se encuentran en el apendice A.
Los graficos y resultados de este analisis se han obtenido mediante el software econometrico
Gretl. Este es un sofware que se puede obtener de forma gratuita de la siguiente direccion:
http://gretl.sourceforge.net
5.1.
Estrategia de modelizaci
on ARIMA
En los captulos 3 y 4 se han analizado las propiedades de los procesos ARIM A(p, d, q), tanto
estacionarios (d = 0) como no estacionarios (d > 0):
(L)(1 L)d Yt = + (L)at
(5.1)
Si se conocen los parametros del modelo teorico (5.1) para el proceso Yt , a partir de una
realizacion concreta del ruido blanco, a1 , a2 , . . . aT , y de valores iniciales para Y y a se genera
la serie temporal Y1 , Y2 , . . . , YT , que es una realizacion de tama
no T del proceso estocastico.
La estructura es, por lo tanto,
(
Proceso estocastico
(L)(1 L)d Yt = + (L) at

at RBN (0, 2 )
Generacion
Realizaci
on: Y1 , Y2 , . . . , YT
49
SARRIKO-ON 4/09
An
A partir de una misma estructura ARIM A(p, d, q) se pueden obtener infinitas realizaciones. Para
cada realizacion, la serie del ruido blanco, a1 , a2 , . . . , aT , sera diferente y la serie temporal generada, Y1 , Y2 , . . . , YT , tambien. Ahora bien, todas las series temporales generadas que proceden
de una misma estructura conservaran entre s una similitud de comportamiento dinamico.
En la aplicacion de la metodologa Box-Jenkins el punto de partida es el contrario: se conocen los valores de la serie temporal Y1 , Y2 , . . . , YT y se trata de determinar la estructura
ARIM A(p, d, q) que la ha podido generar.
Realizaci
on: Y1 , Y2 , . . . , YT
Inferencia
(
Proceso estocastico:
(L)(1 L)d Yt = + (L) at

at RBN (0, 2 )
La construccion de modelos ARIM A se lleva a cabo de forma iterativa mediante un proceso en

el que se pueden distinguir cuatro etapas:
on. Utilizando los datos y/o cualquier tipo de informacion disponible sobre
a) Identificaci
como ha sido generada la serie, se intentar
a sugerir una subclase de modelos ARIM A(p, d, q)
que merezca la pena ser investigada. El objetivo es determinar los ordenes p, d, q que parecen apropiados para reproducir las caractersticas de la serie bajo estudio y si se incluye
o no la constante . En esta etapa es posible identificar mas de un modelo candidato a
haber podido generar la serie.
b) Estimaci
on. Usando de forma eficiente los datos se realiza inferencia sobre los parametros
condicionada a que el modelo investigado sea apropiado.
Dado un determinado proceso propuesto, se trata de cuantificar los parametros del mismo,
1 , . . . q , 1 , . . . p , 2 y, en su caso, .
c) Validaci
on. Se realizan contrastes de diagnostico para comprobar si el modelo se ajusta
a los datos, o, si no es as, revelar las posibles discrepancias del modelo propuesto para
poder mejorarlo.
d) Predicci
on. Obtener pronosticos en terminos probabilsticos de los valores futuros de la
variable. En esta etapa se tratara tambien de evaluar la capacidad predictiva del modelo.
Esta metodologa se basa, fundamentalmente, en dos principios:
50
An
SARRIKO-ON 4/09
Seleccion de un modelo en forma iterativa. En cada etapa se plantea la posibilidad de

rehacer las etapas previas.
Identificaci
on
Estimaci
on
Validaci
on
. &
SI
NO
,
Predicci
on
.&
SI
NO
Modelo
Principio de parametrizacion escueta, tambien denominado parsimonia. Se trata de proponer un modelo capaz de representar la serie con el mnimo de parametros posibles y
u
nicamente acudir a una ampliacion del mismo en caso de que sea estrictamente necesario
para describir el comportamiento de la serie.
5.2.
Identificaci
on
El objetivo de esta etapa de la modelizacion es seleccionar el modelo ARIM A(p, d, q) apropiado

para la serie, es decir, que reproduce las caractersticas de la serie. La identificaci
on del modelo
se lleva a cabo en dos fases:
A. Analisis de estacionariedad, en el que se determinan las transformaciones que son necesarias
aplicar para obtener una serie estacionaria. Incluye, a su vez, dos apartados:
Estacionariedad en varianza: transformaciones estabilizadoras de varianza.
Estacionariedad en media: n
umero de diferencias d que hay que tomar para lograr
que la serie sea estacionaria en media.
B. Eleccion de los ordenes p y q. Una vez obtenida la serie estacionaria, el objetivo es determinar el proceso estacionario ARM A(p, q) que la haya generado.
Los instrumentos que se van a utilizar en estas dos fases de la identificaci
on del modelo son
fundamentalmente los siguientes:
Grafico y correlogramas muestrales de la serie original.
51
SARRIKO-ON 4/09
An
Grafico y correlogramas muestrales de determinadas transformaciones de la serie: logaritmos, diferencias,...

Contrastes de races unitarias.
5.2.1.
An
alisis de estacionariedad
Estacionariedad en varianza.
Una serie sera estacionaria en varianza cuando pueda mantenerse el supuesto de que existe una
u
nica varianza para toda la serie temporal, es decir, cuando la variabilidad de la serie en torno a
su media se mantenga constante a lo largo del tiempo. Si la serie no es estacionaria en varianza, se
utilizan las transformaciones estabilizadoras de varianza, es decir, las transformaciones Box-Cox,
Yt 1 6= 0
()
Yt =
ln Yt
=0
Las transformaciones Box-Cox incluye una familia infinita de funciones: raz cuadrada, inversa,
etc. Como las series economicas suelen ser positivas y sin valores cero, la transformacion mas
utilizada en la practica economica es la logartmica.
Los instrumentos que se utilizan para analizar la estacionariedad en varianza de una serie son
el grafico de la serie original y de las transformaciones correspondientes.
Ejemplo 6.1. Pieles de Lince
Grafico 5.1: Pieles de lince (1821-1930)
7000
6000
5000
7
Lince
Ln(lince)
4000
3000
5
2000
1000
3
1820
1840
1860
1880
1900
1920
1820
1840
1860
1880
1900
1920
En el grafico 5.1 se presenta la serie Pieles de lince capturadas de 1821 a 1930. En la figura
izquierda del grafico se puede observar que la serie en niveles presenta un comportamiento cclico
en el que la amplitud de los ciclos es variable en el tiempo. Por lo tanto, no parece adecuado
suponer que la serie es estacionaria en varianza. Tomando logaritmos a la serie (la transformacion
Box-Cox mas utilizada para las series economicas) se observa que la amplitud de estos ciclos se
ha homogeneizado y que la variabilidad de la serie es mucho mas estable en el tiempo (la figura
derecha del grafico). Se puede concluir que la serie estacionaria en varianza es Zt = Ln(lince) .
52
An
SARRIKO-ON 4/09
Ejercicio 6.1. Producci

on de tabaco.
En el grafico 5.2 se muestra la serie de Producci
on de tabaco desde 1872 a 1984 tanto en niveles
(figura izquierda) como en logaritmos (figura derecha).
Grafico 5.2: Produccion de tabaco (1872-1984)
2500
7.5
2000
Produccin
Ln(Produccin)
1500
1000
6.5
500
5.5
5
1880
1900
1920
1940
1960
1980
1880
1900
1920
1940
1960
1980
Pregunta: Cu
al es la serie estacionaria en varianza?. Razona tu respuesta.
Estacionariedad en media.
En este apartado, se ha de identificar si la serie es estacionaria en media, es decir, si oscila en
torno a un nivel constante o no. Para tomar esta decision nos basaremos en las caractersticas
que diferencian las series estacionarias de las no estacionarias.
Caractersticas de una serie estacionaria:
Una serie es estacionaria en media cuando se puede mantener el supuesto de que existe
una u
nica media para toda la serie temporal, es decir, cuando fluct
ua alrededor de una
media constante.
La funcion de autocorrelacion teorica de un proceso estacionario en media decae rapidamente, exponencialmente.
Caractersticas de una serie no estacionaria:
La serie no es estacionaria en media cuando presenta tendencia o varios tramos con medias
diferentes.
En general, un proceso con alguna raz unitaria presenta una funcion de autocorrelacion
muestral con un decaimiento muy lento, no siendo necesario que se mantenga proximo a
la unidad.
Como se ha visto en el captulo 4, si la serie no es estacionaria en media se puede lograr la
estacionariedad transformandola tomando diferencias. As, si la serie no es estacionaria en media,
se tomaran d sucesivas diferencias de orden 1 sobre la serie hasta obtener una serie estacionaria:
Zt = (1 L)d Yt
53
SARRIKO-ON 4/09
An
Ahora bien, el problema es como identificar el n

umero de diferencias exacto que es preciso tomar
a la serie para que sea estacionaria ya que pueden aparecer los siguientes problemas:
Raz autorregresiva proxima a la unidad. Consideremos el siguiente modelo AR(1)
Yt = 0, 95 Yt1 + at
1 0, 95L = 0
L=
1
= 1, 05 > 1
0, 95
que es un proceso estacionario. Sin embargo, en la practica puede resultar muy difcil
distinguir una realizacion de este proceso de una serie generada por un paseo aleatorio,
Yt = Yt1 + at , de raz unitaria porque esta muy proximo a el.
Sobrediferenciacion: se dice que la serie esta sobrediferenciada si se toman mas diferencias
de las necesarias, por ejemplo, si se elige un orden de integraci
on d cuando la serie d1 Yt
ya es estacionaria.
En este punto conviene recordar que si se diferencia un proceso estacionario sigue siendo
estacionario. Por lo tanto, en principio, el hecho de que d Yt sea estacionario, no significa
necesariamente que d1 Yt no lo sea, por lo que hay tener cuidado ya que el objetivo
en esta fase de la modelizacion ARIM A es determinar el menor n
umero de diferencias d
capaz de convertir a una serie en estacionaria.
Sabemos que para las series economicas los valores de d m
as habituales son d = 0, 1, 2 y
para decidir cual es el mas apropiado para la serie bajo estudio utilizaremos los siguientes
instrumentos:
a) Grafico de la serie original y las transformaciones correspondientes, para observar si se
cumple o no la condicion de estacionariedad de oscilar en torno a un nivel constante.
b) Correlograma estimado de la serie original y de las transformaciones correspondientes,
para comprobar si decrece rapidamente hacia cero o no.
c) Contrastes de races unitarias.
Los contrastes de races unitarias proporcionan unos contrastes estadsticos que permiten, a
partir del conjunto de informacion, hacer inferencia sobre la existencia o no de una raz unitaria
en una serie, es decir, sobre la no estacionariedad de la serie. Si se rechaza la hipotesis nula de
existencia de raz unitaria en d1 Yt , no se diferenciara mas la serie. En caso contrario, si no
se rechaza la hipotesis nula se tomara una diferencia mas de orden 1.
A continuacion, se desarrollan brevemente, los contrastes de races unitarias mas utilizados en
la practica del analisis de series temporales economicas y que, a la vez, fueron los pioneros en
este campo.
Contraste de Dickey-Fuller. Supongamos el siguiente proceso AR(1):
Yt = Yt1 + at ,
at RBN (0, 2 )
54
(5.2)
An
SARRIKO-ON 4/09
que es estacionario si || < 1. Si, por el contrario, = 1 el proceso Yt no es estacionario porque

tiene una raz unitaria, de hecho sera un modelo de paseo aleatorio:
Yt = Yt1 + at
1L=0
L=1
Yt I(1)
Si se desea contrastar alguna hipotesis nula sobre el valor del parametro en el modelo (5.2), por
ejemplo, H0 : = 0 , el procedimiento habitual es estimar la regresion de Yt sobre Yt1 y despues
utilizar el estadstico t estandar para contrastar la hipotesis nula. Como es bien sabido, si || < 1,
es
el modelo AR(1) es estacionario y el estimador de por Mnimos Cuadrados Ordinarios, ,
igual al estimador Maximo Verosmil y sigue asint
oticamente una distribucion normal. Ademas,
el estadstico t tiene la siguiente distribucion asint
otica bajo la hipotesis nula:
0
t = q
N (0, 1)
V
Para muestras peque
nas este estadstico se distribuye aproximadamente como un t de Student
de (T 1) grados de libertad.
Por lo tanto, se podra pensar en contrastar la hipotesis de existencia de raz unitaria en la
serie Yt (no estacionariedad) contrastando la hipotesis nula H0 : = 1 en el modelo (5.2). El
problema surge porque no se sabe a priori si el modelo es estacionario o no y cuando = 1 el
modelo AR(1) no es estacionario y los resultados anteriores no se mantienen. Se puede demostrar
que el estimador esta sesgado hacia abajo y que el estadstico t bajo la hipotesis nula de raz
unitaria no sigue una distribucion t de Student ni en el lmite cuando el tama
no muestral tiende
a infinito. Ademas si se utilizan los valores crticos de esta distribucion se tiende a rechazar la
H0 mas veces de las deseadas.
El modelo (5.2) se puede escribir como sigue restando Yt1 en ambos lados,
Yt Yt1 = Yt1 Yt1 + at
Yt = Yt1 + at
con
o bien
= 1
(5.3)
Ahora, contrastar la hipotesis nula de raz unitaria (paseo aleatorio) equivale a plantear el
siguiente contraste de hipotesis en el modelo (5.3):
H0 : = 0
Ha : < 0
La hipotesis alternativa de estacionariedad se plantea u
nicamente en terminos de negativo,
porque un valor positivo de supondra un modelo no estacionario de comportamiento explosivo.
El modelo (5.3) es un modelo de regresion y el estadstico habitual para realizar este tipo de
contraste es:
t =
0
q
V ()
55
(5.4)
SARRIKO-ON 4/09
An
donde:
T
X
yt1 yt
t=2
T
X
2
yt1
t=2
=
V ()
2
T
X
2
yt1
(5.5)
t=2
Al estadstico t se le denomina estadstico de Dickey-Fuller. Este estadstico t no sigue

ninguna distribucion conocida bajo la hipotesis nula de no estacionariedad por lo que DickeyFuller calcularon los percentiles de este estadstico bajo la H0 proporcionando las tablas con los
niveles crticos correctos para el estadstico en funcion del tama
no muestral (T ) y el nivel de
significacion () (las tablas de estos valores crticos se encuentran en el apendice B.).
Se rechaza H0 , es decir, la existencia de raz unitaria a un nivel de significacion si el valor
muestral del estadstico t es menor que el valor crtico de las tablas de Dickey-Fuller (DF ):
t < DF
Hasta el momento se ha explicado como contrastar la hipotesis nula de raz unitaria (paseo
aleatorio) frente a la alternativa de un proceso estacionario AR(1) de media cero. Para las series
economicas, sera de interes considerar hipotesis alternativas mas generales que puedan incluir
estacionariedad alrededor de una constante o de una tendencia lineal.
Si el modelo AR(1) incluye una constante:
Yt = c + Yt1 + at ,
at RBN (0, 2 )
(5.6)
el contraste de existencia de raz unitaria se realiza de forma similar. Restando Yt1 en ambos
lados del proceso se obtiene:
Yt = c + Yt1 + at
(5.7)
= 1
El contraste de la hipotesis nula de raz unitaria se plantea en este modelo (5.7) como sigue:
H0 : = 0
Ha : < 0
y el estadstico de contraste es:
tc = q
V ()
el de su varianza. Como anteriormente, Dickey-Fuller

donde es el estimador MCO de y V ()
construyeron las tablas que proporcionan los niveles crticos correctos para el estadstico tc en
funcion del tama
no muestral, T , y el nivel de significacion, .
56
An
SARRIKO-ON 4/09
Si el modelo AR(1) incluye una tendencia lineal:

Yt = c + t + Yt1 + at ,
at RBN (0, 2 )
el modelo que se estima por MCO es:

Yt = c + t + Yt1 + at
(5.8)
y se utiliza el estadstico t que denotaremos por t para contrastar la hipotesis nula de raz
unitaria H0 : = 0 frente Ha : < 0.
Contraste de Dickey-Fuller aumentado. Los contrastes anteriores de Dickey-Fuller se han

derivado partiendo del supuesto restrictivo de que la serie sigue un proceso AR(1). Pero la
serie puede seguir procesos mas generales ARM A(p, q). Como es bien conocido, todo proceso
ARM A(p, q) se puede aproximar hasta el grado de bondad necesario mediante un AR(p):
Yt = 1 Yt1 + 2 Yt2 + . . . + p Ytp + at
at RBN (0, 2 )
Este modelo se puede reparametrizar como sigue:

Yt = Yt1 + 1 Yt1 + + p1 Ytp+1 + at
(5.9)
donde
=
p
X
i 1 y i =
i=1
i
X
pi+j
j=1
P
Dado que un proceso AR(p) tiene una raz unitaria cuando pi=1 i = 1, contrastar la hipotesis
nula de existencia de raz unitaria es equivalente a contrastar la H0 : = 0 en la regresion (5.9).
Este contraste de raz unitaria se denomina Dickey-Fuller Aumentado (ADF) y se basa en
la estimacion MCO del parametro en el modelo (5.9) y en el correspondiente estadstico t.
Este estadstico tiene la misma distribucion que para el caso del modelo AR(1) y, por lo tanto,
podemos utilizar los mismos valores crticos tabulados por Dickey-Fuller.
El modelo (5.9) se puede tambien generalizar introduciendo una constante y/o una tendencia
lineal:
Yt = + Yt1 + 1 Yt1 + + p1 Ytp+1 + at
Yt = + t + Yt1 + 1 Yt1 + + p1 Ytp+1 + at
procediendose a la realizacion del contraste de la hipotesis nula de raz unitaria por un procedimiento similar al desarrollado para el modelo AR(1).
57
SARRIKO-ON 4/09
An
Grafico 5.3: Graficos de Ln(Lince) y su primera diferencia.

9
1.5
8
1
0.5
D Ln(Lince)
Ln(lince)
-0.5
-1
-1.5
4
-2
3
1820
1840
1860
1880
1900
-2.5
1820
1920
1840
1860
1880
1900
1920
Cuadro 5.1: Contrates de races unitarias

Contrastes aumentados de Dickey-Fuller, orden 4, para Ln(lince):
tama~
no muestral 108 hip
otesis nula de ra
z unitaria: a = 1
contraste con constante
modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
Coef. de autocorrelaci
on de primer orden de e: -0,019
valor estimado de (a - 1): -0,451665
Estad
stico de contraste: tau c(1) = -5,13165
valor p asint
otico 1,089e-005
Ejemplo 6.2. Pieles de lince.

Analicemos la estacionariedad en media de la serie que es estacionaria en varianza, Zt = ln(Yt ) =
Ln(Lince).
En el grafico 5.3 se representan la serie en logaritmos (Ln(Lince)) y su primera diferencia (D
Ln(Lince)). Se puede observar que la serie Zt oscila cclicamente en torno a un nivel promedio
mas o menos constante y al diferenciarla no cambia su comportamiento salvo que pasa a oscilar
en torno a un nivel proximo a cero. Se puede concluir, por lo tanto, que Zt es ya estacionaria
en media y no es preciso realizar mas transformaciones. Analizando los correlogramas de Zt
y su primera diferencia recogidos en el grafico 5.4 se obtiene la misma conclusion ya que el
correlagrama de Zt decrece rapidamente hacia cero en forma de onda seno-coseno amortiguada.
El tomar una diferencia a la serie no cambia el comportamiento del correlograma, como era de
esperar, ya que si diferenciamos un proceso estacionario sigue siendo estacionario.
Para contrastar la existencia de raz unitaria en la serie Zt = Ln(Lince) se lleva a cabo el
contraste ADF aumentado. Los resultados del cuadro 5.1 muestran que el valor del estadstico
ADF, tc = -5,13, es menor que el valor crtico DF0,05 = 2, 89 (ve
ase apendice B). Por lo
tanto, se rechaza la hipotesis nula de existencia de raz unitaria a un nivel de significacion
del 5 % y la transformacion estacionaria en media y varianza de la serie Pieles de Lince es
Zt = ln(Yt ) = Ln(Lince).
58
An
SARRIKO-ON 4/09
Grafico 5.4: Correlogramas de Ln(Lince) y su primera diferencia.

FAC de Ln(lince)
1
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
10
15
20
retardo
25
30
35
FAC de D Ln(Lince)
FACP de Ln(lince)
11
+- 1,96/T^0,5
1,96/T^0,5
+-
0.5
0.5
00
-0.5
-0.5
-1
-1
00
55
10
10
15
15
20
20
retardo
retardo
25
25
30
30
35
35
FACP de D Ln(Lince)

on de Tabaco.
1
+- 1,96/T^0,5
Considera la siguiente informacion sobre la serie Producci

on de Tabaco.
0.5
a) Grafico 05.5: muestra en la figura de la izquierda la serie Ln(Produccion) y en la figura de

la derecha
la serie D Ln(Produccion) = ln(P roduccion).
-0.5
b) Grafico -15.6: muestra en la figura superior el correlograma de la serie Ln(Produccion) y en
0
10
15
25
30
35
la figura inferior
el5 correlograma
de la
serie
D20Ln(Producci
on) =
ln(P roduccion).
retardo
c) Cuadros 5.2 y 5.3 muestran los resultados de los contrastes de races unitarias ADF para
las series Ln(Produccion) y D Ln(Produccion) respectivamente.
Grafico 5.5: Graficos de Ln(Produccion) y su primera diferencia.
8
1.2
1
7.5
0.8
0.6
D Ln(Produccin)
Ln(Produccin)
6.5
0.4
0.2
0.2
5.5
0.4
0.6
1880
1900
1920
1940
1960
1980
1880
1900
1920
1940
1960
1980
Pregunta: Analiza la estacionariedad en media de la serie en logaritmos.

59
SARRIKO-ON 4/09
An

Contrastes aumentados de Dickey-Fuller, orden 4, para Ln(Producci
on):
tama~
no muestral 109 hip
otesis nula de ra
z unitaria: a = 1
modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
Estad
valor p asint
otico 0,0907
contraste con constante y tendencia
modelo: (1 - L)y = b0 + b1*t + (a-1)*y(-1) + ... + e
Estad
stico de contraste: tau ct(1) = -1,46933
valor p asint
otico 0,8402

Contrastes aumentados de Dickey-Fuller, orden 4, para D Ln(Producci
on):
tama~
no muestral 108 hip
otesis nula de ra
z unitaria: a = 1
contraste sin constante
modelo: (1 - L)y = (a-1)*y(-1) + ... + e
Estad
stico de contraste: tau nc(1) = -6,5554
valor p asint
otico 2,213e-010
modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
Estad
valor p asint
otico 2,145e-010
60
An
SARRIKO-ON 4/09
Grafico 5.6: Correlogramas de Ln(Produccion) y su primera diferencia.

FAC de Ln(Produccin)
1
+ 1,96/T^0,5
0.5
0
0.5
1
0
10
15
20
retardo
25
30
35
FAC de D Ln(Produccin)
FACP de Ln(produccin)
1
1
+ 1,96/T^0,5
+ 1,96/T^0,5
0.5
0.5
0
0
0.5
0.5
1
1
5.2.2.
0
0
5
5
10
10
15
15
20
20
retardo
retardo
25
25
30
30
35
35
FACP de D Ln(Produccin)
Identificaci
on del modelo estacionario
1
+ 1,96/T^0,5
Una vez determinado el orden de diferenciacion d, se tiene la transformacion estacionaria de la

serie Zt = (10 L)d Yt que puede representarse mediante un proceso ARM A(p, q) estacionario.
En esta fase
se trata de identificar los ordenes p y q del proceso que puede reproducir las
0.5
caractersticas de la serie estacionaria y de analizar la conveniencia de la incorporacion del
1
parametro asociado
a la media, .
0.5
10
15
20
retardo
25
30
35
A. Identificaci
on de los
ordenes p, q.
Las caractersticas dinamicas del proceso estacionario estan recogidas en la funcion de autocorrelacion, FAC, por lo que esta sera el instrumento basico para identificar los ordenes p y q del
modelo ARMA adecuado para representar las caractersticas de la serie estacionaria Zt .
Los coeficientes de autocorrelacion muestral de Zt son:
T
X
k =
(Zt Z)(Z
tk Z)
t=k+1
k = 1, 2, . . . , T /3
T
X
(5.10)
2
(Zt Z)
t=1
donde T = T d es la longitud de la serie estacionaria Zt .

Para identificar los ordenes p y q, se compararan las funciones de autocorrelacion muestrales con
las FAC teoricas de los modelos ARMA cuyas caractersticas conocemos:
61
SARRIKO-ON 4/09
An
FAC
M A(q)
Se anula para j > q
AR(p)
Decrecimiento rapido
No se anula
ARM A(p, q)
No se anula
Si el correlograma muestral de la serie Zt presenta un corte a partir de un retardo finito j,

la identificacion del proceso adecuado para la misma es sencilla, ya que se correspondera con
la FAC teorica de un M A(j). Pero si el correlograma muestral no presenta ning
un corte sino
que parece decrecer rapidamente siguiendo una estructura exponencial o de onda seno-coseno,
la identificacion no es tan clara, ya que basandose u
nicamente en la FAC podra corresponder a
un modelo teorico AR o ARM A de cualquier orden.
Para ayudarnos en la identificacion de modelos ARM A(p, q) en estos casos acudimos a otro
instrumento complementario, la funcion de autocorrelacion parcial.
El coeficiente de autocorrelacion parcial de orden k, denotado por pk , mide el grado de asociacion
lineal existente entre entre las variables Yt e Ytk una vez ajustado el efecto lineal de todas las
variables intermedias, es decir:
pk = Yt Ytk .Yt1 ,Yt2 ,...,Ytk+1
Por lo tanto, el coeficiente de autocorrelacion parcial pk es el coeficiente de la siguiente regresion
lineal:
Yt = + p1 Yt1 + p2 Yt2 + . . . + pk Ytk + et
Las propiedades de la funcion de autocorrelacion parcial (FACP), pk , k = 0, 1, 2, 3, . . . , son
equivalentes a las de la FAC:
p0 = 1 y p1 = 1
Los coeficientes pk no dependen de unidades y son menores que la unidad en valor absoluto.
La FACP es una funcion simetrica.
La FACP de un proceso estocastico estacionario decrece rapidamente hacia cero cuando
k .
La funcion de autocorrelacion parcial se puede estimar a partir de los datos de la serie como
una funcion de los coeficientes de autocorrelacion simples estimados, k .
La estructura de la funcion de autocorrelacion parcial para un modelo estacionario ARM A(p, q)
es como sigue:
62
An
SARRIKO-ON 4/09
. Modelo AR(p):
Yt = 1 Yt1 + 2 Yt2 + 3 Yt3 + . . . + p Ytp + at
La estructura de la FACP es la siguiente:
(
pk 6= 0
pk =
pk = 0
k = 1, 2, . . . , p
k = p + 1, p + 2, . . .
Si un proceso sigue un modelo AR(p), Yt depende directamente de su pasado hasta el retardo p de forma que las variables aleatorias separadas un periodo, dos, y hasta p periodos
mantienen una relacion lineal directa aunque se elimine el efecto de las variables intermedias, por lo que pk 6= 0 . Sin embargo, para variables separadas mas de p periodos el
coeficiente de autocorrelacion parcial es cero porque no existe relacion lineal directa entre
ellas: existe relacion lineal, k 6= 0 , pero es indirecta a traves de las variables intermedias
por lo que, una vez controlado el efecto de estas, la correlacion entre Yt e Ytk es nula y
pk = 0 .
. Modelo M A(q):
Yt = at + 1 at1 + 2 at2 + 3 at3 + . . . + q atq
La FACP de un modelo de medias moviles finito es infinita y decrece rapidamente hacia
cero, de forma exponencial cuando las races del polinomio de medias moviles son reales y
en forma de onda seno-coseno amortiguada si las races del citado polinomio son complejas.
Esta estructura es logica dado que la representaci
on AR de un modelo M A(q) es infinita.
. Modelo ARM A(p, q):
Yt = at + 1 Yt1 + 2 Yt2 + . . . + p Ytp + at + 1 at1 + 2 at2 + . . . + q atq
La FACP de un modelo ARM A(p, q) es infinita y los p primeros coeficientes de la FACP
dependen de los parametros autorregresivos y de los de medias moviles y, a partir del
retardo p + 1 , depende u
nicamente de la estructura de la parte de medias moviles, de
forma que, decrece rapidamente hacia cero, de forma exponencial cuando las races del
polinomio de medias moviles son reales y en forma de onda seno-coseno amortiguada si
las races del citado polinomio son complejas.
Comparando la estructura de las funciones de autocorrelacion simple y parcial estimadas con
las caractersticas basicas de las funciones de autocorrelacion teoricas de la tabla siguiente, se
puede identificar el / los procesos que podran haber generado la serie bajo estudio.
FAC
FACP
M A(q)
Se anula para j > q
No se anula
AR(p)
No se anula
Se anula para j > p
ARM A(p, q)
No se anula
No se anula
63
SARRIKO-ON 4/09
An
Ahora bien, para la identificacion del modelo apropiado solo se cuenta con las estimaciones de
la FAC y de la FACP a partir de los datos de la serie Yt . Los estimadores de los coeficientes de
autocorrelacion k y pk son variables aleatorias que tienen una distribucion de probabilidad y
tomaran diferentes valores para diferentes realizaciones de Yt . Por lo tanto, para identificar el
orden del proceso ARM A(p, q) adecuado para la serie, es preciso determinar la estructura de las
FAC y FACP estimadas realizando contrastes sobre la significacion individual de los coeficientes
de autocorrelacion simple y parcial estimados.
El estimador de los coeficientes de autocorrelacion k dado por (5.10) es una variable aleatoria
que se distribuye asintoticamente como sigue bajo el supuesto de que Zt es gaussiano y k > 0,
a
k N (k , V (
k ))
con
V (
k ) '
1
T
Se desea realizar el siguiente contraste de hipotesis para k = 1, 2, . . . , T /3

H0 : k = 0
Ha : k 6= 0
Bajo la hipotesis nula el estadstico de contraste se distribuye asint
oticamente como
a
N (0, 1)
p k
V (
k )
Se rechaza la H0 a un nivel de significacion del 5 % si
k
p
N0,025 = 1, 96
V (
k )
o analogamente,
|
k | 1,96
2
k '
T
2
Por lo tanto,
son las bandas de confianza que delimitan la zona de significatividad del
T
coeficiente k .
En lo que se refiere a la funcion de autocorrelacion parcial, los coeficientes de autocorrelacion
parcial muestrales pk , con k > p, se distribuyen asint
oticamente como sigue para procesos AR(p):
a
pk N (0, V (
pk ))
con
V (
pk ) '
1
T
En la practica, para obtener las bandas de confianza para pk se aplica esta distribucion independientemente del tipo de proceso que haya generado la serie.
Se desea realizar el siguiente contraste de hipotesis para k = 1, 2, . . . , T /3
H0 : pk = 0
Ha : pk 6= 0
64
An
SARRIKO-ON 4/09
Bajo la hipotesis nula el estadstico de contraste se distribuye asint

oticamente como
pk
V (
pk )
N (0, 1)
Se rechaza la H0 de no significatividad del coeficiente de autocorrelacion a un nivel de significacion del 5 % si
p
2
k
o analogamente,
|
pk | 1,96 (
pk ) '
p
N0,025 = 1, 96
V (
T
pk )
2
Por lo tanto,
son las bandas que delimitan la zona de significatividad del coeficiente pk .
T
Cuando se procede a la identificacion de un modelo ARM A(p, q) hay que tener en cuenta que
identificar el modelo a traves de las funciones de autocorrelacion simple y parcial estimadas no es
una tarea sencilla. En esta primera etapa no se trata tanto de identificar el modelo correcto, sino
de acotar un subconjunto de modelos ARIMA que han podido generar la serie. Posteriormente,
en la fase de estimacion y validacion, dependiendo de los resultados, se vuelve a plantear la
identificacion del proceso.
A la hora de interpretar las funciones de autocorrelacion estimadas no se debe dar demasiada
importancia a cada detalle que pueda aparecer en los datos. En general, se trata de buscar los
modelos mas sencillos que reproduzcan las caractersticas de la serie. Es preciso tener en cuenta
que, por un lado, hay cierta probabilidad de obtener alg
un coeficiente significativo aunque los
datos fueran generados por un ruido blanco y, por otro lado, que al determinar que retardos
pueden ser significativamente distintos de cero, tambien hay que considerar la interpretaci
on
que se les pueda dar. Ademas, los coeficientes de autocorrelacion muestral estan correlacionados
entre s, por lo que en el correlograma muestral pueden aparecer ciertas ondulaciones que no se
corresponden con el correlograma teorico. La tarea de identificaci
on sera mas facil cuanto mayor
sea el tama
no de muestra.
Ejemplo 6.3. Pieles de Lince.
El grafico 5.7 muestra las funciones de autocorrelacion simple y parcial estimadas para la serie
estacionaria Zt = ln(Yt ) = Ln(lince). La FAC estimada muestra una estructura infinita decreciendo en forma de onda seno-coseno amortiguada que sugiere un modelo AR(p) o ARM A(p, q)
con parte autorregresiva de orden mayor o igual que 2. El analisis de la FACP muestra, seg
un
el resultado de los contrastes de significacion individual, que los tres primeros coeficientes son
significativamente distintos de cero y el resto no. Seg
un esta interpretaci
on, la FACP estara
truncada en el retardo 3 y el modelo adecuado para haber generado la serie sera un AR(3).
Ahora bien, estudiando el comportamiento general de la FACP, tambien se puede interpretar que
tiene una estructura infinita que 2 decrece rapidamente a partir del retardo con forma cclica.
En este caso el modelo mas sencillo que recogera esta estructura sera un ARM A(2, 1).
Por lo tanto, se podran identificar dos modelos adecuados, en principio, para la serie estacionaria:
a) Zt AR(3)
b) Zt ARM A(2, 1)
65
SARRIKO-ON 4/09
An
Grafico 5.7: FAC y FACP estimadas de la serie Ln(lince).

FAC de Ln(lince)
1
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
10
15
20
retardo
25
30
35
FACP de Ln(lince)
1
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
10
15
20
retardo
25
30
35
Grafico 5.8: FAC y FACP estimadas de la serie (1-L) Ln(Produccion).

FAC de D Ln(Produccin)
1
+ 1,96/T^0,5
0.5
0
0.5
1
0
10
15
20
retardo
25
30
35
FACP de D Ln(Produccin)
1
+ 1,96/T^0,5
0.5
0
0.5
1
0
10
15
20
retardo
66
25
30
35
An
SARRIKO-ON 4/09

on de tabaco.
La figura 5.8 muestra las funciones de autocorrelacion simple y parcial estimadas para la transformacion estacionaria de la serie Producci
on de Tabaco, Zt = ln(Yt ) = D Ln(Produccion).
Pregunta: Qu
e modelo o modelos ARM A(p, q) propones para la serie estacionaria?
B. Inclusi
on del t
ermino independiente
Recordemos que la media de un proceso ARM A(p, q) estacionario esta directamente relacionada
con la constante . Si esta constante es cero, entonces la media del proceso es cero. Para decidir
si se incluye un termino independiente no nulo en el modelo, se contrastar
a si la media de la
serie estacionaria es o no cero,
H0 : E(Zt ) = 0
Ha : E(Zt ) 6= 0,
El estadstico de contraste es:
t =
Z H0
t(T 1)
donde
Z2 es el estimador de la varianza de la media muestral Z que viene dado por:
Z2 =
C0
(1 + 2
1 + 2
2 + . . . + 2
n )
T
(5.11)
P
2 /(T 1) es la varianza muestral de la serie estacionaria y (
donde C0 = (Zt Z)
1 , 2 , . . . , n )
representan las n primeras autocorrelaciones muestrales significativas de Zt .
En ocasiones, para calcular esta varianza, se aplica la siguiente aproximaci
on:
Z2 =
C0
T
Se rechazar
a la H0 : E(zt ) = 0 a un nivel de significacion y, por lo tanto, se incluira el
parametro en el modelo si:
t > t/2 (T 1)

La figura de la izquierda del grafico 5.3 muestra la serie estacionaria Ln(lince) que parece oscilar
en torno a una media diferente de cero. La siguiente tabla muestra los estadsticos descriptivos
principales de la serie estacionaria Zt = ln(Yt ) que se van a utilizar para contrastar si la media
es o no nula.
67
SARRIKO-ON 4/09
An
Estadsticos principales, usando las observaciones 1821 - 1933

para la variable Ln(lince) (113 observaciones validas)
Media
Mediana
6, 68671
6, 66441
Maximo
3, 66356
8, 85238
C.V.
Asimetra
Exc. de curtosis
0, 190462
0, 374282
0, 668913
Desv. Tp.
1, 27356
Mnimo
La distribucion del estadstico de contraste bajo la hipotesis nula H0 : E(Zt ) = 0 es:

t =
Z
t(180 1)
Seg
un los estadsticos principales, Z = 6, 66 y:
Z =
(1, 276)2
(1 + 2 0, 78 + 2 0, 35 + . . . 2 0, 192) = 0,0095
180
por lo tanto,
6, 66
= 701, 05 > t0,025 (180 1) 2
0, 0095
Se rechaza la H0 : E(Zt ) = 0 para un del 5 % y se incluye un termino constante en el modelo.
t =
Resumiendo, se proponen los dos modelos siguientes para la serie estacionaria:

(1)
AR(3) :
Zt = + 1 Zt1 + 2 Zt2 + 3 Zt3 + at
(2)
ARM A(2, 1) :
Zt = + 1 Zt1 + 2 Zt2 + at + at1
Ejercicio 6.4. Serie Producci

on de tabaco.
En la figura derecha del grafico 5.5 se presenta la transformacion estacionaria de la serie Producci
on de Tabaco, Zt = ln(Yt ) que parece oscilar en torno a cero y la siguiente tabla muestra
los principales estadsticos descriptivos de la misma.
para la variable D Ln(Produccion) (113 observaciones validas)
Media
Mediana
Mnimo
0, 0147324
0, 0199342
0, 565523
1, 03192
Desv. Tp.
C.V.
Asimetra
Exc. de curtosis
0, 711632
4, 94746
0, 203842
13, 8363
Maximo
Preguntas:
Es preciso incluir un t
ermino independiente en la especificaci
on del modelo?
Escribe el/los modelos ARM A(p, q) que podran haber generado la serie.
68
An
5.3.
SARRIKO-ON 4/09
Estimaci
on
Una vez identificados el/los procesos estocasticos que han podido generar la serie temporal Yt ,
la siguiente etapa consiste en estimar los parametros desconocidos de dichos modelos:
= (, 1 , . . . , p , 1 , . . . , q )0
a2
Estos parametros se pueden estimar de forma consistente por Mnimos Cuadrados o Maxima
Verosimilitud. Ambos metodos de estimacion se basan en el calculo de las innovaciones, at , a
partir de los valores de la serie estacionaria. El metodo de Mnimos Cuadrados minimiza la suma
de cuadrados:
X
M in
a2t
(5.12)
t
La funcion de verosimilitud se puede derivar a partir de la funcion de densidad conjunta de las

innovaciones, a1 , a2 , . . . , aT , que, bajo el supuesto de normalidad, es como sigue:
( T
)
X a2
t
f (a1 , a2 , . . . , aT ) T exp
(5.13)
2 2
t=1
Para resolver el problema de estimacion, las ecuaciones (5.12) y (5.13) se han de expresar en
funcion del conjunto de informacion y de los parametros desconocidos del modelo. Para un
modelo ARM A(p, q), la innovacion se puede escribir como:
at = Zt
p
X
i Zti
i=1
q
X
i ati
(5.14)
i=1
Por lo tanto, para calcular las innovaciones a partir de un conjunto de informacion y de un vector
de parametros desconocidos, se necesitan un conjunto de valores iniciales Z0 , Z1 , . . . , Zp1 y
a0 , a1 , . . . , aq1 .
En la practica, el procedimiento seguido es aproximar las innovaciones imponiendo una serie de
condiciones sobre los valores iniciales, con lo que se obtienen los denominados estimadores de
Mnimos Cuadrados Condicionados y M
aximo verosmiles Condicionados. La condicion que se
impone habitualmente sobre los valores iniciales es que las p primeras observaciones de Zt son
los valores iniciales y las innovaciones previas son cero. En este caso, se calculan las innovaciones seg
un la ecuacion (5.14) de t = p + 1 en adelante. Los estimadores Maximo verosmiles
condicionados a las p primeras observaciones son iguales a los estimadores Mnimos Cuadrados
condicionados.
Existen metodos para obtener estimadores Maximos verosmiles no condicionados, basados en la
maximizacion de la funcion de verosimilitud exacta que se obtiene como una combinaci
on de la
funcion de verosimilitud condicionada y la funcion de densidad no condicionada para los valores
iniciales.
69
SARRIKO-ON 4/09
An

En las siguientes tablas se encuentran los resultados de la estimacion de los dos modelos propuestos para la transformacion estacionaria Zt = ln(Yt ) = Ln(lince).
Modelo 1: estimaciones ARMA utilizando las 113 observaciones 18211933
Variable dependiente: Ln(lince)
Coeficiente
Desv. tpica
estadstico t
valor p
const
1
2
3
6,68527
1,14741
0,340902
0,258269
0,114106
0,0902207
0,137053
0,0903199
Media de la var. dependiente

D.T. de la variable dependiente
media de las innovaciones
Varianza de las innovaciones
Log-verosimilitud
AR
Raz
Raz
Raz
1
2
3
Real
0, 9064
0, 9064
3, 1327
Imaginaria
0, 6438
0, 6438
0, 0000
58,5883
12,7179
2,4874
2,8595
0,0000
0,0000
0,0129
0,0042
6,68671
1,27356
0,00562629
0,296613
92,887
Modulo
1, 1117
1, 1117
3, 1327
Frecuencia
0, 0983
0, 0983
0, 5000
Modelo 2: estimaciones ARMA utilizando las 113 observaciones 18211933

Variable dependiente: Ln(lince)
Coeficiente
Desv. tpica
estadstico t
valor p
const
1
2
1
6,68440
1,49195
0,817975
0,328985
0,106330
0,0648607
0,0578566
0,0982730

Log-verosimilitud
AR
MA
Raz
Raz
Raz
1
2
1
Real
0, 9120
0, 9120
3, 0397
Imaginaria
0, 6252
0, 6252
0, 0000
70
62,8649
23,0023
14,1380
3,3477
6,68671
1,27356
0,00587872
0,296583
92,876
Modulo
1, 1057
1, 1057
3, 0397
Frecuencia
0, 0956
0, 0956
0, 0000
0,0000
0,0000
0,0000
0,0008
An
SARRIKO-ON 4/09
Los modelos estimados son:

(1)
Zt = + 1, 14 Zt1 0, 34 Zt2 0, 26 Zt3 + a

t
AR(3) :
(0, 10)
(2)
(0, 14)
(0, 09)
t1
t 0, 34 a
Zt = + 1, 50 Zt1 0, 82 Zt2 + a
ARM A(2, 1) :
(0, 13)
(0, 08)
(0, 07)
La estimacion de la constante dada por Gretl es la media estimada de la serie estacionaria:

d = C =
const
=
si el modelo estimado es un M A(q):
si el modelo estimado es un AR(p) o ARM A(p, q):

d = C =
const
=
1 1 2 . . . p
Para la serie de Pieles de lince:

(1) C =
= 6, 68 =
(2) C =
= 6, 68 =
1 1 2 3
1 1, 14 + 0, 34 + 0, 26
=
1 1, 50 + 0, 82
1 1 2
= 6, 68 0, 46 = 3, 07
= 6, 68 0, 32 = 2, 13
Por u
ltimo, la estimacion de la varianza del ruido blanco, 2 , viene dada por:
P 2
a
=
T pq
Por lo tanto,
P
(1)
(2)
a
2
32, 88223
=
= 0, 30731
T pq
110 3 0
P
32, 88891
a
2
=
= 0, 30737
T p q
110 2 1
Por lo que los modelos estimados para la serie de Pieles de lince son:
(1) Zt = 3, 07 + 1, 14 Zt1 0, 34 Zt2 0, 26 Zt3 + a
t
(0, 10)
(0, 14)
(0, 09)
(2) Zt = 2, 13 + 1, 50 Zt1 0, 82 Zt2 + a

t 0, 34 a
t1
(0, 07)
2 = 0, 30731
(0, 08)
(0, 13)
71
2 = 0, 30737
SARRIKO-ON 4/09
An

on de tabaco.
En las siguientes tablas se encuentran los resultados de la estimacion de varios modelos para
la transformacion estacionaria, Zt = ln(Yt ) = DLn(P roduccion), de la serie Producci
on de
Tabaco.
Pregunta: Escribe los correspondientes modelos estimados.
Modelo 1: estimaciones ARIMA utilizando las 113 observaciones 18721984

Variable dependiente: (1 L) Ln(Produccion)
Coeficiente
Desv. tpica
estadstico t
valor p
const
1
0,0142529
0,719692
0,00443753
0,0613815

Log-verosimilitud
MA
Raz
Real
1, 3895
Imaginaria
0, 0000
3,2119
11,7249
0,0013
0,0000
0,0147324
0,203842
0,00227119
0,0270321
43,3014
Modulo
1, 3895
Frecuencia
0, 0000

Variable dependiente: (1 L) Ln(Produccion)
Coeficiente
Desv. tpica
estadstico t
valor p
const
1
2
0,0142527
0,720531
0,00102293
0,00444005
0,0991205
0,0948359

Log-verosimilitud
MA
Raz
Raz
1
2
Real
1, 3906
702, 9871
Imaginaria
0, 0000
0, 0000
72
3,2100
7,2692
0,0108
0,0147324
0,203842
0,00226524
0,0270320
43,3014
Modulo
1, 3906
702, 9871
Frecuencia
0, 0000
0, 0000
0,0013
0,0000
0,9914
An
5.4.
SARRIKO-ON 4/09
Validaci
on del modelo
En la etapa de validacion, diagnosis o chequeo se procede a evaluar la adecuacion de los modelos

estimados a los datos. Se tiene en cuenta:
a) Si las estimaciones de los coeficientes del modelo son significativas y cumplen las condiciones de estacionariedad e invertibilidad que deben satisfacer los parametros del modelo.
b) Si los residuos del modelo tienen un comportamiento similar a las innovaciones, es decir,
si son ruido blanco.
5.4.1.
An
alisis de coeficientes estimados
En primer lugar, se han de realizar los contrastes habituales de significacion individual de los
coeficientes AR y M A:
= (, 1 , 2 , . . . , p , 1 , . . . , q )
para comprobar si el modelo propuesto esta sobreidentificado, es decir, si se ha incluido estructura
que no es relevante.
En el caso mas general de un ARM A(p, q) con constante se plantean los siguientes contrastes:
H0 : = 0
frente a
Ha : 6= 0
(5.15)
H0 : i = 0
frente a
Ha : i 6= 0
(5.16)
H0 : i = 0
frente a
Ha : i 6= 0
(5.17)
En general, la distribucion asintotica de los estimadores es la siguiente:

i N (i , V (i ))
con la varianza dada por la inversa de la matriz de informacion. De forma que, para contrastar
la H0 de no significatividad individual de los parametros se utilizara el estadstico t habitual que
sigue asintoticamente una distribucion normal:
i 0
t= q
N (0, 1)
V (i )
Se rechazara la hipotesis nula a un nivel de significacion = 5 %, cuando:
i
q
> N/2 (0, 1) ' 2
V (i )
Por otro lado, es importante comprobar si las condiciones de estacionariedad e invertibilidad se
satisfacen para el modelo propuesto. Para ello, se calculan las races del polinomio autorregresivo,
73
SARRIKO-ON 4/09
An
b
b
(L)
= 0 , y las races del polinomio de medias moviles, (L)
= 0. Si alguna de estas races
esta proxima a la unidad podra indicar falta de estacionariedad y/o invertibilidad.
Por u
ltimo, es conveniente tambien analizar la matriz de covarianzas entre los parametros estimados con el fin de detectar la posible presencia de una correlacion excesivamente alta entre las
estimaciones de los mismos lo que puede ser una indicacion de la presencia de factores comunes
en el modelo.
Para realizar los contrastes de diagnostico sobre los coeficientes, se analizan los resultados de la
estimacion de los modelos 1 y 2 y las matrices de covarianzas siguientes.
Matriz de covarianzas de los coeficientes (Modelo AR(3))
const
0, 0130202
phi 1
2, 48347e-05
0, 00813977
phi 2
4, 80732e-05
0, 0108657
0, 0187835
phi 3
5, 56654e-05
0, 00573862
0, 0109509
0, 00815768
const
phi 1
phi 2
phi 3
Matriz de covarianzas de los coeficientes (Modelo ARMA(2,1))

const
0, 0113060
phi 1
6, 16782e-05
0, 00420691
phi 2
5, 83053e-05
0, 00318008
0, 00334739
theta 1
0, 000117743
0, 00379432
0, 00256617
0, 00965758
Modelo AR(3). Analisis de los coeficientes.

Contrastes de significatividad individual:
H0 : C = 0
Ha : C =
6 0
H0 : i = 0
Ha : i =
6 0,
i = 1, 2, 3
C:
C
6, 68

= |55, 87| > N0,025 2

=
C
0, 12
Se rechaza H0 : C = 0 para un nivel de significacion del 5 %.
1 :

1, 14
1
= |12, 03| > N0,025 2
1
0, 10
Se rechaza H0 : 1 = 0 para un nivel de significacion del 5 %.
74
const
phi 1
phi 2
theta 1
An
SARRIKO-ON 4/09
2 :

0, 34
2
= | 2, 35| > N0,025 2
2
0, 14
3 :

0, 26
3
= | 2, 78| > N0,025 2
3
0, 09
Estacionariedad del modelo AR(3).
Los modulos de las races del polinomio autorregresivo cumplen la condicion de estacionariedad:

1
1

>1
|L1 | =
>1
|L2 | = |L3 | = p
=
2
2
0, 73 + (0, 52) 0, 89
0, 32
Las correlaciones entre los coeficientes estimados que muestran la matriz de covarianzas
no son muy altas:
Corr(1 , 2 ) =
0, 01
Cov(1 , 2 )
q
=
= 0, 745
0, 009 0, 02
V (1 )V (2 )
Corr(1 , 3 ) =
0, 006
Cov(1 , 3 )
q
=
= 0, 666
0, 009 0, 009
V (1 )V (3 )
Corr(2 , 3 ) =
Cov(2 , 3 )
0, 01
q
=
= 0, 745
0, 02 0, 009
V (2 )V (3 )
Modelo ARMA(2,1). Analisis de los coeficientes.

H0 : C = 0
Ha : C =
6 0
H0 : i = 0
Ha : i =
6 0,
i = 1, 2
H0 : = 0
Ha : =
6 0
C:
C
6, 67

= |60, 87| > N0,025 2

=
C
0, 11
Se rechaza H0 : C = 0 para un nivel de significacion del 5 %.
75
SARRIKO-ON 4/09
An
1 :

1, 50
1
= |20, 62| > N0,025 2
1
0, 07
2 :

0, 82
2
= | 12, 87| > N0,025 2
2
0, 06
:

0, 34

= | 2, 70| > N0,025 2

0, 13
Se rechaza H0 : = 0 para un nivel de significacion del 5 %.
Estacionariedad e invertibilidad del modelo ARM A(2, 1).

Los modulos de las races del polinomio autorregresivo cumplen la condicion de estacionariedad:

>1
p
|L1 | = |L2 | =
=
0, 752 + (0, 51)2 0, 91
El modulo de la raz del polinomio medias moviles cumple la condicion de invertibilidad:
1
>1
|L| =
0, 34
Las correlaciones entre los coeficientes estimados que se recogen en la matriz de covarianzas
no son muy altas.
Corr(1 , 2 ) =
Cov(1 , 2 )
0, 004
q
=
= 0, 894
0,
005 0, 004
V (1 )V (2 )
=
Corr(1 , )
Cov(1 , )
0, 006
q
=
= 0, 671
0, 005 0, 016
V (1 )V ()
=
Corr(2 , )
Cov(2 , )
0, 004
q
= 0, 5
=
0, 004 0, 016
V (2 )V ()
76
An
5.4.2.
SARRIKO-ON 4/09
An
alisis de residuos.
Si el modelo ARM A(p, q) elegido para la serie estacionaria Zt (por simplicidad, suponemos que
EZt = 0)
p (L) Zt = q (L) at
es correcto, entonces at =
estimado
(5.18)
p (L)
Zt es un proceso ruido blanco. Los residuos del modelo
q (L)
b
at =
b p (L)
Z
b q (L) t
(5.19)
son estimaciones de at . El analisis de residuos consiste en una serie de contrastes de diagnostico

con el objetivo de determinar si los residuos replican el comportamiento de un ruido blanco, es
decir, si su media es cero, su varianza constante y las autocorrelaciones nulas.
a) Para comprobar si la media es cero, se realiza un analisis grafico, representando los residuos
a lo largo del tiempo y observando si los valores oscilan alrededor de cero.
Ademas se puede llevar a cabo el siguiente contraste de hipotesis:
H0 : E(at ) = 0
Ha : E(at ) 6= 0,
El estadstico de contraste se distribuye bajo la hipotesis nula como sigue:
t =
N (0, 1)
T p
C0 (
a)
(5.20)
y C0 (
donde a
a) son, respectivamente, la media y la varianza muestrales de los residuos.
No se rechaza la hipotesis nula al nivel de significacion del 5 % si |t| 1,96.
b) Varianza constante. Si en el grafico de los residuos la dispersion de los mismos es constante,
concluiremos que la varianza de at permanece constante.
c) Ausencia de correlaci
on serial.
Si los residuos se comportaran como un ruido blanco, los coeficientes de la FAC y FACP
muestrales deben ser practicamente nulos para todos los retardos. Para comprobarlo, se
pueden llevar a cabo:
Contrastes de significatividad individual sobre los coeficientes de autocorrelacion:.
H0 : k (a) = 0
Ha : k (a) 6= 0
Bajo la hipotesis nula, se tiene que
a
k (a) N
77
1
0,
T
SARRIKO-ON 4/09
An
Se dira que at es un ruido blanco si los coeficientes de autocorrelacion estimados estan

dentro del intervalo de no significacion, es decir, si
2
|
k (a)|
T
para todo k o al menos para el 95 % de los coeficientes estimados.
Otra alternativa es realizar un contraste de significatividad sobre un conjunto de
coeficientes de autocorrelacion, siendo la hipotesis nula,
H0 : 1 (a) = 2 (a) = . . . = M (a) = 0
y la hipotesis alternativa que alg
un coeficiente k sea no nulo, para k = 1, . . . , M .
El estadstico mas utilizado para contrastar esta hipotesis es el propuesto por LjungBox(1978):
M
X
2k (a)
Q (M ) = T (T + 2)
T k
H0 ,a
2 (M p q)
(5.21)
k=1
Se rechaza la hipotesis nula de ausencia de correlacion serial, para un nivel de significacion del 5 %, para valores grandes del estadstico, es decir, si
Q (M ) > 20,05 (M p q)
En este caso, existira correlacion serial en los residuos del modelo por lo que se
concluye que el modelo no ha sido capaz de reproducir el patron de comportamiento
sistematico de la serie y habra que reformularlo.
d) Contraste de normalidad. El estadstico mas utilizado es el de Jarque-Bera, que se define:
1
T p q
2
2
Asimetria + (Kurtosis 3)
JB =
6
4
y que bajo la hipotesis nula de normalidad se distribuye asint
oticamente como 2 (2). Se
rechaza la hipotesis nula de normalidad al nivel de significacion del 5 % si JB > 5, 99.

El grafico 5.9 muestra el grafico y el correlograma de los residuos para cada uno de los modelos
propuestos y estimados para esta serie.
Se puede observar que el grafico de los residuos de los dos modelos propuestos y estimados es
muy similar y oscila en torno a cero con una varianza bastante homogenea.
En lo que se refiere al correlograma de los residuos, tambien en los correlogramas de los residuos
de los dos modelos se observa, que la practica totalidad de los coeficientes de autocorrelacion
78
An
SARRIKO-ON 4/09
Grafico 5.9: Ln(pieles de lince). Contrastes de diagnostico.

Modelo ARMA(2,1)
2
1.5
1.5
0.5
0.5
Residuo
Residuo
Modelo AR(3)
2
-0.5
-0.5
-1
-1
-1.5
-1.5
-2
-2
1820
1840
1860
1880
1900
1920
1820
1840
1860
1880
1900
1920
FAC de los residuos
FAC de los residuos

1
+- 1,96/T^0,5
0.5
0.5
-0.5
-0.5
+- 1,96/T^0,5
-1
-1
0
10
15
20
retardo
25
30
35
FACP de los residuos
10
15
20
retardo
25
30
35
+- 1,96/T^0,5
+- 1,96/T^0,5
simple estimados se encuentran dentro
de las bandas de no significacion, sobre todo
los de los
0.5
0.5
retardos
mas bajos.
0
Las0 siguientes tablas muestran los estadsticos descriptivos
principales de los residuos de los dos
modelos
estimados
para
esta
series.
-0.5
-0.5
-1
-1
10
Estad
usando
las0 observaciones
1821
- 201933
15 sticos
20 principales,
25
30
35
5
10
15
retardo
para retardo
la variable uhat1 (113 observaciones validas) AR(3)
Media
Mediana
0, 00562629
0, 0931793
Desv. Tp.
0, 554851
Mnimo
25
Maximo
1, 7580
1, 87878
C.V.
Asimetra
Exc. de curtosis
98, 6175
0, 128958
1, 00983

para la variable uhat2 (113 observaciones validas) ARMA(2,1)
Media
Mediana
0, 00587872
0, 0845680
Desv. Tp.
0, 554805
Mnimo
Maximo
1, 8127
1, 78708
C.V.
Asimetra
Exc. de curtosis
94, 3750
0, 203604
0, 871798
79
30
35
SARRIKO-ON 4/09
An
El estadstico de Box-Ljung proporciona los siguientes resultados:

Modelo AR(3)
Modelo ARM A(2, 1)
Q(15) = 22, 42 < 20,05 (12) = 28, 30
Q(15) = 21, 51 < 20,05 (12) = 28, 30
Q(36) = 54, 36 < 57, 6720,05 (33) = 28, 30
Q(36) = 51, 70 < 20,05 (33) = 57, 67
Por lo que no se rechaza la hipotesis nula de que los coeficientes de autocorrelacion son cero.
En lo que se refiere al contraste de Jarque-Bera de Normalidad, se tiene que:
Modelo AR(3)
Modelo ARM A(2, 1)
JB = 4, 71 < 20,05 (2) = 5, 99
JB = 4, 05 < 20,05 (2) = 5, 99
No se rechaza H0
No se rechaza H0
Ambos modelos propuestos satisfacen los contrastes de diagnostico por lo que ambos recogen la
estructura de la serie Pieles de Lince
on de tabaco.
Estos son los resultados de estimar dos modelos para la serie Ln(Produccion).
para la variable uhat1 (113 observaciones validas) MA(1)
Media
Mediana
Mnimo
0, 00227119
0, 00881448
0, 550063
Desv. Tp.
C.V.
Asimetra
0, 166397
73, 2644
0, 0241193
Maximo
0, 650369
Exc. de curtosis
2, 14855

para la variable uhat2 (113 observaciones validas) MA(2)
Media
Mediana
Mnimo
0, 00226524
0, 00864620
0, 550058
Desv. Tp.
C.V.
Asimetra
0, 166395
73, 4557
0, 0253168
80
Maximo
0, 649804
Exc. de curtosis
2, 14227
An
SARRIKO-ON 4/09
Modelo ARIMA(0,1,1)
Modelo ARIMA(0,1,2)
Residuos de la regresin (= L_Produccion observada estimada)
Residuos de la regresin (= L_Produccion observada estimada)
0.6
0.6
0.4
0.4
0.2
0.2
residuo
0.8
residuo
0.8
0.2
0.2
0.4
0.4
0.6
0.6
1880
1900
1920
1940
1960
1980
1880
1900
1920
1940
1960
1980
FAC de los residuos
FAC de los residuos

1
+- 1,96/T^0,5
0.5
0.5
-0.5
-0.5
+- 1,96/T^0,5
-1
-1
0
10
15
20
retardo
25
30
35
= 0, 0025FACP de los residuos

a
at = 0, 145
1
Normalidad: JB = 2,49
0.5
Autocorrelacion: Q(15) = 10,86

0
15
20
retardo
25
30
Normalidad: JB = 2,59
0.5
Q(36) = 18,59
10
35
a
= 0, 0028
at = 0, 145
+- 1,96/T^0,5
Autocorrelaci
on: Q(15) = 10,86
0
+- 1,96/T^0,5
Q(36) = 18,58
-0.5
-0.5
Matriz de covarianzas de los coeficientes

(Modelo MA(1)).
-1
-1
0
10
15
20
retardo
25
30
const
1, 96917e-05
35theta
1
6, 82024e-07
0, 00376769
10
15
const
theta 1
20
retardo
25
30
Matriz de covarianzas de los coeficientes (Modelo MA(2)).

const
1, 97140e-05
theta 1
1, 90397e-06
0, 00982488
theta 2
1, 50197e-06
0, 00737726
0, 00899385
const
theta 1
theta 2
Pregunta: Qu
e modelo de los dos propuestos seleccionaras para la serie Producci
on de tabaco?
81
35
SARRIKO-ON 4/09
An
Ap
endice A. Datos.
Cuadro 5.4: Pieles de lince (1821-1930)

A
no
Pieles
A
no
Pieles
A
no
Pieles
A
no
Pieles
A
no
Pieles
A
no
Pieles
1821
1822
1823
1824
1825
1826
1827
1828
1829
1830
1831
1832
1833
1834
1835
1836
1837
1838
1839
269
321
585
871
1475
2821
3928
5943
4950
2577
523
98
184
279
409
2285
2685
3409
1824
1840
1841
1842
1843
1844
1845
1846
1847
1848
1849
1850
1851
1852
1853
1854
1855
1856
1857
1858
409
151
45
68
213
546
1033
2129
2536
957
361
377
225
360
731
1638
2725
2871
2119
1859
1860
1861
1862
1863
1864
1865
1866
1867
1868
1869
1870
1871
1872
1873
1874
1875
1876
1877
684
299
236
245
552
1623
3311
6721
4254
687
255
473
358
784
1594
1676
2251
1426
756
1878
1879
1880
1881
1882
1883
1884
1885
1886
1887
1888
1889
1890
1891
1892
1893
1894
1895
1896
299
201
229
469
736
2042
2811
4431
2511
389
73
39
49
59
188
377
1292
4031
3495
1897
1898
1899
1900
1901
1902
1903
1904
1905
1906
1907
1908
1909
1910
1911
1912
1913
1914
1915
587
105
387
758
1307
3465
6991
6313
3794
1836
345
382
808
1388
2713
3800
3091
2985
790
1916
1917
1918
1919
1920
1921
1922
1923
1924
1925
1926
1927
1928
1929
1930
674
81
80
108
229
1132
2432
3574
2935
1537
529
485
662
1000
1590
82
An
SARRIKO-ON 4/09
Cuadro 5.5: Produccion de tabaco (1872-1984)

A
no
Pieles
A
no
Pieles
A
no
Pieles
A
no
Pieles
A
no
Pieles
A
no
Pieles
1872
1873
1874
1875
1876
1877
1878
1879
1880
1881
1882
1883
1884
1885
1886
1887
1888
1889
1890
327
385
382
217
609
466
621
455
472
469
426
579
509
580
611
609
469
661
525
1891
1892
1893
1894
1895
1896
1897
1898
1899
1900
1901
1902
1903
1904
1905
1906
1907
1908
1909
648
747
757
767
767
745
760
703
909
870
852
886
960
976
857
939
973
886
836
1910
1911
1912
1913
1914
1915
1916
1917
1918
1919
1920
1921
1922
1923
1924
1925
1926
1927
1928
1054
1142
941
1117
992
1037
1157
1207
1326
1445
1444
1509
1005
1254
1518
1245
1376
1289
1211
1929
1930
1931
1932
1933
1934
1935
1936
1937
1938
1939
1940
1941
1942
1943
1944
1945
1946
1947
1373
1533
1648
1565
1018
1372
1985
1302
1163
1569
1386
1881
1460
1262
1408
1406
1951
1991
1315
1948
1949
1950
1951
1952
1953
1954
1955
1956
1957
1958
1959
1960
1961
1962
1963
1964
1965
1966
2107
1980
1969
2030
2332
2256
2059
2244
2193
2176
1668
1736
1796
1944
2061
2315
2344
2228
1855
1967
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1887
1968
1710
1804
1906
1705
1749
1742
1990
2182
2137
1914
2025
1527
1786
2064
1994
1429
83
SARRIKO-ON 4/09
An
Ap
endice B. Contraste de Dickey-Fuller
Tablas de valores crticos del estadstico de Dickey-Fuller
Modelo sin constante
T
Nivel de significacion
0,01
0,025
0,05
0,10
0,9
0,95
0,975
0,99
25
-2,66
- 2,26
-1,95
-1,60
0,92
1,33
1,70
2,16
50
-2,62
- 2,25
-1,95
-1,61
0,91
1,31
1,66
2,08
100
-2,60
- 2,24
-1,95
-1,61
0,90
1,29
1,64
2,03
250
-2,58
- 2,24
-1,95
-1,62
0,89
1,29
1,63
2,01
500
-2,58
- 2,23
-1,95
-1,62
0,89
1,28
1,62
2,00
-2,58
- 2,23
-1,95
-1,62
0,89
1,28
1,62
2,00
Por ejemplo, para un tama

no de muestra T = 25 y = 0, 01, se tiene que
P rob(t < 2, 66) = 0, 01.
Modelo con constante

T
Nivel de significacion
0,01
0,025
0,05
0,10
0,9
0,95
0,975
0,99
25
-3,75
- 3,33
-3,00
-2,63
-0,37
0,00
0,34
0,72
50
-3,58
- 3,22
-2,93
-2,60
-0,40
-0,03
0,29
0,66
100
-3,51
- 3,17
-2,89
-2,58
-0,42
-0,05
0,26
0,63
250
-3,46
- 3,14
-2,88
-2,57
-0,42
-0,06
0,24
0,62
500
-3,44
- 3,13
-2,87
-2,57
-0,43
-0,07
0,24
0,61
-3,43
- 3,12
-2,86
-2,57
-0,44
-0,07
0,23
0,60
Por ejemplo, para un tama

no de muestra T = 25 y = 0, 01, se tiene que
P rob(tc < 3, 75) = 0, 01.
84
Captulo 6
Predicci
on
optima con modelos
ARIMA(p, d, q)
El objetivo es obtener predicciones optimas de Yt en alg
un momento futuro basadas en un
conjunto de informacion dado que en el caso del analisis de series temporales univariante esta
formado por el pasado disponible de la serie temporal
IT = {YT , YT 1 , YT 2 , YT 2 , . . .}
(6.1)
Supongamos que se observa una serie temporal denotada por Yt , para t = 0 hasta t = T , donde
T es la u
ltima observacion de que disponemos. La prediccion de series temporales supone decir
algo sobre el valor que tomara la serie en momentos futuros T + `, donde ` representa el n
umero
de periodos en el futuro que estamos considerando. A la prediccion de YT +` con informacion
hasta el momento T la vamos a denotar por YT (`). Si ` = 1, entonces se predice el valor de
YT +1 y se calcula lo que se denomina predicci
on un periodo hacia adelante. Si ` = 3, entonces
se predice el valor de YT +3 y se calcula la predicci
on tres periodos hacia adelante, etc.
Como estamos considerando que la serie temporal es una realizacion de un proceso estocastico
estacionario, el valor que se quiere predecir, YT +` , es tambien una variable aleatoria. Para
predecir una variable aleatoria, se debera predecir su funcion de distribucion y as poder hacer
afirmaciones tales como: prob(163 < YT +` 190) = 0, 42. Ahora bien, en general, va a ser
muy difcil determinar completamente la forma de la funcion de densidad sin hacer supuestos
muy fuertes y poco realistas sobre la forma de esta funcion. Un objetivo menos ambicioso
sera dise
nar unos intervalos de confianza alrededor del valor YT +` , que nos permitan decir que
prob(B < YT +` A) = 0, 95 . Estos valores A y B permiten poner unos lmites al valor que se
quiere predecir con un grado de confianza de estar en lo cierto suficientemente alto.
Es interesante distinguir entre predicci
on por intervalo que conlleva la construccion de estos
intervalos de prediccion y la predicci
on por punto, que implica simplemente asignar un valor
a YT +` que de alguna manera represente a toda la distribucion de valores. Por ejemplo, una
prediccion por punto sera afirmar que se predice un n
umero de ocupados en el sector industrial
el primer trimestre de 2010 de 120.000. Un ejemplo de la prediccion por intervalo, sera decir:
se predice un n
umero de ocupados en el sector industrial el primer trimestre de 2010 entre
100.000 y 140.000 con una probabilidad de 0,95. Si el metodo de prediccion es bueno y si
pudieramos hacer un secuencia de predicciones de este tipo, es de esperar que el n
umero real de
ocupaados estara fuera de los intervalos construidos solo en un 5 % de los casos.
85
SARRIKO-ON 4/09
An
Por predictor optimo (o prediccion optima) se denomina a aquel que es la mejor en el sentido de
que minimiza una determinada funcion de perdida. Lo mas usual es minimizar el Error Cuadratico Medio de Prediccion, por lo que diremos que YT (`) es un predictor optimo si minimiza el
ECMP, es decir, si cumple que:
E[YT +` YT (`)]2 E[YT +` YT (`)]2
YT (`)
Se puede demostrar que, bajo condiciones de regularidad muy debiles, el predictor por punto
optimo viene dado por la esperanza condicionada al conjunto de informacion:
YT (`) = E[YT +` |IT ] = E[YT +` |YT , YT 1 , YT 2 , YT 3 , . . .] = ET [YT +` ]
es decir, por el valor esperado de la distribucion de YT (`) condicionada la informacion disponible.
Nada garantiza que esta esperanza condicionada sea una funcion lineal del pasado de la serie.
Pero si el proceso sigue una distribucion normal, se puede demostrar que la esperanza condicionada se puede expresar como una funcion lineal del conjunto de informacion, IT . Por lo tanto,
bajo el supuesto de normalidad, el predictor optimo en el sentido de minimizar el ECMP es
lineal. Si no se cumple este supuesto, la proyecci
on lineal de YT +` en su pasado proporcionara
el predictor optimo dentro de la clase de predictores lineales.
La prediccion optima por intervalo se construira a partir de la distribucion del error de prediccion
que, bajo el supuesto de que at RBN (0, 2 ) , es la siguiente:
eT (`) = YT +` YT (`) N (0, V (eT (`)))
Tipificando se obtiene:
YT +` YT (`) 0
p
N (0, 1)
V (eT (`))
De forma que el intervalo de prediccion de probabilidad (1 ) % es:
h
i
p
p
YT (`) N/2 V (eT (`)), YT (`) + N/2 V (eT (`))
6.1.
Predicci
on con modelos estacionarios
Consideremos el modelo lineal general (3.2), M A() y el conjunto de informacion dado por (6.1).
La estrategia de prediccion se va a basar en escribir el valor que se desea predecir, YT +` , tal
y como se genera en funcion del modelo para luego obtener la prediccion optima calculando
la esperanza condicionada al conjunto de informacion. Para la representaci
on medias moviles
general, YT +` viene dado por:
YT +` = aT +` + 1 aT +`1 + 2 aT +`2 + . . . + `1 aT +1 + ` aT + `+1 aT 1 + `+2 aT 2 + . . .
Tomando la esperanza condicionada al conjunto de informacion, se obtiene:
YT (`) = ET [YT +` ] = ` aT + `+1 aT 1 + `+2 aT 2 + `+3 aT 3 + . . .
86
An
dado que:
(
ET (aT +j ) =
SARRIKO-ON 4/09
aT +j
j0
E(aT +j ) = 0
j>0
La perturbacion at es la innovacion en el momento t. Si, dado el conjunto de informacion IT , se

conoce el verdadero valor de Yt , como la parte sistematica se puede predecir mediante el modelo,
d
la perturbacion at = Yt P
S t esta determinada, es fija. Si, dado IT , no se conoce el verdadero
valor de Yt , entonces la innovacion at no esta determinada por el conjunto de informacion, con
lo que su media condicionada sera la misma que su media no condicionada, es decir, cero.
Los errores de prediccion son:
eT (1) = YT +1 YT (1) = aT +1 + 1 aT + 2 aT 1 + 3 aT 2 + . . .
(1 aT + 2 aT 1 + 3 aT 3 + . . .) = aT +1
eT (2) = YT +2 YT (2) = aT +2 + 1 aT +1 + 2 aT + 3 aT 1 + . . .
(2 aT + 3 aT 1 + 4 aT 2 + . . .) = aT +2 + 1 aT +1
... = ...
eT (`) = YT +` YT (`) = aT +` + 1 aT +`1 + 2 aT +`2 + . . . + `1 aT +1 +
+ ` aT + `+1 aT 1 + `+2 aT 2 + . . .
(` aT + `+1 aT 1 + `+2 aT 2 + `+3 aT 3 + . . .) =
= aT +` + 1 aT +`1 + 2 aT +`2 + . . . + `1 aT +1
Los errores de prediccion son una combinaci

on lineal de las perturbaciones futuras aT +` , ` =
1, 2, . . . con valor medio cero:
ET (eT (`)) = ET [aT +` + 1 aT +`1 + 2 aT +`2 + . . . + `1 aT +1 ] = 0
La varianza del error de prediccion o Error Cuadratico Medio de Prediccion viene dado por:
VT (eT (1)) = ET [eT (1)]2 = ET [aT +1 ]2 = 2
VT (eT (2)) = ET [eT (2)]2 = ET [aT +2 + 1 aT +1 ]2 = (1 + 12 ) 2
... = ...
V (eT (`)) = ET [eT (`)]2 = ET [aT +` + 1 aT +`1 + 2 aT +`2 + . . . + `1 aT +1 ]2 =
=
(1 +
12
22
+ ... +
2
`1
)
`1
X
i=0
87
i2
(6.2)
SARRIKO-ON 4/09
An
Como se puede observar la varianza del error de prediccion va creciendo conforme nos alejamos
en el futuro. Ahora bien, si el proceso es estacionario se cumple que:
i2 <
i=1
por lo que esta varianza no crece indefinidamente, sino que tiene una cota maxima finita.
Se puede observar que la perturbacion o innovaci
on at y su varianza 2 tienen una nueva
interpretacion:
- at = Yt Yt1 (1) , es el error de prediccion un periodo hacia adelante.
- V (at ) = 2 , es la varianza del error de prediccion un periodo hacia adelante.
Si el proceso ruido blanco sigue una distribucion normal, se tiene que:
eT (`) = YT +` YT (`) N [0, V (eT (`))]
Por lo que el intervalo de prediccion de probabilidad (1 ) % es:
h
i
YT +1 :
YT (1) N/2 2 ; YT (1) + N/2 2
YT +2 :
..
.
YT +` :
q
YT (2) N/2
2 (1 + 12 )
..
.
v
u
`1
u
X
YT (`) N/2 t 2
i2
YT (2) + N/2
u
`1
u
X
YT (`) + N/2 t 2
i2
i=0
6.1.1.
q
2 (1 + 12 )
i=0
Predicci
on con modelos MA(q).
Comencemos por un modelo de medias moviles sencillo, por ejemplo, el M A(2) de media cero:
Yt = at 1 at1 2 at2
at RBN (0, 2 )
t = 1, 2, . . .
La funcion de prediccion es:

YT +1 = aT +1 1 aT 2 aT 1
YT (1) = ET [YT +1 ] = ET [aT +1 1 aT 2 aT 1 ] = 1 aT 2 aT 1
YT +2 = aT +2 1 aT +1 2 aT
YT (2) = ET [YT +2 ] = ET [aT +2 1 aT +1 2 aT ] = 2 aT 1
88
An
SARRIKO-ON 4/09
YT +3 = aT +3 1 aT +2 2 aT +1
YT (3) = ET [YT +3 ] = ET [aT +3 1 aT +2 2 aT +1 ] = 0
YT (`) = ET [YT +` ] = 0 (= E(Yt )) ` > 2
Por lo tanto, la funcion de prediccion de un M A(2), depende del conjunto de informacion, IT ,
para ` = 1, 2 . A partir de ` > 2 , la prediccion optima viene dada por la media del proceso.
Estos resultados se pueden generalizar facilmente para el modelo M A(q):
Yt = at 1 at1 2 at2 . . . q atq
YT (`) =
at RBN (0, 2 )
YT (1) =
1 aT 2 aT 1 . . . q aT +1q
YT (2) =
...
2 aT 3 aT 2 . . . q aT +2q
...
YT (q) =
q aT
YT (`) =
0 ` = q + 1, q + 2, . . .
t = 1, 2, . . .
Como el modelo M A(2) esta escrito directamente en forma medias moviles, se obtiene la varianza
del error de prediccion aplicando la expresion (6.2) con i = i , i = 1, 2, . . . , q y i = 0, i > q:
V (eT (1)) =
2
V (eT (2)) =
(1 + 12 ) 2
...
...
V (eT (`)) =
2 ) 2
V (eT (q)) = (1 + 12 + 22 + . . . + q1
V (eT (`)) = (1 + 12 + 22 + . . . + q2 ) 2 (= V (Yt )) ` = q + 1, q + 2, . . .

Aunque la varianza del error de prediccion es una funcion creciente de `, el horizonte de prediccion, tiene una cota maxima que viene dada por la varianza no condicionada del proceso y que
se alcanza para ` = q.
Se puede concluir que para un modelo M A(q) las predicciones para los q primeros horizontes
de prediccion, ` = 1, 2, . . . , q , dependen del conjunto de informacion a traves de los errores de
prediccion un periodo hacia adelante aT , aT 1 , . . . , aT +1q , con lo que se mejora la prediccion
respecto de la media no condicionada del proceso porque se predice con una varianza del error
de prediccion menor que la varianza no condicionada del proceso. A partir de ` = q , el conjunto
de informacion no aporta nada a la prediccion porque las predicciones optimas son la media no
condicionada del proceso y la varianza del error de prediccion es la varianza no condicionada del
proceso. Esto significa que, condicionando al conjunto de informacion, se obtienen los mismos
resultados que sin condicionar, luego a partir de ` = q , IT ya no es informativo.
89
SARRIKO-ON 4/09
An
La prediccion por intervalo viene dada por:

h
i
`=1
1 aT 2 aT 1 . . . q aT +1q N/2 2
`=2
...
q
2
2
N/2 (1 + 1 )
2 aT 3 aT 2 . . . q aT +2q
`=q
...
q
h
i
2 )
q aT N/2 2 (1 + 12 + . . . + q1
`>q
q
h
i
2
0 N/2 2 (1 + 12 + . . . + q1
+ q2 )
La amplitud de los intervalos de prediccion va creciendo con `, con el lmite impuesto por
N/2
6.1.2.
q
p
2
2 (1 + 12 + . . . + q1
+ q2 ) = N/2 V (Yt )
Predicci
on con modelos AR(p)
Consideremos el modelo autorregresivo mas sencillo, el AR(1).

Yt = Yt1 + at
at RBN (0, 2 )
t = 1, 2, . . .

YT +1 = YT + aT +1
YT (1) = ET [YT +1 ] = ET [ YT + aT +1 ] = YT
YT +2 = YT +1 + aT +2
YT (2) = ET [YT +2 ] = ET [ YT +1 + aT +2 ] = ET [YT +1 ] = YT (1)
YT +3 = YT +2 + aT +3
YT (3) = ET [YT +3 ] = ET [ YT +2 + aT +3 ] = ET [YT +2 ] = YT (2)
De forma que la funcion de prediccion es:
YT (`) = YT (`),
dado que:
(
ET (YT +j ) =
` = 1, 2, 3, . . .
YT +j
j0
E(YT (j))
j>0
90
(6.3)
An
SARRIKO-ON 4/09
La funcion de prediccion (6.3) recoge una regla de cadena para obtener las predicciones de un
proceso autorregresivo unas en funcion de las otras hasta un futuro indefinido. La trayectoria
de la funcion de prediccion depende de la estructura de la parte autorregresiva:
YT (1) = YT
YT (2) = YT (1) = YT = 2 YT
YT (3) = YT (2) = 2 YT = 3 YT
YT (4) = YT (3) = 3 YT = 4 YT
YT (`) = ` YT
` = 1, 2, 3, . . .
Como el proceso autorregresivo es estacionario, || < 1, y por lo tanto cuando nos alejamos en
el futuro la funcion de prediccion tiende hacia la media no condicionada del proceso:
lm YT (`) = 0 ( = E(Yt ))
Para construir los intervalos de prediccion, se ha de obtener la varianza del error de prediccion.
Para ello es preciso partir del modelo escrito en forma medias moviles. En el caso del AR(1):
(1 L) Yt = at Yt =
1
at
1 L
Yt = (1 + L + 2 L2 + 3 L3 + . . . ) at
Yt = at + at1 + 2 at2 + 3 at3 + . . .
Por lo que la varianza del error de prediccion se obtiene aplicando la formula general (6.2) con
1 = i , i :
V (eT (1)) =
2
V (eT (2)) =
(1 + 2 ) 2
V (eT (3)) = (1 + 2 + (2 )2 ) 2
V (eT (`)) =
V (eT (4)) = (1 + 2 + (2 )2 + (3 )2 ) 2
V (eT (`)) = (1 + 2 + (2 )2 + . . . + (`1 )2 ) 2

La varianza del error de prediccion es monotonamente creciente conforme nos alejamos en el
futuro. Como el proceso es estacionario, esta varianza no crece indefinidamente sino que tiene
una cota superior dada por la varianza no condicionada del proceso:
lm V (eT (`)) = lm 2
h
i
1 + 2 + (2 )2 + . . . + (`1 )2 =
91
2
= V (Yt )
1 2
SARRIKO-ON 4/09
An
La prediccion por intervalo es:

h
`=1
YT N/2
i
2
h
`=2
YT (1) N/2
h
`=3
...
`
YT (2) N/2
2 (1 + 2 )
2 (1 + 2 + (2 )2 )
...
q
2
2
2
2
`1
2
YT (` 1) N/2 (1 + + ( ) + . . . + ( ) )
La amplitud de los intervalos de prediccion va creciendo con `, con el lmite impuesto por
s
N/2
p
2
=
N
V (Yt )
/2
1 2
Los resultados obtenidos para el modelo AR(1) se pueden extender para el modelo AR(p). En
general, las funciones de prediccion de procesos autorregresivos puros, se obtendran a partir de
reglas de cadena:
YT (`) = 1 YT (` 1) + 2 YT (` 2) + 3 YT (` 3) + . . . + p YT (` p),
` = 1, 2, 3, . . .
La funcion de prediccion de un proceso AR(1) utiliza la u

ltima observaci
on YT para obtener
la prediccion un periodo hacia adelante y luego, a partir de esta, se obtienen el resto de las
predicciones. En el caso de un autorregresivo de orden p autorregresivo de orden p, se utilizaran
las p u
ltimas observaciones para obtener las predicciones para ` = 1, 2, . . . , p, y el resto se
obtienen a partir de las p primeras.
6.1.3.
Predicci
on con modelos ARMA(p,q).
Consideremos un modelo ARM A(p, q) sencillo, el ARM A(1, 2):

Yt = + Yt1 + at 1 at1 2 at2
at RBN (0, 2 )
La media de este proceso no es cero si 6= 0 :

E(Yt ) =
92
t = 1, 2, . . .
(6.4)
An
SARRIKO-ON 4/09
Las predicciones por punto son:

YT +1
+ YT + aT +1 1 aT 2 aT 1
YT (1) = ET [YT +1 ] = ET [ + YT + aT +1 1 aT 2 aT 1 ] =
= + YT 1 aT 2 aT 1
YT +2
+ YT +1 + aT +2 1 aT +1 2 aT
YT (2) = ET [YT +2 ] = ET [ + YT +1 + aT +2 1 aT +1 2 aT ] =
= + YT (1) 2 aT
YT +3
+ YT +2 + aT +3 1 aT +2 2 aT +1
YT (3) = ET [YT +3 ] = ET [ + YT +2 + aT +3 1 aT +2 2 aT +1 ] =
= + YT (2)
YT (`) = ET [YT +` ] = + YT (` 1) ` > 2

La estructura de la funcion de prediccion es la siguiente. Las dos primeras predicciones dependen
de la u
ltima observacion YT (parte autorregresiva) y de los u
ltimos errores de prediccion un
periodo hacia adelante aT y aT 1 (parte medias moviles). Para ` > 2, la parte medias moviles
no aparece de forma explcita en la funcion de prediccion, y cada prediccion se va obteniendo de
las anteriores siguiendo una regla en cadena marcada por la parte autorregresiva. Esta funcion
se va acercando a la media del proceso conforme nos alejamos en el futuro:
YT (3) = + YT (2)
YT (4) = + YT (3) = + ( + YT (2)) = (1 + ) + 2 YT (2)
YT (5) = + YT (4) = + ((1 + ) + 2 YT (2)) = (1 + + 2 ) + 3 YT (2)
...
...
YT (`) = + YT (` 1) = (1 + + 2 + . . . + `3 ) + `2 YT (2)
de forma que como el modelo ARM A(2, 1) es estacionario, || < 1 y:
lm YT (`) =
`3
X
i =
i=0
( = E(Yt ))
1
Para obtener la varianza del error de prediccion y, por lo tanto, las predicciones por intervalo,
se deriva la representacion medias moviles infinita:
(1 L) Yt = (1 1 L 2 L2 ) at
Yt =
1 1 L 2 L2
at = (1 + 1 L + 2 L2 + 3 L3 + . . .) at
1 L
93
SARRIKO-ON 4/09
de donde:
An
1 1 L 2 L2
= 1 + 1 L + 2 L2 + 3 L3 + . . .
1 L
1 1 L 2 L2 = (1 L)(1 + 1 L + 2 L2 + 3 L3 + . . .)
e igualando coeficientes:
L
1 L = (1 ) L
1 = 1
1 = 1
L2
2 L2 = (2 1 ) L2 2 = 2 1 2 = 1 2 = ( 1 ) 2
L3
0 L3 = (3 2 ) L3
...
...
Los pesos de la forma medias moviles
k=0
k=1
i =
k=2
k>2
0 = 3 2
3 = 2
infinita son:
0 = 1
1 = 1
2 = 1 2 = ( 1 ) 2
k = k1
con estos pesos se pueden construir los intervalos de prediccion. Como el proceso ARM A(1, 2)
es estacionario, la amplitud de los intervalos
ira creciendo
h
i conforme nos alejamos en el futuro
p
pero con una cota maxima dada por N/2 V (Yt ) .
6.1.4.
Predicciones con modelos estacionarios estimados
Habitualmente no se conoce el proceso que ha generado la serie temporal Yt por lo que hay que
estimarlo con los datos disponibles, obteniendo:
p (L) Yt = q (L) at
t = 1, 2, . . . , T
donde at son los residuos del modelo, pero tambien una estimacion del error de prediccion un
periodo hacia adelante.
Por ejemplo, en el caso del modelo (6.4), la funcion de prediccion estimada sera:
`=1
YT (1) = + YT 1 a
T 2 a
T 1
YT (`) =
`=2
YT (2) = + YT (1) 2 a
T
`>2
YT (`) = + YT (` 1)
94
An
SARRIKO-ON 4/09
Ejemplo 4.1. Modelo M A(2)

Yt = 10, 3 + a
t + 0, 67 a
t1 0, 31 a
t2
t = 1, 2, . . . , T
Funcion de prediccion:
`=1
`=2
YT (`) =
`>2
YT (1) = 10, 3 + 0, 67 a
T 0, 31 a
T 1
YT (2) = 10, 3 0, 31 a
T
t ))
YT (`) = 10, 3 ( = E(Y
Todos los procesos medias moviles finitos son estacionarios y, como se puede observar en la figura
de la izquierda del grafico 6.1, a partir de ` = 2 la funcion de prediccion permanece constante
en la media del proceso con una amplitud constante del intervalo de prediccion.
Grafico 6.1: Proceso MA(2) versus Proceso AR(2)
16
10
14
12
10
AR(2)
AR(2)F
AR(2)F-2*SD
AR(2)F+2*SD
MA(2)
MA2F
MA2F+2*SD
MA2F-2*SD
3
70
72
74
76
78
80
82
84
86
88
90
92
94
96
98
00
02
04
06
08
10
70
75
80
85
90
95
00
05
10
15
20
25
30
35
40
45
50
Ejemplo 4.2. Modelo AR(2)

Yt = 2, 4 + 1, 33 Yt1 0, 69 Yt2 + a
t
Funcion de prediccion:
`=1
`=2
YT (`) =
` = 1, 2, 3, . . .
t = 1, 2, . . . , T
YT (1) = 2, 4 + 1, 33 YT 0, 69 YT 1
YT (2) = 2, 4 + 1, 33 YT (1) 0, 69 YT
YT (`) = 2, 4 + 1, 33 YT (` 1) 0, 69 YT (` 2)
El proceso AR(2) es estacionario:

1 1, 33 L + 0, 69 L2 = 0
L1 , L2 =
1, 33
p
p
p
1, 33 0, 99
1, 33
1, 332 4 0, 69
0, 99
=
=
i = a bi
2 0, 69
1, 38
1, 38
1, 38
95
SARRIKO-ON 4/09
An
p
|L1 | = |L1 | = a2 + b2 =
1, 33
1, 38
2
p
0, 99
+
= 1, 4486 = 1, 2 > 1
1, 38
Por lo que la funcion de prediccion tiende a su media cuando nos alejamos en el futuro:
2, 4
=
= 6, 67
1 1, 33 + 0, 69
1 1 2
t) =
lm YT (`) = E(Y
Este resultado se puede observar claramente en la figura de la derecha del grafico 6.1. La serie
presenta un comportamiento cclico que se refleja en la funcion de prediccion que presenta un
ciclo amortiguado antes de dirigirse sistematicamente hacia la media del proceso.
Ejemplo 4.3. Modelo ARM A(1, 1)
Yt = 9, 3 + 0, 82Yt1 + a
t + 0, 62 a
t1
t = 1, 2, . . . , T

(
YT (`) =
`=1
YT (1) = 9, 3 + 0, 82 YT + 0, 62 a
T
`>2
YT (`) = 9, 3 + 0, 82 YT (` 1)
Grafico 6.2: Funcion de prediccion: ARMA(1,1) estacionario

65
65
60
60
55
55
50
50
45
45
40
40
ARMA(1,1)
ARMA11F
ARMA(1,1)
ARMA11F
ARMA11F+2* SD
ARMA11F-2* SD
35
ARMA11F+2*SD
ARMA11F-2*SD
35
60
65
70
75
80
85
90
95
00
05
10
60
65
70
75
80
85
90
95
00
05
10
15
20
25
30
Como el proceso es estacionario dado que cumple la condicion de que la raz del polinomio
autorregresivo es, en valor absoluto, mayor que la unidad,
1 0, 82 L = 0
L=
1
= 1, 22
0, 82
|L| = |1, 22| > 1
la funcion de prediccion tiende a su media cuando nos alejamos en el futuro:

t) =
lm YT (`) = E(Y
1
96
9, 3
= 51, 67
1 0, 82
An
SARRIKO-ON 4/09
En las figuras del grafico 6.2 se puede observar el comportamiento de la funcion de prediccion
por punto y por intervalo. Las u
ltimas observaciones se encuentran por debajo de la media lo que
lleva a que la funcion de prediccion parta de un valor inferior a la media estimada del proceso. De
forma que la trayectoria de la funcion de prediccion es creciente al principio para dirigirse hacia
la media del proceso donde se va estabilizando. Asimismo, se observa el comportamiento de los
intervalos de prediccion, de amplitud creciente al principio hasta estabilizarse con la varianza
del proceso.
6.2.
Predicci
on con modelos no estacionarios.
La prediccion con modelos no estacionarios ARIM A(p, d, q) se lleva a cabo de la misma manera
que con los modelos estacionarios ARM A(p, q). El predictor por punto optimo de YT +` viene
dado por la esperanza condicionada al conjunto de informacion YT (`) = ET [YT +` ]. Para obtener
esta esperanza condicionada basta con escribir el modelo en forma de ecuacion en diferencias y
obtener las esperanzas condicionadas, sabiendo que:
(
(
YT +j
j0
aT +j
j0
ET [YT +j ] =
ET [aT +j ] =
YT (j)
j>0
0
j>0
Para construir los intervalos de prediccion,
h
i
p
YT (`) N/2 V (eT (`))
donde V (eT (`)) =
`1
X
j2
j=0
el modelo ha de estar escrito en forma M A() ya que j son los pesos del modelo ARIM A
escrito en forma medias moviles.
Para analizar las caractersticas de la funcion de prediccion para modelos no estacionarios
ARIM A(p, d, q), consideremos varios ejemplos sencillos.
Ejemplo 5.1. Modelo ARIM A(0, 1, 1).
Consideremos que la serie Yt ha sido generada por el siguiente modelo:
(1 L) Yt = (1 + L) at
Yt = Yt1 + at + at1
YT (1) = ET [YT +1 ] = YT + aT
YT (2) = ET [YT +2 ] = YT (1) = YT + aT
YT (3) = ET [YT +3 ] = YT (2) = YT (1) = YT + aT
..
..
.
.
YT (`) = ET [YT +` ] = YT (` 1) = YT + aT
97
` = 1, 2, 3, . . .
SARRIKO-ON 4/09
An
Por lo tanto, la funcion de prediccion es una lnea horizontal: pasa por la prediccion un periodo
hacia adelante, YT (1) , que depende del conjunto de informacion a traves de YT y aT y del
parametro del modelo, , y permanece all conforme ` crece.
En el caso del modelo de paseo aleatorio, como = 0 , la funcion de prediccion es:
YT (`) = ET [YT +` ] = YT
` = 1, 2, 3, . . .
Por lo tanto, las predicciones optimas vienen dadas por la u

ltima observaci
on independientemente del horizonte de prediccion (vease la figura izquierda del grafico 6.3).
Se puede demostrar que si la serie Yt ha sido generada por un proceso integrado de orden 1, de
forma que se puede representar mediante un modelo ARIM A(p, 1, q) sin termino independiente
( = 0), la funcion de prediccion cuando ` , tiende a una constante:
YT (`)
KT
Hay que tener en cuenta que K T no es la media del proceso porque como no es estacionario
no tiene una media hacia donde ir, sino que es una constante que depende del conjunto de
informacion y de los parametros AR y M A del modelo.
Obtengamos la funcion de prediccion para un proceso integrado de orden 1 con constante, por
ejemplo, el modelo de paseo aleatorio con deriva (4.5).
YT (1) = ET [YT +1 ] = YT +
YT (2) = ET [YT +2 ] = YT (1) + = YT + 2
YT (3) = ET [YT +3 ] = YT (2) + = YT + 3
..
..
.
.
YT (`) = ET [YT +` ] = YT (` 1) + = YT + `
` = 1, 2, 3, . . .
La funcion de prediccion es una linea recta de pendiente (ve

ase la figura derecha del grafico 6.3).
Se puede demostrar que si la serie Yt ha sido generada por un proceso integrado de orden 1, de
forma que se puede representar mediante un modelo ARIM A(p, 1, q) con termino independiente
( 6= 0), la funcion de prediccion tiende a una lnea recta cuando ` ,
YT (`)
KT + `
La pendiente de la funcion de prediccion viene dada por la constante y el intercepto, K T ,

depende del conjunto de informacion y de los parametros del modelo.
En lo que se refiere a la prediccion por intervalo para modelos no estacionarios, las figuras
del grafico 6.3 muestran como la amplitud de los intervalos de prediccion para los modelos
ARIM A(p, d, q) crece indefinidamente conforme el horizonte de prediccion ` se hace mayor. Hay
que tener en cuenta que cuando el proceso no es estacionario el lmite lm` V [eT (`)] no
existe.
98
An
SARRIKO-ON 4/09
Grafico 6.3: Modelos ARIMA: Funciones de prediccion.

30
P.A.
P.A.F
P.A.D.
P.A.D.F
P.A.F+2*SD
P.A.F-2*SD
P.A.D.+2*SD
P.A.D.-2*SD
150
20
10
100
50
-10
-20
-30
1760
1110 1120 1130 1140 1150 1160 1170 1180 1190 1200 1210 1220 1230 1240 1250 1260 1270 1280 1290 1300
1780
1800
1820
1840
1860
1880
1900
1920
1940
1960
1980
2000
2020
2040
Para calcular la V [eT (`)] de un modelo no estacionario ARIM A(p, d, q) es necesario escribir
el modelo en forma M A(). Pongamos como ejemplo el modelo de paseo aleatorio (4.4) que,
escrito en forma M A() queda como sigue:
Yt = at + at1 + at2 + at3 + . . .
de forma que
j = 1 j
La varianza del error de prediccion es:

V [eT (1)] =
0
X
j2 = 2
j=0
V [eT (2)] = 2
1
X
j2 = 2 (1 + 1) = 2 2
j=0
V [eT (3)] = 2
2
X
j2 = 2 (1 + 1 + 1) = 3 2
j=0
..
.
..
.
V [eT (`)] = 2
`1
X
j2 = 2 (1 + 1 + ... + 1) = ` 2
` = 1, 2, 3, . . .
j=0
que no tiene lmite finito.

Por u
ltimo, considerando el caso de procesos integrados de orden 2, ARIM A(p, 2, q), su funcion
de prediccion final toma la forma:
YT (`)
K1T + K2T `
Es decir, conforme el horizonte de prediccion aumenta y nos alejamos en el futuro la funcion

de prediccion tiende a una lnea recta donde tanto el intercepto, K1T , como la pendiente, K2T ,
dependen del conjunto de informacion y de los parametros del modelo. Por lo tanto, aunque la
99
SARRIKO-ON 4/09
An
estructura de esta funcion de prediccion es la misma que la de los modelos ARIM A(p, 1, q) con
termino independiente (por ejemplo, la funcion de prediccion del paseo aleatorio con deriva),
esta funcion de prediccion es mas flexible.
100
Captulo 7
Modelos ARIMA estacionales
Muchas series economicas si se observan varias veces a lo largo del a
no, trimestral o mensualmente, presentan comportamiento estacional. Este tipo de comportamiento puede ser debido
a factores metereologicos, tales como la temperatura, pluviosidad, etc. que afectan a muchas
actividades economicas como el turismo; a costumbres sociales como las Navidades que estan
muy relacionadas con cierto tipo de ventas como juguetes; a fenomenos sociales como el caso del
ndice de produccion industrial que en este pas desciende considerablemente todos los a
nos el
mes de agosto debido a las vacaciones, etc.
A la hora de elaborar el modelo ARIMA adecuado para una serie temporal se ha de tener en
cuenta el comportamiento estacional, si lo hubiere, porque implica que la observaci
on de un mes
y observacion del mismo mes del a
no anterior tienen una pauta de comportamiento similar por lo
que estaran temporalmente correlacionadas. Por lo tanto, el modelo de series temporales ARIMA
apropiado para este tipo de series debera recoger las dos clases de dependencia intertemporal
que presentan, a saber
la relacion lineal existente entre observaciones sucesivas (comportamiento tendencial o
regular) y
nos sucesivos (compor la relacion lineal existente entre observaciones del mismo mes en a
tamiento estacional).
El objetivo de este tema es extender los modelos ARIMA estudiados en los captulos 3 y 4 para
las series con comportamiento estacional.
Supongamos que la serie Yt presenta un componente estacional y se especifica un modelo
ARIM A(p, d, q) general:
p (L) Yt = q (L) at
Para recoger las dos estructuras de correlacion anteriormente mencionadas, la regular y la estacional, bastara con a
nadir al modelo los retardos de Yt y at necesarios. As, si la serie estacional
es mensual y se quiere representar, ademas de la dependencia entre observaciones consecutivas,
la autocorrelacion entre observaciones del mismo mes separadas un a
no, dos a
nos, etc. sera necesario incluir en el modelo retardos hasta de orden 12, 24, etc. con lo que esto supone de aumento
en el n
umero de los parametros del modelo. As, por ejemplo, un modelo sencillo para una serie
estacional, un ARM A(12, 12), contiene 24 parametros desconocidos. Como se ha discutido en
el captulo 5, uno de los criterios que se ha de seguir al construir un modelo ARIM A es el de
101
SARRIKO-ON 4/09
An
parsimonia, es decir, buscar el modelo mas sencillo y con el menor n

umero de parametros posible
que reproduzca las caractersticas de la serie. Por lo tanto, en este captulo se derivar
an modelos
capaces de recoger el comportamiento estacional pero con un n
umero peque
no de parametros,
es decir, mas parsimoniosos.
Antes de especificar un modelo apropiado, dentro del marco ARIM A, para una serie con tendencia y estacionalidad comenzaremos por estudiar las caractersticas de la dependencia lineal
estacional a traves de unos modelos muy sencillos, los modelos estacionales puros.
7.1.
Modelos estacionales puros
Se entiende por modelo estacional puro aquel que recoge u

nicamente relaciones lineales entre
observaciones del mismo mes para a
nos sucesivos, es decir, entre observaciones separadas s periodos o m
ultiplos de s, donde s = 4 si la serie es trimestral y s = 12 si la serie es mensual. Por
lo tanto, en estos modelos, para simplificar, se parte del supuesto de que no existe estructura
regular, es decir, correlacion entre observaciones consecutivas. Como este supuesto es poco realista, este tipo de modelos no va a ser muy u
til en la practica pero su estudio permitira identificar
en que retardos de la funcion de autocovarianzas y/o autocorrelacion se refleja la estructura de
tipo estacional de una serie. Se denotaran, en general, ARM A(P, Q)s , donde P es el orden del
polinomio autorregresivo estacionario y Q es el orden del polinomio medias moviles invertible.
Vamos a analizar las caractersticas de los modelos estacionales puros especficos para un proceso
Yt estacionario y con estacionalidad trimestral, s = 4.
Modelo M A(1)4
Yt = (1 L4 ) at
Yt = at at4
En este proceso, el valor de Y en el momento t depende de la perturbacion contemporanea y

de la perturbacion del mismo trimestre del a
no anterior. Como este proceso es un modelo de
medias moviles finito es estacionario para cualquier valor de y su media es cero. El proceso
sera invertible si y solo si las cuatro races del polinomio de medias moviles tienen modulo fuera
del crculo unidad.
Las autocovarianzas vienen dada por:
0 = V (Yt ) = E[Yt ]2 = E[at at4 ]2 = (1 + 2 ) 2
1 = Cov(Yt Yt1 ) = E[Yt Yt1 ] = E[(at at4 )(at1 at5 )] = 0
k = Cov(Yt Ytk ) = E[Yt Ytk ] = E[(at at4 )(atk at4k )] = 0, k > 4
Por lo tanto, la funcion de autocovarianzas y la funcion de autocorrelacion son las siguientes:
102
An
Retardo
SARRIKO-ON 4/09
FACV
FAC
k=0
0 = (1 + 2 ) 2
0 = 1
k=4
4 = 2
4 =
k 6= 4
k = 0
k = 0
(1 + 2 )
Se puede observar que, como para todo modelo de medias moviles finito, la funcion de autocorrelacion se trunca y se hace cero a partir de un determinado retardo. Como el orden de la media
movil es uno, solo un coeficiente de autocorrelacion es distinto de cero y el resto son nulos, pero
como la estructura de correlacion temporal es estacional, este coeficiente de autocorrelacion no
nulo es el asociado a k = s = 4 (vease el grafico 7.1). Denominemos retardos estacionales a
los asociados con s y m
ultiplos de s: k = s, 2s, 3s, . . . ., para distinguirlos as de la estructura
regular, existente entre las observaciones sucesivas y que se refleja fundamentalmente para los
retardos mas cortos: k = 1, 2, 3, . . . . Por lo tanto, la estructura de la funcion de autocorrelacion
de un M A(1)4 es la siguiente: funcion truncada en el primer retardo estacional.
Grafico 7.1: Funcion de autocorrelacion. Modelo M A(1)4
1
Parmetro MA = 0,7
0,8
Parmetro MA = -0,7
0,8
0,6
0,6
0,4
0,4
0,2
0,2
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,2
-0,4
-0,4
-0,6
-0,6
-0,8
-0,8
-1
-1
10
11
12
13
14
15
16
17
18
19
20
Generalizando el resultado obtenido para el modelo M A(1)4 , se puede demostrar que la estructura de la funcion de autocorrelacion para un modelo de medias moviles, M A(Q)s :
Yt = Q (Ls ) at = (1 1 Ls 2 L2s . . . Q LQs ) at
Yt = at + 1 ats + 2 at2s + . . . + Q atQs
es como sigue:
k=0
k = s, 2s, . . . , Qs
k =
k 6= s, 2s, . . . , Qs
0 = 1
k 6= 0
k = 0
Es decir, un proceso de medias moviles de orden Q, tendra Q coeficientes de autocorrelacion

diferentes de cero, correspondientes a los Q primeros retardos estacionales, k = s, 2s, . . . , Qs, y
el resto son cero. La funcion de autocorrelacion es, por lo tanto, finita, truncandose a partir del
Q-esimo retardo estacional, es decir, para k = Qs .
103
SARRIKO-ON 4/09
An
Modelo AR(1)4 :
(1 L4 ) Yt = at
Yt = Yt4 + at
En este proceso, el valor de Y en el momento t depende de la perturbacion contemporanea

y del valor pasado de la serie Y en el mismo trimestre del a
no anterior. Como es un modelo
autorregresivo finito es invertible para cualquier valor de y su media es cero. El proceso
sera estacionario s y solo s las cuatro races del polinomio autorregresivo tienen modulo fuera
del crculo unidad.
Las autocovarianzas son:
0 = V (Yt ) = E[Yt ]2 = E[Yt4 + at ]2 = 2 0 + 2 =
2
1 2
1 = Cov(Yt Yt1 ) = E[Yt Yt1 ] = E[(Yt4 + at )Yt1 ] = 0

8 = Cov(Yt Yt8 ) = E[Yt Yt8 ] = E[(Yt4 + at )Yt8 ] = 4 = 2 0
... = ...
De lo que se deduce que la funcion de autocovarianzas y, como consecuencia, la funcion de
autocorrelacion son:
Retardo
FACV
FAC
k = 4.j, j = 1, 2, . . .
2
1 2
k = k/4 0
k = k/4
k 6= 4.j, j = 1, 2, . . .
k = 0
k = 0
k=0
0 =
0 = 1
La funcion de autocorrelacion es, por lo tanto, infinita y decrece como una funcion exponencial
del parametro , siendo nulos los coeficientes de autocorrelacion asociados a valores de k no
estacionales, k 6= j4. Como se puede observar en el grafico 7.2 si el parametro es positivo, todos
los coeficientes de autocorrelacion no nulos son positivos, mientras que si es negativo los
coeficientes van alternando de signo.
El modelo AR(P )s , P (Ls ) Yt = at , se puede escribir en forma extendida como:
Yt = 1 Yts + 2 Yt2s + . . . + P YtP s + at
104
An
SARRIKO-ON 4/09
Grafico 7.2: Funcion de autocorrelacion. Modelo AR(1)4

1
Parmetro AR = 0,7
0,8
Parmetro AR = - 0,7
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0
1
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,2
-0,4
-0,4
-0,6
-0,6
-0,8
-0,8
-1
-1
10
11
12
13
14
15
16
17
18
19
20
A partir de los resultados para el modelo AR(1)s se puede generalizar que su funcion de autocorrelacion es infinita y decrece exponencialmente o en forma onda seno-coseno amortiguada,
pero con valores no nulos u
nicamente para los retardos estacionales, k = s, 2s, 3s, . . . .
Modelo ARM A(1, 1)4 .
(1 L4 ) Yt = (1 L4 ) at
Yt = Yt4 + at at4
En los procesos generados por este modelo ARMA estacional puro el valor de Y en el momento
t depende del valor pasado de Y del mismo trimestre del a
no anterior, de la perturbacion
contemporanea y su retardo correspondiente al mismo trimestre de hace un a
no. Este modelo
sera estacionario cuando las cuatro races del polinomio autorregresivo tengan modulo fuera del
crculo unidad y sera invertible cuando las cuatro races del polinomio de medias moviles tengan
modulo fuera del crculo unidad.
Es facil demostrar que la media de este proceso estacionario es cero y sus autocovarianzas
0 = V (Yt ) = E[Yt ]2 = E[Yt4 + at at4 ]2 =
= 2 0 + 2 + 2 2 2 2
0 =
2 (1 + 2 2)
1 2
1 = Cov(Yt Yt1 ) = E[Yt Yt1 ] = E[(Yt4 + at at4 )Yt1 ] = 0

4 = Cov(Yt Yt4 ) = E[Yt Yt4 ] = E[(Yt4 + at at4 )Yt4 ] = 0 2
6 = Cov(Yt Yt6 ) = E[Yt Yt6 ] = 7 = Cov(Yt Yt7 ) = E[Yt Yt7 ] = 0
... = ...
105
SARRIKO-ON 4/09
An
De donde se deducen la funcion de autocovarianzas y de autocorrelacion siguientes:

Retardo
FACV
FAC
(1 + 2 2) 2
1 2
0 = 1
k=0
0 =
k=4
4 = 0 2
4 =
k = 4.j, j = 2, 3, . . .
k = k4
k = k4
k 6= 4.j, j = 1, 2, . . .
k = 0
k = 0
( )(1 )
1 + 2 2
En el grafico 7.3 se representan las funciones de autocorrelacion para los siguientes modelos
ARM A(1, 1)4 :
(A) Yt = 0, 7 Yt4 + at + 0, 4 at4
(B) Yt = 0, 3 Yt4 + at 0, 8 at4
Grafico 7.3: Funcion de autocorrelacion. Modelos ARM A(1, 1)4

1,2
Modelo A
Modelo B
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0
1
0
1
10
11
12
13
14
15
16
17
18
19
20
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,2
-0,4
-0,4
-0,6
-0,6
-0,8
-0,8
-1
-1
En ambas figuras de este grafico se observa que la funcion es infinita y decrece exponencialmente
tomando valores no nulos u
nicamente en los retardos estacionales. La estructura que puede tomar
esta FAC infinita es mas compleja que la del AR(1)4 porque el primer coeficiente estacional de la
FAC depende tanto de la parte autorregresiva como medias moviles del modelo. Luego, a partir
del segundo retardo estacional la trayectoria de la FAC depende solo de la parte autorregresiva.
Por eso, podemos tener FAC con todos los coeficientes positivos o todos negativos, o alternando
de signo.
A partir de estos resultados se puede generalizar que la funcion de autocorrelacion de un modelo
ARM A(P, Q)s :
(1 P Ls ) Yt = (1 Q Ls ) at
(1 1 Ls 2 L2s . . . P LP s ) Yt = (1 1 Ls 2 L2s . . . Q LQs ) at
Yt = 1 Yts + 2 Yt2s + . . . + P YtP s + at 1 ats + 2 at2s + . . . + Q atQs
106
An
SARRIKO-ON 4/09
La FAC de este modelo es infinita y decrece exponencialmente pero con valores no nulos u
nicamente para los retardos estacionales, k = s, 2s, . . . . Los Q primeros coeficientes de autocorrelacion k , k = s, 2s, 3s, . . . , Qs dependen de los parametros autorregresivos y de medias moviles;
a partir de k = s(Q + 1) las autocorrelaciones se derivan de la estructura autorregresiva exclusivamente, por lo que decreceran exponencialmente o en forma de onda seno-coseno amortiguada
dependiendo de si las s races del polinomio autorregresivo (1 P Ls ) son reales o complejas.
En lo que se refiere a la estructura de la funcion de autocorrelacion parcial de los modelos estacionales puros que estamos estudiando es analoga a la estudiada en el captulo 3 para los modelos
ARM A(p, q) no estacionales, pero en estos modelos aparece solo en los retardos estacionales.
As, se puede demostrar que la FACP de un modelo AR(P )s es finita, toma valores no nulos
u
nicamente en los P primeros retardos estacionales, es decir, y se trunca a partir de k = P s . La
FACP de un modelo M A(Q)s es infinita y decrece exponencialmente tomando valores no nulos
u
nicamente para los retardos no estacionales. Por u
ltimo, la FACP de un modelo ARM A(P, Q)s
sera tambien infinita con valores no nulos solo en los retardos estacionales y tal que los coeficientes de autocorrelacion parcial, pk , asociados a los P primeros retardos estacionales dependen de
los parametros autorregresivos y de medias moviles y a partir de k = (P + 1)s , su estructura
dependera de la parte de medias moviles.
Por lo tanto, podemos concluir que la estructura estacional, es decir, la dependencia temporal
de las observaciones separadas por un a
no, aparece exclusivamente en los coeficientes de autocorrelacion simple y parcial asociados a los retardos estacionales, k = s, 2s, 3s, . . ., siendo nulos
para el resto de los valores k 6= s, 2s, 3s, . . ..
7.2.
Modelos ARMA estacionales no estacionarios
Hasta el momento hemos supuesto que la serie Yt es estacionaria, quizas tras alg
un tipo de
transformacion. En la practica, dado que por estacionalidad entendemos una pauta regular de
comportamiento cclico de periodo 1 a
no de la serie que implica que, en promedio, cada mes
tiene un comportamiento diferente, las series estacionales suelen presentar problemas de falta
de estacionariedad en media o lo que es lo mismo cambios sistematicos en el nivel de la serie.
Si la estacionalidad fuese siempre exactamente periodica, St = Sts se podra eliminar de la serie
como un componente determinista previamente estimado (especificado, por ejemplo, en funcion
de variables ficticias estacionales). Ahora bien, este esquema estacional es muy rgido porque
exige que los factores estacionales estacionales permanezcan constantes a lo largo del tiempo.
Sin embargo, la mayora de las series no se comportan de una forma tan regular y, en general,
el componente estacional sera estocastico y estara correlacionado con la tendencia. Por lo tanto,
un esquema de trabajo mas flexible es suponer que la estacionalidad es solo aproximadamente
constante y que evoluciona estocasticamente:
Yt = St + t
con
St = Sts + t
donde t es un proceso estocastico estacionario.

Para solucionar la no estacionariedad en media que genera el comportamiento estacional, se
toman diferencias entre observaciones separadas s periodos, que llamaremos diferencias estacio107
SARRIKO-ON 4/09
An
nales:
s Yt = (1 Ls ) Yt = St + t Sts ts = t + t ts
de forma que s Yt M A(1)s estacionario e invertible.
En conclusion, el operador s convierte un proceso estacional no estacionario en estacionario, de
forma analoga a como de un proceso no estacionario en media obtenamos una serie estacionaria
aplicando el operador de diferencias de orden 1 o regular, (1 L).
La formulacion general de un modelo para una serie estacional pura no estacionaria es:
s
P (Ls ) D
s Yt = Q (L ) at
(7.1)
En teora, D, el n
umero de las diferencias estacionales que se han de aplicar para convertir a la
serie en estacionaria, puede tomar cualquier valor dependiendo de las caractersticas de la serie,
aunque en la practica nunca es superior a 1.
El modelo (7.1) es un modelo estacional puro que se denomina ARIM A(P, D, Q)s , donde P
es el orden del polinomio autorregresivo estacional estacionario, Q es el orden del polinomio
medias moviles estacional estacionario y D es el n
umero de diferencias estacionales (1 Ls )
que es necesario aplicar a la serie Yt para que sea estacionaria, es decir, el orden de integraci
on
estacional de la serie. De hecho, si la serie Yt sigue el modelo (7.1) se dice que es integrada
estacional de orden D , Yt I(D)s .
El modelo (7.1) no es estacionario, no tiene una media constante y, al igual que para los modelos
lineales no estacionarios en la parte regular, su funcion de autocorrelacion no va a decrecer
rapidamente hacia cero, sino lentamente.
En el grafico 7.4 se representan dos series de 100 observaciones, as como sus correspondientes
correlogramas, generadas a partir de los siguientes modelos:
(A)
Yt = at 0, 4 at4
(B) (1 L4 ) Yt = at 0, 4 at4
Aunque ambos modelos representan series con estructura de dependencia temporal entre observaciones separadas un a
no, el modelo (A) es un M A(1)4 estacionario y el modelo (B) es
un ARIM A(0, 1, 1)4 , lo que implica que la serie Yt no es estacionaria y hay que tomar una
diferencia estacional de orden 4 para transformarla en estacionaria.
El hecho de que la estructura estacional sea estacionaria o no se refleja en las caractersticas de
cada proceso mostradas en las figuras del grafico 7.4. En cuanto a las realizaciones de ambos
procesos, ambas oscilan en torno a una media constante con un comportamiento cclico de
periodo anual. Pero mientras, la evoluci
on cclica estacionaria del modelo (A) es mas irregular y
aleatoria, la mostrada por el modelo (B) es mas persistente y sistematica, reflejando claramente
el hecho de que cada mes tiene una media diferente. Analizando los correlogramas se puede
concluir que el correspondiente al modelo (A) decrece rapidamente hacia cero como corresponde
a un modelo estacionario (de hecho se trunca en el retardo 4, primer retardo estacional), mientras
que si nos fijamos en los coeficientes asociados a los retardos estacionales del correlograma del
modelo (B), se observa que decrecen muy lentamente. Ademas, la no estacionariedad del ciclo
estacional hace que la estructura cclica sistematica de la serie se reproduzca en el correlograma,
108
An
SARRIKO-ON 4/09
apareciendo correlaciones negativas en los retardos js/2, j = 1, 2, . . . que decrecen lentamente

y recogen la relacion lineal inversa entre los valles y los picos del ciclo, etc.
Grafico 7.4: Modelos estacionales estacionarios vs. no estacionarios
45
52
Modelo B
Modelo A
43
41
39
42
37
35
33
32
31
29
27
:3
:4
:2
:3
:4
:1
:2
:3
:4
:1
:2
:3
:4
:1
:2
:3
:4
:1
:2
:3
:4
:1
:2
:3
:4
:1
:2
:3
:4
:1
94
95
19
19
94
19
92
93
19
19
91
19
90
91
19
19
89
19
88
88
19
87
19
19
85
86
19
19
84
85
19
19
83
19
82
82
19
19
81
19
79
80
19
19
79
19
77
78
19
19
76
19
76
75
19
:2
:1
73
74
19
19
19
:3
0,4
73
:4
0,4
19
:1
0,6
72
71
70
0,8
0,6
19
19
0,8
0,2
0,2
0
1
7.3.
19
:3
70
19
:1
:2
:3
:4
:1
:2
:3
:4
:1
:2
:3
:4
:1
:2
:3
:4
:1
:2
:3
:4
:1
:2
:3
:4
:1
:2
:3
:4
:1
:2
:3
:4
95
94
19
19
94
19
92
93
19
19
91
19
90
91
19
19
89
88
19
19
88
19
87
86
19
19
85
19
84
85
19
19
83
19
82
82
19
19
81
19
79
80
19
79
19
19
77
78
19
19
76
76
19
19
75
19
73
74
19
19
73
19
71
70
70
72
19
19
19
19
:4
22
:1
25
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,2
-0,4
-0,4
-0,6
-0,6
-0,8
-0,8
-1
-1
10
11
12
13
14
15
16
17
18
19
20
Modelos ARIMA estacionales multiplicativos
En general, las series economicas ademas del componente estacional, presentan otros componentes, como tendencia, etc. de los que, por otro lado, el componente estacional no es independiente.
Se trata de proponer un modelo ARIM A que recoja no solo las relaciones entre periodos (a
nos)
sino tambien las relaciones dentro de los periodos (intranuales) y la interacci
on entre ambas
estructuras.
Consideremos una serie estacional Yt con periodo s conocido, por ejemplo, una serie mensual
observada durante N a
nos, de forma que en total contamos con T = 12N observaciones. Si
la serie es estacional podemos dividirla en 12 subseries, una por mes, de N observaciones que
denotaremos:
y(1) , y(2) , y(3) , . . . , y(12) ,
= 1, 2, . . . , N
La relacion entre estas subseries y la serie de partida es:
y(j) = Yj+12( 1) = Yt
= 1, 2, . . . , N
j = 1, 2, . . . , 12
(7.2)
Cada una de estas doce subseries no presenta comportamiento estacional por lo que podemos
representarlas mediante los modelos ARIM A(p, d, q) derivados en el captulo 4. Supongamos
(j)
que el modelo ARIM A adecuado para las doce subseries y es el mismo:
(1 1 L . . . p Lp ) (1 L)D y(j) = (1 1 L . . . q Lq ) u(j)
= 1, 2, . . . , N (7.3)
109
SARRIKO-ON 4/09
An
Si hay estacionalidad en la serie de partida Yt se cumple que D 1. Notese que si D = 0 y, por

(j)
lo tanto, las series y fueran estacionarias, todos los modelos (7.3), al ser el mismo, tendran
la misma media, lo que es incompatible con el supuesto de estacionalidad que implica que la
(j)
media de cada mes, o sea de cada subserie y , j = 1, 2, . . . , 12 , es diferente.
Los modelos para las doce subseries, al ser todos iguales, se pueden escribir conjuntamente en
funcion de la serie de partida Yt , teniendo en cuenta que, dada la relacion (7.2):
(j)
L y(j) = y 1 = Yj+12( 2) = Yj12+12( 1) = L12 Yj+12( 1)

(j)
Lo que implica que aplicar el operador L a y

serie original Yj+12( 1) .
es equivalente a aplicar el operador L12 a la
Ademas habra que definir una serie de ruido com

un para las doce subseries, t , asignando a
cada mes t el ruido del modelo univariante correspondiente a dicho mes. En consecuencia, t se
(j)
obtendra a partir de las doce subseries u como sigue:
u(j)
= j+12( 1)
= 1, 2, . . . , N
Aplicando ambos resultados al modelo (7.3), se obtiene el modelo conjunto para toda la serie
mensual, Yt :
(1 1 L12 . . . p L12p ) (1L12 )D y(j) = (1 1 L12 . . . q L12q ) t ,
t = 1, 2, . . . , 12N
(j)
Para cada uno de los modelos (7.3) las series u son, por construccion, ruido blanco, pero la
serie conjunta, t , t = 1, 2, . . . , T , no tiene por que serlo, en general, ya que la mayora de las
veces existira dependencia entre las observaciones contiguas que, como no ha sido todava tenida
en cuenta, quedara recogida en esta serie de ruido. Es lo que se denomina estructura regular o
estructura asociada a los intervalos naturales de medida de la serie (meses en nuestro caso).
Suponiendo que t sigue el modelo ARIM A no estacional siguiente:
p (L) (1 L)d t = q (L) at
at RBN (0, 2 )
Sustituyendo este modelo en el general para Yt se obtiene el modelo completo para la serie
observada:
s
P (Ls ) p (L) d D
(7.4)
s Yt = q (L) Q (L ) at
donde p (L) y q (L) son los polinomios autorregresivos y medias moviles de la parte regular y d
es el orden de integracion de la parte regular; mientras que P (L) y Q (L) son los polinomios
autorregresivos y medias moviles de la parte estacional y D es el orden de integraci
on de la parte
estacional.
Los modelos ARIMA estacionales multiplicativos, ARIM A(p, d, q) (P, D, Q)s . Estos modelos
son flexibles en el sentido de que especifican estacionalidades estocasticas, tendencias estocasticas
y ademas recogen la posible interaccion entre ambos componentes.
Esta clase de modelos, como hemos visto, se basa en la hipotesis central de que la relacion de dependencia estacional es la misma para todos los periodos. Este supuesto no se tiene por que cumplir siempre pero, de todas maneras, estos modelos son capaces de representar muchos fenomenos
110
An
SARRIKO-ON 4/09
estacionales que encontramos en la practica de una forma muy simple. Supongamos, por ejemplo,
que Yt es una serie estacional mensual que sigue el siguiente modelo ARIM A(0, 1, 1)(0, 1, 1)12 ,
denominado Modelo de Lneas Aereas y que es muy utilizado en la practica,
12 Yt = (1 1 L) (1 12 L12 ) at = (1 1 L 12 L12 + 1 12 L13 ) at
Notese que este modelo para la transformacion estacionaria, es un M A(13) con restricciones, de
forma que solo contiene dos parametros desconocidos, en vez de los trece de un M A(13) general.
Lo que muestra que los modelos ARIM A(p, d, q) (P, D, Q)s son modelos muy parsimoniosos.
A continuacion, se derivan las caractersticas de algunos modelos sencillos bajo el supuesto de
que Yt es una serie trimestral con comportamiento estacional y estacionaria, posiblemente tras
aplicar los operadores de diferencias oportunos.
Modelo ARM A(0, 1) (0, 1)4 .
Sea Yt un proceso estocastico estacionario de media cero que sigue el modelo:
Yt = (1 1 L)(1 4 L4 )at
Yt = at 1 at1 4 at4 + 1 4 at5
que se puede considerar la transformacion estacionaria del Modelo de Lneas Aereas para una
serie trimestral.
La media es cero y sus autocovarianzas son:
0 = V (Yt ) = E[Yt 0]2 = E[at 1 at1 4 at4 + 1 4 at5 ]2
= (1 + 12 + 24 + 12 24 ) 2 = (1 + 12 ) (1 + 24 ) 2
1 = Cov(Yt Yt1 ) = E[(Yt 0) (Yt1 0)] =
= E[(at 1 at1 4 at4 + 1 4 at5 )(at1 1 at2 4 at5 + 1 4 at6 )]
= (1 1 24 ) 2 = 1 (1 + 24 ) 2
2 = Cov(Yt Yt2 ) = E[(Yt 0) (Yt2 0)] =
= E[(at 1 at1 4 at4 + 1 4 at5 ) (at2 1 at3 4 at6 + 1 4 at7 )] = 0
3 = Cov(Yt Yt3 ) = E[(Yt 0) (Yt3 0)] =
= E[(at 1 at1 4 at4 + 1 4 at5 ) (at3 1 at4 4 at7 + 1 4 at8 )]
= 1 4 2
4 = Cov(Yt Yt4 ) = E[(Yt 0) (Yt4 0)] =
= (4 12 4 ) 2 = 4 (1 + 12 ) 2
111
SARRIKO-ON 4/09
An
5 = Cov(Yt Yt5 ) = E[(Yt 0) (Yt5 0)] =

= 1 4 2
k = Cov(Yt Ytk ) = E[(Yt 0) (Ytk 0)] =
= E[(at 1 at1 4 at4 + 1 4 at5 )
(atk 1 atk1 4 atk4 + 1 4 atk41 )] = 0
k > 5
Las funciones de autocovarianzas y la de autocorrelacion son:

Retardo
FACV
FAC
k=0
0 = (1 + 12 )(1 + 24 ) 2
0 = 1
k=1
1 = 1 (1 + 24 ) 2
1 =
k=2
2 = 0
2 = 0
k=3
3 = 1 4 2
3 =
1 4
(1 + 12 )(1 + 24 )
k=4
4 = 4 (1 + 12 ) 2
4 =
4
1 + 24
k=5
5 = 1 4 2
5 =
1 4
(1 + 12 )(1 + 24 )
k>5
k = 0
k = 0
1
1 + 12
Modelo ARM A(1, 0) (0, 1)4 .

Sea Yt un proceso estocastico estacionario que sigue el modelo:
(1 L) Yt = (1 4 L4 ) at
Yt = Yt1 + at 4 at4
La media es cero y su varianza es:

0 = V (Yt ) = E[Yt 0]2 = E[ Yt1 + at 4 at4 ]2
= 2 0 + 2 (1 + 24 ) 2 4 E(Yt1 at4 )
Es necesario calcular la covarianza entre at4 e Yt1 :
E(Yt1 at4 ) = E[ Yt2 + at1 4 at5 ] at4 = E(Yt2 at4 )
112
An
SARRIKO-ON 4/09

E(Yt4 at4 ) = E[ Yt5 + at4 4 at8 ] at4 = 2
Por lo que,
E(Yt1 at4 ) = 3 2
y la varianza del proceso es:
0 =
2 (1 + 24 2 4 4 )
1 2
El resto de las autocovarianzas vienen dadas por:

1 = Cov(Yt Yt1 ) = E[(Yt Yt1 )] = E[( Yt1 + at 4 at4 ) Yt1 ] = 0 4 3 2
2 = Cov(Yt Yt2 ) = E[(Yt Yt2 )] = E[( Yt1 + at 4 at4 ) Yt2 ] = 1 4 2 2
3 = Cov(Yt Yt3 ) = E[(Yt Yt3 )] = E[( Yt1 + at 4 at4 ) Yt3 ] = 2 4 2
4 = Cov(Yt Yt4 ) = E[(Yt Yt4 )] = E[( Yt1 + at 4 at4 ) Yt4 ] = 3 4 2
5 = Cov(Yt Yt5 ) = E[(Yt Yt5 )] = E[( Yt1 + at 4 at4 ) Yt5 ] = 4
k = Cov(Yt Ytk ) = E[(Yt Ytk )] = E[( Yt1 + at 4 at4 ) Ytk ] = k1
y las funciones de autocovarianzas y de autocorrelacion son:
Retardo
FACV
FAC
2 (1 + 24 2 4 4 )
1 2
k=0
0 =
k=1
1 = 0 4 3 2
k=2
2 = 1 4 2 2
k=3
3 = 2 4 2
k=4
4 = 3 4 2
4 = 3
k5
k = k1
k = k1
113
0 = 1
1 =
4 3 2
0
4 2 2
0
4 2
3 = 2
0
2 = 1
4 2
0
k 5
SARRIKO-ON 4/09
An
Modelo ARM A(0, 1) (0, 2)4 .

Sea Yt un proceso estocastico estacionario que sigue el modelo:
Yt = (1 1 L)(1 4 L4 8 L8 )at
Yt = at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9
La media es cero y sus autocovarianzas son:
0 = V (Yt ) = E[Yt 0]2 = E[at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 ]2
= (1 + 12 + 24 + 28 + 12 24 + 12 28 ) 2 = (1 + 12 ) (1 + 24 + 28 ) 2
1 = Cov(Yt Yt1 ) = E[(Yt 0) (Yt1 0)] =
= E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 )
(at1 1 at2 4 at5 8 at9 + 1 4 at6 + 1 8 at10 )] = 1 (1 + 24 + 28 ) 2
2 = Cov(Yt Yt2 ) = E[(Yt 0) (Yt2 0)] =
= E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 )
(at2 1 at3 4 at6 8 at10 + 1 4 at7 + 1 8 at11 )] = 0
3 = Cov(Yt Yt3 ) = E[(Yt 0) (Yt3 0)] =
= E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 )
(at3 1 at4 4 at7 8 at11 + 1 4 at8 + 1 8 at12 )] = 1 4 (1 8 ) 2
4 = Cov(Yt Yt4 ) = E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 )
(at4 1 at5 4 at8 8 at12 + 1 4 at9 + 1 8 at13 )] =
= (4 + 4 8 ) (1 + 12 ) 2
5 = Cov(Yt Yt5 ) = E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 )
(at5 1 at6 4 at9 8 at13 + 1 4 at10 + 1 8 at14 )] = 1 4 (1 8 ) 2
6 = Cov(Yt Yt6 ) = E[(Yt 0) (Yt6 0)] =
= E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 )
(at6 1 at7 4 at10 8 at14 + 1 4 at11 + 1 8 at15 )] = 0
7 = Cov(Yt Yt7 ) = E[(Yt 0) (Yt7 0)] =
= E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 )
(at7 1 at8 4 at11 8 at15 + 1 4 at12 + 1 8 at16 )] = 1 8 2
8 = Cov(Yt Yt8 ) = E[(Yt 0) (Yt8 0)] =
= E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 )
(at8 1 at9 4 at12 8 at16 + 1 4 at13 + 1 8 at17 )] = 8 (1 + 12 ) 2
114
An
SARRIKO-ON 4/09
9 = Cov(Yt Yt9 ) = E[(Yt 0) (Yt9 0)] =

= E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 )
(at9 1 at10 4 at13 8 at17 + 1 4 at14 + 1 8 at18 )] = 1 8 2
10 = Cov(Yt Yt10 ) = E[(Yt 0) (Yt10 0)] =
= E[(at 1 at1 4 at4 8 at8 + 1 4 at5 + 1 8 at9 )
(at10 1 at11 4 at14 8 at18 + 1 4 at15 + 1 8 at19 )] = 1 8 2
k = Cov(Yt Ytk ) = E[(Yt 0) (Ytk 0)] =
= E[(at 1 at1 4 at4 + 1 4 at5 )
(atk 1 atk1 4 atk4 + 1 4 atk41 )] = 0
k > 10
Las funciones de autocovarianzas y de autocorrelacion son las siguientes:

Retardo
FACV
FAC
k=0
0 = (1 + 12 )(1 + 24 + 28 ) 2
0 = 1
k=1
1 = (1 )(1 + 24 + 28 ) 2
1 =
k=2
2 = 0
2 = 0
k=3
3 = 1 4 (1 8 ) 2
3 =
1 4 (1 8 )
(1 + 12 ) (1 + 24 + 28 )
k=4
4 = (1 + 12 ) (4 + 4 8 ) 2
4 =
4 (1 8 )
1 + 24 + 28
k=5
5 = 1 4 (1 8 ) 2
5 =
1 4 (1 8 )
(1 + 12 ) (1 + 24 + 28 )
k=6
6 = 0
6 = 0
k=7
7 = 1 4 2
7 =
k=8
8 = 8 (1 + 12 ) 2
8 =
k=9
9 = 1 4 2
9 =
k>9
k = 0
k = 0
115
1
1 + 12
(1 +
1 4
2
1 ) (1 + 24
+ 28 )
8
1 + 24 + 28
(1 +
1 4
2
1 ) (1 + 24
+ 28 )
SARRIKO-ON 4/09
An
En las cuatro figuras del grafico 7.5 se muestran las funciones de autocorrelacion de los siguientes
modelos para la serie Yt estacionaria posiblemente tras alguna transformacion:
Yt = (1 + 0, 4 L) (1 + 0, 7 L4 ) at
(A)
(B) (1 0, 7 L4 ) Yt = (1 + 0, 4 L) at
(1 0, 4 L) Yt = (1 + 0, 8 L4 ) at
(C)
Yt = (1 + 0, 7 L 0, 2 L2 ) (1 + 0, 4 L4 ) at
(D)
Grafico 7.5: Funcion de autocorrelacion. Modelos ARIMA multiplicativos.

1
Modelo A
0,8
Modelo B
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0
1
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,2
-0,4
-0,4
-0,6
-0,6
-0,8
-0,8
-1
-1
10
11
12
13
14
15
16
17
18
19
20
Modelo D
0,8
Modelo C
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0
1
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,2
-0,4
-0,4
-0,6
-0,6
-0,8
-0,8
-1
-1
10
11
12
13
14
15
16
17
18
19
20
Con los resultados derivados para los dos modelos presentados y la ayuda de la figura 7.5, se
puede aproximar la estructura general de la FAC del proceso ARIM A estacional multiplicativo
(7.4):
a) El calculo de la FAC puede llegar a ser muy laborioso, sobre todo si incluye parte autorregresiva y los ordenes de los polinomios autorregresivos regular y/o estacional son altos.
b) La FAC del proceso ARIM A multiplicativo es una mezcla de las FAC correspondientes a
su estructura regular y a su estructura estacional por separado, con terminos de interacci
on
porque ambas estructuras no son independientes.
c) En los retardos mas bajos, k = 1, 2, ..., que recogen la estructura regular (observaciones
contiguas) se reproduce la estructura marcada por los polinomios p (L) y q (L) de la parte
regular. As, si es un M A(1), como en los modelos (A), (B) y (D), se tiene que 1 6= 0
y luego el resto son cero. Mientras que si es un AR(1) como en el modelo (C) la parte
regular es infinita y decrece exponencialmente hacia cero.
d) En los retardos estacionales, k = 2, 2s, 3s, ..., se representa la estructura estacional generada por los polinomios P (L) y Q (L). Para estructuras medias moviles estacionales
116
An
SARRIKO-ON 4/09
como las de los modelos (A) y (C) de forma M A(1)4 , se observa que 4 6= 0 y luego los
siguientes coeficientes estacionales son cero, es decir, 8 = 1 2 = . . . , = 0 son cero. Para el
modelo (D), M A(2)4 , sin embargo, los dos primeros coeficientes estacionales, 4 , 8 , son
distintos de cero y el resto son cero. En los modelos con estacionalidad autorregresiva la
FAC es infinita para los retardos estacionales y decrece exponencialmente (ve
ase modelo
(B)).
e) Alrededor de los retardos estacionales se observa la interacci
on entre la estructura regular
y la estacional que se manifiesta en la repeticion a ambos lados de cada retardo estacional
de la funcion de autocorrelacion simple de la parte regular.
En los modelos (A), (B) y (D) la parte regular es un M A(1), por lo que s1 = s+1 6= 0. Si
la parte regular fuera, en cambio, un M A(2), apareceran a ambos lados de cada retardo
estacional no nulo 2 coeficientes distintos de cero. Por u
ltimo, si la parte regular es un
AR(1) como en el modelo (C), a ambos lados de los retardos estacionales se observa el
decrecimiento exponencial impuesto por esta estructura autorregresiva. Notese que para
este modelo los coeficientes 1 , 2 , 3 y4 recogen por un lado la estructura regular de la
serie y la de interaccion entre la parte regular y la parte estacional.
Para completar la descripcion de las caractersticas de los procesos estacionales multiplicativos,
se va a tratar la estructura de la funcion de autocorrelacion parcial (FACP) de un modelo
ARM A(p, q) (P, Q)s :
a) La FACP del proceso multiplicativo es una mezcla de las FACP correspondientes a su
estructura regular y a su estructura estacional por separado, con un componente de interaccion porque ambas no son independientes.
b) En los retardos mas bajos, k = 1, 2, ..., que recogen la estructura regular se reproduce la
estructura marcada por los polinomios p (L) y q (L) de la parte regular. Si es un M A(q)
o un ARM A(p, q) presentara el decaimiento rapido y continuado caracterstico de estos
modelos, mientras que si fuera un AR(p) se truncara en el retardo p.
c) En los retardos estacionales, k = s, 2s, 3s, ..., se representa la estructura estacional generada por los polinomios P (L) y Q (L). Si es un M A(Q)s o un ARM A(P, Q)s presentara
el decaimiento rapido y continuado caracterstico de estos modelos, mientras que si fuera
un AR(P ) se truncara en el retardo k = P s.
d) Alrededor de los retardos estacionales se observa la interacci
on entre la parte regular y la
estacional que se manifiesta como sigue:
A la derecha de cada coeficiente estacional, k = js + 1, js + 2, ..., se reproduce la
FACP de la parte regular. Si el coeficiente estacional es positivo la FACP regular
aparece invertida, mientras que si es negativo la FACP regular aparece con su propio
signo.
A la izquierda de los coeficientes estacionales, k = js 1, js 2, ..., se reproduce la
FAC de la parte regular.
117
SARRIKO-ON 4/09
7.4.
An
Modelizaci
on ARIMA estacional.
La metodologa para construir el modelo ARIM A(p, d, q)(P, D, Q)s apropiado para la serie estacional Y1 , Y2 , . . . , YT consta de las fases de Identificaci
on, Estimacion, Validaci
on y Prediccion.
Se ilustrara el proceso de construccion del modelo con una serie clasica en la literatura, Pasajeros
de Lneas Aereas, serie mensual observada desde Octubre de 1949 a Septiembre de 1961. Al final
de esta seccion se propone como ejercicio al lector la modelizacion de la serie trimestral ndice
de produccion industrial austraco. Los datos de ambas series se encuentran en el apendice C.
n.
Identificacio
Se trata de proponer el/los modelos ARIM A(p, d, q)(P, D, Q)s que puedan representar la evolucion de la serie Yt . En primer lugar, se analiza la estacionariedad de la serie tanto en varianza
como en media y, despues, para la serie original o aquella transformacion estacionaria de la
misma, se seleccionn los ordenes (p, q) de la estructura regular estacionaria y (P, Q)s de la estructura estacional estacionaria. Por u
ltimo, se estudia la necesidad de incluir o no un termino
independiente en el modelo.
A. Analisis de estacionariedad
El instrumento utilizado para estudiar la estacionariedad en varianza de la serie es su
grafico que permite observar si la variabilidad de la serie es homogenea a lo largo del
tiempo o no. En las series con comportamiento estacional suele suceder que la variabilidad
o amplitud del ciclo estacional crece con la tendencia. Este es el caso de la serie Pasajeros
de Lneas Aereas (Pasajeros) como muestra la figura de la izquierda del grafico7.6. Como
la serie original no es estacionaria en varianza, tomamos la transformacion logartmica que
presenta una variabilidad homogenea en toda la muestra (ve
ase la figura de la derecha
del grafico 7.6). Por lo tanto, consideramos que la serie Ln(P asajeros) es estacionaria en
varianza.
Grafico 7.6: Pasajeros de Lneas Aereas (datos originales y logaritmos).
700
6.6
6.4
600
6.2
6
Ln(pasajeros)
Pasajeros
500
400
5.8
5.6
5.4
300
5.2
5
200
4.8
100
4.6
1950
1952
1954
1956
1958
1960
1950
1952
1954
1956
1958
1960
El analisis de la estacionariedad en media de una serie se lleva a cabo, en general, utilizando tres instrumentos: el grafico, la funcion de autocorrelacion y los contrastes de races
unitarias.
118
An
SARRIKO-ON 4/09
Inspeccionando en primer lugar el grafico de la serie Ln(P asajeros)t , se observa que no

es estacionaria en media porque no oscila en torno a un nivel constante. De hecho, no es
estacionaria porque, por un lado, su tendencia (comportamiento a largo plazo) es creciente
y, por otro lado, presenta un ciclo estacional sistematico con los meses de verano en los
valores maximos del ciclo y los de invierno en los mnimos, con lo que la media de cada mes
es distinta. Por otro lado, la figura superior del grafico 7.7 muestra como el correlograma
de la serie Ln(P asajeros) decrece lentamente hacia cero tanto en la estructura regular
como en la estacional: notese el lento decrecimiento para los tres retardos estacionales: 12,
24 y 36.
Grafico 7.7: Correlogramas de la Ln(Pasajeros) y algunas transformaciones.
FAC de Ln(pasajeros)
1
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
10
15
20
retardo
25
30
35
FAC
de D12
Ln(pasajeros)
FACP
de Ln(pasajeros)
11
+- 1,96/T^0,5
1,96/T^0,5
+-
0.5
0.5
00
-0.5
-0.5
-1-1
00
55
10
10
15
15
20
20
retardo
retardo
25
25
30
30
35
35
FAC
de de
D1D12
D12Ln(pasajeros)
Ln(Pasajeros)
FACP
11
++- 1,96/T^0,5
1,96/T^0,5
0.5
0.5
0
0
-0.5
-0.5
-1
-1
0
0
5
5
10
10
15
15
20
20
retardo
retardo
25
25
30
30
35
35
de D1 D12no
Ln(Pasajeros)
Podemos concluir que la serie en FACP
logaritmos
es estacionaria en media ni en la estructura
regular 1ni en la estacionalidad. Para buscar una transformacio+-n1,96/T^0,5
de la serie que s sea estacionaria,
se
suele
proceder
a
diferenciar
la
serie.
Tomaremos,
en
primer lugar, diferencias
0.5
estacionales para solucionar el problema de la no estacionariedad estacional.
0
La figura izquierda del grafico 7.8 muestra la serie (1 L12 ) Ln(P asajeros) . Ya no se
-0.5
119
-1
0
10
15
20
retardo
25
30
35
SARRIKO-ON 4/09
An
aprecia un comportamiento estacional sistematico y no se observan diferencias de media por

cada mes. Por otro lado, hay que se
nalar tambien que ha desaparecido el comportamiento
tendencial creciente de la serie. Esto es debido a que el operador de diferencias estacional
se puede escribir como:
(1 L12 ) = (1 L) S12 (L) = (1 L) (1 + L + L2 + . . . + L11 )
lo que implica que al tomar diferencias estacionales, estamos eliminando, por un lado, la
estacionalidad no estacionaria mediante el operador S12 (L) que suma las observaciones
de cada a
no, pero al estar aplicando a la vez el operador de diferencias regular, (1 L) ,
se esta actuando tambien sobre la no estacionariedad en tendencia.
Grafico 7.8: Graficos de algunas diferencias de la serie Ln(Pasajeros).
0.35
0.15
0.3
0.1
(1-L) (1-L12) Ln(Pasajeros)
(1-L12) Ln(pasajeros)
0.25
0.2
0.15
0.1
0.05
-0.05
0.05
-0.1
0
-0.05
-0.15
1952
1954
1956
1958
1960
1952
1954
1956
1958
1960
La serie (1 L12 ) Ln(P asajeros) ya no crece sistematicamente sino que parece oscilar
en torno a un nivel pero con grandes rachas de observaciones por encima y por debajo
del promedio. No parece el grafico de una serie estacionaria en media sino el de una serie
que va cambiando de nivel. El analisis de su correlograma (ve
ase la figura intermedia del
grafico 7.7) muestra un decrecimiento hacia cero que no es exponencial en la parte regular,
aunque ya no hay problemas en los retardos estacionales. Este resultado parece indicar
que la serie a
un no es estacionaria en la parte regular.
Por u
ltimo, el contraste ADF para la hipotesis nula de existencia de raz unitaria en la
serie (1 L12 ) Ln(P asajeros) , proporciona el siguiente resultado (ve
ase cuadro 7.1):
tc = 2, 71 > DF0,05 = 2, 89
Por lo que no se rechaza la hipotesis nula de existencia de raz unitaria.
Concluimos que la serie (1 L12 ) Ln(P asajeros) no es estacionaria en la parte regular,
por lo que se toma otra diferencia regular y se analiza la posible estacionariedad de la serie
(1 L)(1 L12 ) Ln(P asajeros) . Se observa que el grafico de esta transformacion de la
serie (vease la figura derecha del grafico 7.8) oscila en torno a una media cero y que su
correlograma (figura inferior del grafico 7.7) decrece rapidamente hacia cero tanto en la
estructura regular como en la estacional.
120
An
SARRIKO-ON 4/09
Cuadro 7.1: Contrastes de races unitarias. (1 L12 )Ln(P asajeros).
Contrastes aumentados de Dickey-Fuller, orden 12, para (1-L12) Ln(Pasajeros):

tama~
no muestral 119 hip
otesis nula de ra
z unitaria: a = 1
modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
Estad
valor p asint
otico 0,07233
Cuadro 7.2: Contrastes de races unitarias. (1 L)(1 L12 )Ln(P asajeros)
Contrastes aumentados de Dickey-Fuller, orden 12, (1-L)(1-L12) Ln(Pasajeros):

tama~
no muestral 118 hip
otesis nula de ra
z unitaria: a = 1
modelo: (1 - L)y = (a-1)*y(-1) + ... + e
Estad
valor p asint
otico 8,807e-006
modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
Estad
valor p asint
otico 0,0001
121
SARRIKO-ON 4/09
An
En lo que se refiere al contraste de races unitarias sobre la serie (1L)(1L12 ) Ln(P asajeros) ,
los resultados del cuadro 7.2 muestran que se:
tc = 4, 44 < DF0,05 = 2, 89
Por lo que se rechaza la hipotesis nula de existencia de raz unitaria.
Podemos concluir que la serie (1 L)(1 L12 ) Ln(P asajeros) es estacionaria, por lo que
la serie Ln(P asajeros) es integrada de orden 1 en la parte regular, d = 1 e integrada de
orden 1 en la parte estacional, D = 1 .
B. Seleccion de los ordenes (p, q) y (P, Q)
La eleccion del / los modelos apropiados para la serie estacionaria se realiza estudiando su
funcion de autocorrelacion simple y parcial (grafico 7.9). El grafico de la funcion de autocorrelacion simple muestra que el primer coeficiente regular significativamente distinto de
cero y que en la parte estacional tambien solo el primer coeficiente, 12 , es significativamente distinto de cero. En la funcion de autocorrelacion parcial se observa que el primer
coeficiente es significativamente distinto de cero, aunque se aprecia una estructura general
exponencial decreciente, y que en la parte estacional el coeficiente p12 es significativamente
distinto de cero y decrecen.
En principio, como tanto en la parte regular como en la estacional observamos que el primer
coeficiente de la FAC es distinto de cero y el resto no son significativos proponemos una
estructura medias moviles de orden 1 para ambas, osea, ARM A(0, 1)(0, 1)12 . Observese
como a ambos lados de los coeficientes estacionales de la FAC se reproduce la estructura
de la parte regular.
Por u
ltimo, para acabar de identificar el/los modelos que pueden haber generado la serie
Pasajeros de lneals aereas, es preciso decidir si es necesario incluir o no un termino independiente. El grafico de la serie (figura derecha del grafico 7.9) parece sugerir que la media
de esta transformacion estacionaria es cero y que, por lo tanto, no hay que a
nadir ninguna
constante. Para confirmar esta conclusion, contrastamos la hipotesis nula de que la media
de la serie Zt = 12 Ln(P asajeros)t es cero, con el estadstico:
t=
Z
Z
Para calcular este estadstico se utilizan los siguientes datos sobre la serie estacionaria
(1 L)(1 L12 )Ln(P asajeros)
Estadsticos principales, usando las observaciones 1949:10 - 1963:09
para la variable (1-L) (1-L12) Ln(Pasajeros) (131 observaciones validas)
Media
Mediana
Mnimo
0, 000290880
0, 000000
0, 141343
0, 140720
Desv. Tp.
C.V.
Asimetra
Exc. de curtosis
157, 619
0, 0381906
1, 14778
0, 0458483
122
Maximo
An
SARRIKO-ON 4/09
Grafico 7.9: FAC y FACP estimadas de la serie estacionaria.

FAC de D1 D12 Ln(Pasajeros)
1
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
10
15
20
retardo
25
30
35
FACP de D1 D12 Ln(Pasajeros)

1
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
10
15
20
retardo
25
30
35
As, se obtiene:
2
(1 + 2 1 + 2 12 ) = 0, 0458 (1 + 2 0, 34 + 2 0, 387) = 0, 0000395
Z2 = V (Z)
(131 1)
t =
0, 000291
= 0, 04628 < 2 t0,025 (130)
0, 006287
Por lo tanto, no se rechaza la hipotesis nula y no se incluye un termino independiente en

el modelo.
En la etapa de Identificacion se ha propuesto el siguiente modelo candidato a haber generado la

serie Pasajeros de lneas aereas:
ARIM A(0, 1, 1)(0, 1, 1)12 :
12 Ln(P asajeros)t = (1 L) (1 L12 ) at
n.
Estimacio
El modelo estimado seg
un el output obtenido con Gretl que se presenta a continuaci
on es:
12 Ln(P asajeros)t = (1 0, 4018 L) (1 0, 5569 L12 ) at
123
SARRIKO-ON 4/09
An
Modelo 1: estimaciones ARIMA utilizando las 131 observaciones 1950:111961:09

Variable dependiente: (1 L)(1 L12 )Ln(P asajeros)
Desviaciones tpicas basadas en el Hessiano
Coeficiente
1
1
Desv. tpica
0,401823
0,556937
0,0896453
0,0731050

Log-verosimilitud
MA
MA (estacional)
estadstico t
Raz
Raz
1
1
Real
2, 4887
1, 7955
Imaginaria
0, 0000
0, 0000
4,4824
7,6183
valor p
0,0000
0,0000
0,000290880
0,0458483
0,00100838
0,00134810
244,696
Modulo
2, 4887
1, 7955
Frecuencia
0, 0000
0, 0000
n.
Validacio
En esta etapa se trata de comprobar de que el modelo propuesto se ajusta bien a los datos y
reproduce la estructura de comportamiento de la serie.
Comenzando por el analisis de los coeficientes, comprobaremos, en primer lugar, si son o no
estadsticamente significativos.
H0 : = 0
Ha : =
6 0
H0 : = 0
Ha : =
6 0
0, 265
=
0, 0699 = | 3, 79| > N0,025 2

:
0, 527

= | 7, 346| > N0,025 2

=

0, 072
El modelo propuesto es estacionario porque es un medias moviles finito y es invertible porque
el modulo de las trece races medias moviles esta fuera del crculo unidad.
124
An
SARRIKO-ON 4/09
Comenzamos el analisis de los residuos con el analisis de la figura izquierda del grafico 7.10 en la
que se observa que los residuos oscilan en torno a cero con una variabilidad bastante homogenea.
Por otro lado, el correlograma de los residuos muestra que ning
un coeficiente de autocorrelacion
esta fuera de la region crtica, por lo que ninguno es significativamente distinto de cero.
Grafico 7.10: Serie: 12 Ln(P asajeros). Estimacion y diagnosticos.
FAC de los residuos
0.15
Residuo
0.1
0.05
0.5
-0.05
-0.5
-0.1
-1
+- 1,96/T^0,5
10
-0.15
1952
1954
1956
1958
1960
15
20
retardo
25
30
35
En cuanto al contraste de significacion conjunto de1 la siguiente hipotesis nula:
+- 1,96/T^0,5
H0 : 1 = 2 = .0.5. . = 36 = 0
El estadstico de Box-Ljung, Q = 43, 75 < 20,05 , 0por lo que no se rechaza la hipotesis nula de
que los 36 primeros coeficientes de autocorrelacion son conjuntamente cero.
-0.5
Estadsticos principales, usando las -1observaciones 1949:10 - 1963:09

0
5
10 v
15
20
25
para la variable uhat1 (131 observaciones
alidas)
30
35
retardo
Media
Mediana
Mnimo
0, 00100838
0, 00280376
0, 118741
0, 112436
Desv. Tp.
C.V.
Asimetra
Exc. de curtosis
0, 0770597
0, 547118
0, 0376848
37, 3715
Maximo
En lo que se refiere al contraste de Jarque-Bera de Normalidad, se tiene que:

JB = 32, 46 > 20,05 (2) = 5, 99
Por lo tanto, podemos concluir que los residuos se comportan como un ruido blanco si bien no
parecen seguir una distribucion normal.
125
SARRIKO-ON 4/09
An
Ejercicio 7.1. Indice de Producci

on Industrial austraco.
Dados los siguientes graficos y tablas, construye del modelo ARIM A(p, d, q)(P, D, Q)s apropiado
para la serie trimestral del Indice de produccion industrial austriaco (IPI) para la que se cuenta
con datos desde el primer trimestre de 1975 hasta el cuarto de 1988 (los datos originales se
encuentran en el apendice C).
n.
Identificacio
A. Analisis de estacionariedad.
Pregunta:
Es la serie estacionaria en varianza? Busca la transformaci
on estacionaria.
Grafico 7.11: Serie: Indice de Produccion Industrial (1975:I - 1988:IV)
140
4.9
130
4.8
4.7
120
4.6
110
4.5
IPI
Ln(IPI)
100
90
4.4
4.3
80
4.2
70
4.1
60
50
3.9
1976
1978
1980
1982
1984
1986
1988
1976
1978
1980
IPI
1982
1984
1986
1988
Ln(IPI)
Pregunta:
Es la serie estacionaria en media? Busca la transformaci
on estacionaria.
0.16
0.08
0.14
0.06
0.12
0.04
0.1
0.02
(1-L) (1-L4) Ln(IPI)
(1-L4) Ln(IPI)
Grafico 7.12: Graficos de diferencias de la serie Ln(IPI).
0.08
0.06
-0.02
0.04
-0.04
0.02
-0.06
0
1976
1978
1980
(1
1982
1984
1986
-0.08
1976
1988
L4 )Ln(IP I)
1978
1980
(1 L)(1
126
1982
1984
1986
L4 )Ln(IP I)
1988
An
SARRIKO-ON 4/09
Grafico 7.13: Correlogramas de diferencias de la serie Ln(IPI).
FAC de Ln(IPI)
1
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
8
retardo
ln(IP I)
10
12
14
16
FACP de Ln(IPI)
1
FAC de D4 Ln(IPI)
+- 1,96/T^0,5
1
0.5
+- 1,96/T^0,5
0.50
0
-0.5
-0.5
-1
-1
8
retardo
8
retardo
4 ln(IP I)
10
12
14
16
10
12
14
16
FACP de D4 Ln(IPI)
1
+- 1,96/T^0,5
FAC de D1 D4 Ln(IPI)
0.51
+- 1,96/T^0,5
0.5
0
-0.50
-0.5
-1
0
8
retardo
8
retardo
-1
4 ln(IP I)
10
12
14
16
10
12
14
16
FACP de D1 D4 Ln(IPI)
1
+- 1,96/T^0,5
0.5
0
127
-0.5
-1
0
8
retardo
10
12
14
16
SARRIKO-ON 4/09
An
Cuadro 7.3: Contrastes de races unitarias.
Contrastes aumentados de Dickey-Fuller, orden 4, para (1 L4 ) Ln(IPI):

tama~
no muestral 47 hip
otesis nula de ra
z unitaria: a = 1
modelo: (1 - L)y = (a-1)*y(-1) + ... + e
Estad
valor p asint
otico 0,3701
modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
on de primer orden de e: 0,005
Estad
valor p asint
otico 0,1428
Contrastes aumentados de Dickey-Fuller, orden 4, para (1 L)(1 L4 ) Ln(IPI):

tama~
no muestral 46 hip
otesis nula de ra
z unitaria: a = 1
modelo: (1 - L)y = (a-1)*y(-1) + ... + e
Estad
valor p asint
otico 0,0001
modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
Estad
valor p asint
otico 0,004838
128
An
SARRIKO-ON 4/09
B. Seleccion de los ordenes (p, q) y (P, Q), y del termino independiente.

Grafico 7.14: FAC y FACP estimadas de la serie 4 ln IP It .
FAC de (1-L) (1-L4) Ln(IPI)
1
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
10
12
14
16
retardo
FACP de (1-L) (1-L4) Ln(IPI)
1
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
8
retardo
10
12
14
16

para la variable D1D4 LnIPI (51 observaciones validas)
Media
Mediana
Mnimo
0, 00113181
0, 00316331
0, 0795702
Desv. Tp.
C.V.
Asimetra
0, 0260694
23, 0334
0, 0446416
Maximo
0, 0788784
Exc. de curtosis
1, 73581
Pregunta:
Qu
e modelo/modelos ARIMA estacionales propones para la serie IPI?
129
SARRIKO-ON 4/09
An
n.
Estimacio
Un investigador ha propuesto los siguientes modelos para la serie IPI:
Modelo A :
(1 L) 4 ln IP It = (1 L4 ) at
Modelo B :
4 ln IP It = (1 L) (1 L4 ) at
Pregunta: Est
as de acuerdo? Por qu
e?
Con los resultados que se presentan a continuaci
on, escribe los modelos estimados.
Modelo A: estimaciones ARIMA utilizando las 51 observaciones 1976:21988:4
Variable dependiente: (1 L)(1 L4 ) Ln(IPI)
Variable
Coeficiente
Desv. tpica
Estadstico t
valor p
1
1
0,353517
0,868740
0,131443
0,177300

Log-verosimilitud
AR
MA (estacional)
Raz
Raz
1
1
Real
2, 8287
1, 1511
2,6895
4,8998
0,0072
0,0000
0,00171446
0,000401395
124,237
Imaginaria
0, 0000
0, 0000
Modulo
2, 8287
1, 1511
Frecuencia
0, 5000
0, 0000
Modelo B: estimaciones ARIMA utilizando las 51 observaciones 1976:21988:4

Variable dependiente: (1 L)(1 L4 ) Ln(IPI)
Variable
1
1
Coeficiente
Desv. tpica
0,296070
0,855573
0,115774
0,161817

Log-verosimilitud
MA
MA (estacional)
Raz
Raz
Estadstico t
1
1
Real
3, 3776
1, 1688
130
2,5573
5,2873
0,00184053
0,000413225
123,660
Imaginaria
0, 0000
0, 0000
Modulo
3, 3776
1, 1688
Frecuencia
0, 0000
0, 0000
valor p
0,0105
0,0000
An
SARRIKO-ON 4/09
n
Validacio
Con los resultados mostrados en los graficos y tablas del cuadro 7.4 contesta a las siguientes
pregunta:
Pregunta:
Se ajustan los modelos a los datos? Qu
e modelo seleccionaras para predecir?
Cuadro 7.4: Serie: 4 ln IP It . Diagnostico.

Modelo ARIM A(1, 1, 0)(0, 1, 1)4
Modelo ARIM A(0, 1, 1)(0, 1, 1)4
Residuos de la regresin (= L_IPI observada estimada)
Residuos de la regresin (= L_IPI observada estimada)
0.06
0.06
0.04
0.04
0.02
0.02
residuo
0.08
residuo
0.08
0.02
0.02
0.04
0.04
0.06
1976
1978
1980
1982
1984
1986
0.06
1976
1988
1978
1980
FAC de los residuos
1982
1984
1986
1988
FAC de los residuos
+- 1,96/T^0,5
0.5
0.5
-0.5
-0.5
-1
+- 1,96/T^0,5
-1
0
10
12
14
16
retardo
10
12
14
16
retardo
+- 1,96/T^0,5
0.5
0.5
-0.5
-0.5
-1
+- 1,96/T^0,5
-1
0
8
retardo
10
12
14
16
Q(24) = 16,465
8
retardo
10
Q(24) = 18,00
131
12
14
16
SARRIKO-ON 4/09
An
Modelo ARIM A(1, 1, 0)(0, 1, 1)4

para la variable uhatA (51 observaciones validas)
Media
Mediana
Mnimo
0, 00171446
0, 00158269
0, 0430086
Desv. Tp.
C.V.
Asimetra
0, 0208678
12, 1716
Maximo
0, 0740437
Exc. de curtosis
0, 706177
1, 47041
Modelo ARIM A(0, 1, 1)(0, 1, 1)4

para la variable uhatB (51 observaciones validas)
Media
Mediana
Mnimo
0, 00184053
0, 000717917
0, 0479773
Desv. Tp.
C.V.
Asimetra
0, 0211028
11, 4656
0, 588185
132
Maximo
0, 0747304
Exc. de curtosis
1, 67900
An
SARRIKO-ON 4/09
Ap
endice C. Datos.
Cuadro 7.5: Pasajeros de lneas aereas (Octubre 1949 - Septiembre 1961)

A
no
Ene.
Febr.
Marzo
Abril
Mayo
Jun.
Jul.
Agos.
Sept.
1949
1950
1951
1952
1953
1954
1955
1956
1957
1958
1959
1960
1961
129
135
163
181
235
227
269
313
348
348
396
461
121
125
172
183
229
234
270
318
355
363
420
472
135
149
178
218
243
264
315
374
422
435
472
535
148
170
199
230
264
302
364
413
465
491
548
622
148
170
199
242
272
293
347
405
467
505
559
606
136
158
184
209
237
259
312
355
404
404
463
508
119
133
162
191
211
229
274
306
347
359
407
461
104
114
146
172
180
203
237
271
305
310
362
390
118
140
166
194
201
229
278
306
336
337
405
432
133
Oct.
Nov.
Dic.
112
115
145
171
196
204
242
284
315
340
360
417
118
126
150
180
196
188
233
277
301
318
342
391
132
141
178
193
236
235
267
317
356
362
406
419
SARRIKO-ON 4/09
An
Cuadro 7.6: Indice de produccion industrial (1o trimestre 1975 - 4o trimestre 1988)
Fecha
IPI
Fecha
IPI
Fecha
IPI
Fecha
IPI
Fecha
IPI
1975:1
1975:2
1975:3
1975:4
1976:1
1976:2
1976:3
1976:4
1977:1
1977:2
1977:3
1977:4
54,1
59,5
56,5
63,9
57,8
62,0
58,5
65,0
59,6
63,6
60,4
66,3
1978:1
1978:2
1978:3
1978:4
1979:1
1979:2
1979:3
1979:4
1980:1
1980:2
1980:3
1980:4
60,6
66,8
63,2
71,0
66,5
72,0
67,8
75,6
69,2
74,1
70,7
77,8
1981:1
1981:2
1981:3
1981:4
1982:1
1982:2
1982:3
1982:4
1983:1
1983:2
1983:3
1983:4
72,3
78,1
72,4
82,6
72,9
79,5
72,6
82,8
76,0
85,1
80,5
89,1
1984:1
1984:2
1984:3
1984:4
1985:1
1985:2
1985:3
1985:4
1986:1
1986:2
1986:3
1986:4
84,8
94,2
89,5
99,3
93,1
103,5
96,4
107,2
101,7
109,5
101,3
112,6
1987:1
1987:2
1987:3
1987:4
1988:1
1988:2
1988:3
1988:4
105,5
115,4
108,0
129,9
112,4
123,6
114,9
131,0
134
Captulo 8
Ejercicios
8.1.
Cuestiones
C1. Sea Yt un proceso estocastico tal que Yt = a + b X, para todo t, donde a, b son constantes
y X una variable aleatoria con media y varianza 2 . Demuestra que el proceso estocastico Yt
es estacionario en covarianza. Cual es la funcion de autocovarianzas del proceso Yt ?
C2. Supongamos que la funcion de autocovarianzas del proceso Yt no depende de t, pero sin
embargo, la media del proceso viene dada por E(Yt ) = 4t. Es el proceso Yt estacionario?.
Considera ahora el proceso Zt = 10 4t + Yt , es estacionario?
C3. Considera el proceso estocastico Zt = X + Yt , donde Yt es un proceso estocastico estacionario en covarianza y X es una variable aleatoria independiente de Yt . Suponiendo conocidas la
media y varianza de X y la media y la funcion de autocorrelacion simple de Yt , obten la media
y la funcion de autocorrelacion simple del proceso Zt .
C4. Sea Yt un proceso estocastico estacionario con funcion de autocovarianzas k . Demuestra
que:
Zt = Yt = Yt Yt1 es estacionario.
Zt = 2 Yt es estacionario.
Zt = 4 Yt es estacionario.
P
en general, Zt = N
j=0 aj Ytj es estacionario.
Que conclusion general puedes obtener de los resultados obtenidos en los cuatro apartados
anteriores?
C5. Demuestra que el proceso M A() siguiente:
Yt = at + c (at1 + at2 + . . . )
135
SARRIKO-ON 4/09
An
donde c es una constante, no es estacionario. Demuestra tambien que las primeras diferencias
del proceso:
Wt = Yt Yt1
son un proceso MA(1) estacionario. Busca la funcion de autocorrelacion simple de Wt .
C6. Considera el proceso MA estacionario Yt = (1 L)at y sea Zt = Yt Yt1 . Es el proceso
Zt estacionario? Es la varianza del proceso Zt mayor o menor que la del proceso Yt ? Cual es
la funcion de autocovarianzas del proceso diferenciado?.
C7. Considera el proceso AR estacionario (1 L)Yt = at y sea Zt = Yt Yt1 . Es el proceso
Zt estacionario? Es la varianza del proceso Zt mayor o menor que la del proceso Yt ? Cual es
la funcion de autocovarianzas del proceso diferenciado?.
C8. Si un analista presenta el siguiente modelo AR(4) para una muestra dada:
(1 + 0,48L + 0,22L2 + 0,14L3 + 0,05L4 )Yt = at
Podras sugerirle un modelo mas parsimonioso? Por que?
C9. Contesta a las siguientes preguntas:
Como se obtienen las funciones de autocorrelacion simple y parcial teoricas?
Como se obtienen las funciones de autocorrelacion simple y parcial estimadas o muestrales?
Las facs y facp estimadas se corresponden exactamente con las teoricas? Por que?
C10. Sea el proceso Yt = + at + at1 , donde es una constante, demuestra que la f.a.c.s.
de Yt no depende de .
C11. Si IT es un conjunto de informacion que incluye los valores pasados y presente de la serie
que queremos predecir, Yt , y YT (1) es la prediccion optima basada en el citado conjunto de
informacion IT , de forma que el error de prediccion es eT (1). Por que esperas que eT (1) sea
ruido blanco?
C12. Comenta las siguientes frases:
Un modelo ARIM A(p, d, q) bien construido tiene autocorrelaciones residuales que son
todas cero.
Un modelo ARIMA estimado con residuos que estan significativamente autocorrelacionados no es apropiado.
136
An
8.2.
SARRIKO-ON 4/09
Problemas
Problema 1. Contamos con la siguiente serie temporal estacionaria:

1,5
0,8
0,9
1,2
0,5
1,3
0,8
1,6
0,8
1,2
0,5
0,9
1,1
1,1
0,6
1,2
En base al grafico de las observaciones, sugiere un valor aproximado para el coeficiente de

autocorrelacion muestral de orden 1, 1 .
Dibuja Yt contra Yt+1 e Yt contra Yt+2 y, en base a estos graficos, sugiere valores aproximados para 1 y 2 .
Comprueba si tus sugerencias eran apropiadas calculando k , k = 0, 1, 2, 3, 4, 5
Problema 2. Considera los siguientes procesos estocasticos:
1.
Yt = 1, 05 Yt1 0, 5 Yt2 + at
2.
Yt = 1, 03 Yt1 + at
3.
Yt = 0, 7 Yt1 + at 0, 45 at1
4.
Yt = at + 0, 7 at1 0, 5 at2
5.
Yt = at 1, 05 at2
6.
Yt = 0, 09 Yt2 + at 0, 3 at1
7.
Yt = 0, 6 Yt1 + at + 0, 4 at2
Que modelo ARM A(p, q) son? Son estacionarios e invertibles? Por que?
Problema 3. Sean los modelos AR(1) siguientes:
(a)
Yt = 0,8 Yt1 + at
(b)
Yt = 0,5 Yt1 + at
a2 = 2
Son estacionarios? Son invertibles?

Calcula las autocovarianzas, 0 , 1 , . . . , 5 .
Calcula los coeficientes de autocorrelacion simple, 1 , 2 , . . . , 5 . Representalos graficamente.
Calcula los coeficientes de autocorrelacion parcial, p1 , p2 , p3 , p4 , p5 . Representalos graficamente.
Calcula los pesos 1 , 2 , . . . , 5 del modelo en forma M A() en que, si es posible, puede
transformarse los dos modelos AR(1) dados.
137
SARRIKO-ON 4/09
An
Problema 4. Considera el proceso AR(1) siguiente:

Yt = 20 + 0,6 Yt1 + at
a2 = 4
Es estacionario? Es invertible?
Calcula la media y la funcion de autocovarianzas del proceso. Dibuja la funcion de autocorrelacion teorica.
Si Y50 = 21 , es de esperar que Y51 sea mayor o menor que la media?
Problema 5. Sea at un proceso ruido blanco. Encuentra la funcion de autocorrelacion simple

de los siguientes procesos lineales:
(1)
Yt = at + 0, 4 at1
(2)
Yt = at + 2, 5 at1
Crees que estos dos modelos lineales se pueden distinguir en base a observaciones de {Yt }?.
Problema 6. Sean los modelos M A(1) siguientes:
1.
Yt = at 0, 9 at1
2.
Yt = at + 0, 5 at1
a2 = 4

Calcula los pesos 1 , 2 , . . . , 5 del modelo en forma AR() en que, si es posible, puede
transformarse los dos modelos M A(1) dados.
Problema 7. Considera el proceso M A(1) siguiente:

Yt = 5 + at + 0, 2 at1
2 = 3
Calcula la media y la funcion de autocovarianzas del proceso. Dibuja la funcion de autocorrelacion teorica.
Si Y100 es mayor que la media del proceso, es de esperar que Y101 sea tambien mayor?
138
An
SARRIKO-ON 4/09
Problema 8. Sean los modelos AR(2) siguientes:

1.
Yt = 0, 6 Yt1 + 0, 3Yt2 + at
2.
Yt = 1, 3 Yt1 0, 4Yt2 + at
3.
Yt = 1, 2 Yt1 0, 8Yt2 + at
4.
Yt = 0, 8 Yt1 0, 5Yt2 + at
2 = 3

Cual es la estructura de la funcion de autocorrelacion simple y de la funcion de autocorrelacion parcial?
Calcula las autocovarianzas, 0 , 1 , . . . , 5 . Calcula los coeficientes de autocorrelacion simple, 1 , 2 , . . . , 5 . Representalos graficamente.
transformarse los cuatro modelos AR(2) dados.
Problema 9. Considera el proceso AR(2) siguiente:

Yt = 10 + 0, 8 Yt1 0, 2 Yt2 + at
2 = 1
Calcula su media y funcion de autocovarianzas. Dibuja la funcion de autocorrelacion teorica.
Si Y45 = 12, es de esperar que Y46 sea mayor o menor que la media?
Problema 10. Sean los modelos M A(2) siguientes:

1.
Yt = at 0, 4 at1 + 1, 2 at2
2.
Yt = at + 0, 7 at1 0, 2 at2
3.
Yt = at 1, 3 at1 + 0, 4 at2
4.
Yt = at 0, 1 at1 + 0, 21 at2
a2 = 2

Cual es la estructura de la funcion de autocorrelacion simple y de la funcion de autocorrelacion parcial?
Calcula las autocovarianzas, 0 , 1 , . . . , 5 . Calcula los coeficientes de autocorrelacion simple, 1 , 2 , . . . , 5 . Representalos graficamente.
transformarse los cuatro modelos M A(2) dados.
139
SARRIKO-ON 4/09
An
Problema 11. Sean los modelos ARM A(1, 1) siguientes:

(a)
Yt = 0, 9 Yt1 + at + 0, 8 at1
(b)
Yt = 0, 6 Yt1 + at 0, 6 at1
2 = 5

Pueden simplificarse estos modelos?
transformarse los dos modelos ARM A(1, 1) dados.
transformarse los dos modelos ARM A(1, 1) dados.
Problema 12. Supongamos que la serie Yt ha sido generada como sigue:

Yt = 0,2Yt1 + 0,48Yt2 + at + 0,6at1 0,16at2
Que proceso lineal sigue la serie Yt ? Es estacionario? Es invertible?
Esta el modelo sobreparametrizado? En caso afirmativo, escribe un modelo equivalente
con menos parametros.
Problema 13. Sea el modelo ARMA(2,2) siguiente:

Yt = 0, 9 Yt1 0, 2 Yt2 + at 1, 3 at1 + 0, 4 at2
Puede simplificarse este modelo?
Problema 14. Encuentra un proceso invertible tal que:
0 = 1
1 = 0,49
k = 0 k > 1
Problema 15. Indica a que tipo de modelo ARM A(p, q) se puede asociar cada uno de los
siguientes pares de funciones de autocorrelacion simples y parciales teoricas, explicando por
que.
140
An
SARRIKO-ON 4/09
F.AC.S.
F.AC.P.
0,700
0,7
0,500
0,5
0,300
0,3
0,1
0,100
1)
10
11
12
13
14
15
16
17
18
19
20
-0,100
-0,1
-0,300
-0,3
-0,500
-0,5
-0,700
-0,7
0,5
0,5
0,4
0,4
0,3
0,3
0,2
10
11
12
13
14
15
16
17
18
19
20
-0,1
-0,1
-0,2
-0,2
-0,3
-0,3
-0,4
-0,4
-0,5
-0,5
0,8
0,8
0,6
0,6
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,2
-0,4
-0,4
-0,6
-0,6
-0,8
-0,8
-1
-1
0,8
0,800
0,6
0,600
0,4
0,400
10
10
10
11
12
13
14
15
16
17
18
19
20
11
12
13
14
15
16
17
18
19
20
11
12
13
14
15
16
17
18
19
20
16
17
18
19
20
0,000
1
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,200
-0,4
-0,400
-0,6
-0,600
-0,8
-0,800
0,9
0,900
0,7
0,700
0,5
0,500
10
11
12
10
11
12
10
11
12
13
14
15
0,300
0,100
10
11
12
13
14
15
16
17
18
19
20
-0,100
-0,3
-0,300
-0,5
-0,500
-0,7
-0,700
-0,9
-0,900
0,6
0,600
0,4
0,400
0,2
13
14
15
16
17
18
19
20
0,200
0,000
1
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,200
-0,4
-0,400
-0,6
-0,600
0,8
0,8
0,6
0,6
0,4
13
14
15
16
17
18
19
20
0,4
0,2
0,2
0
1
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,2
-0,4
-0,4
-0,6
-0,6
-0,8
-0,8
-1
-1
0,8
0,8
0,6
0,6
0,4
0,4
0,2
8)
0,200
0,1
7)
0
2
0,3
6)
0,2
-0,1
0,4
0,2
5)
0
1
0,2
4)
0,1
0,4
3)
0,2
0,1
2)
10
11
12
13
14
15
16
17
18
19
20
0,2
0
1
10
11
12
13
14
15
16
17
18
19
20
-0,2
-0,2
-0,4
-0,4
-0,6
-0,6
-0,8
-0,8
141
10
11
12
13
14
15
16
17
18
19
20
SARRIKO-ON 4/09
An
Problema 16. Considera la siguiente secuencia de coeficientes de autocorrelacion:

1 = 0, 75 2 = 0, 56 3 = 0, 42 4 = 0, 31 5 = 0, 23
De que proceso ARM A(p, q) pueden provenir estos coeficientes? (considera solo valores bajos
de p y q).
Problema 17. Las funciones de autocorrelacion simple y parcial estimadas para una serie
temporal de 110 obeservaciones son las siguientes:
k
pk
1
2
3
4
5
-0,38
-0.16
0.12
-0.08
-0.06
-0.38
-0.37
-0.20
-0.18
-0.03
Calcula la desviacion tpica asint

otica para cada coeficiente estimado, k y pk bajo el
supuesto de que se trata de una realizacion que procede de un ruido blanco.
Que modelo ARM A(p, q) ha podido generar la serie de datos?
Problema 18. La funcion de autocorrelacion estimada para una serie Yt de 144 observaciones
es:
k
rk
0.84
0.57
0.43
0.34
0.25
0.18
Sugiere un modelo ARM A(p, q) posible para Yt .

Estima el/los parametros del modelo propuesto (Nota: Recuerda las expresiones para la
funci
on de autocorrelaci
on simple en funci
on de los par
ametros del modelo tanto para los
modelos AR como MA.)
Suponiendo que el error de prediccion un periodo hacia adelante cometido al predecir Y6
con informacion hasta el momento t = 5 es de 0,36 y si Y7 = 1 , obten la prediccion
para Y8 .
Problema 19. A partir de una muestra de 64 observaciones se ha ajustado el siguiente modelo:

(1 0,8L) Yt = (1 + 0,6L) a
t
Las funciones de autocorrelacion simple y parcial de los residuos, a
t , vienen dadas por:
142
An
SARRIKO-ON 4/09
k
pk
0.390
0.390
0.160
0.030
0.054
-0.033
0.021
0.025
-0.004
0.026
A la vista de la informacion anterior, consideras aceptable el modelo ajustado? En caso contrario, cual podra ser la reformulacion del modelo?
Problema 20. Se ha estimado con una muestra de 110 observaciones de la variable Yt el siguiente modelo:
2 = 4
Yt = at + 0, 5 at1 + 0, 4 at2 + 18
Se cuenta con la siguiente informacion acerca de at e Yt :
Y106 = 20
Y107 = 21
Y108 = 19
Y109 = 19
Y110 = 17
Obten la prediccion de Yt por punto para los periodos 111, 112 y 113.
Calcula los errores cuadraticos medios de prediccion.
Obten la prediccion de Yt por intervalo para los periodos 111, 112 y 113.
Suponiendo que se dispone de la informacion adicional: Y111 = 17, actualiza la prediccion
de los periodos 112 y 113.
Problema 21. Consideremos el proceso AR(1) siguiente:

(1 L) (Yt ) = at
donde: = 0, 6
a2 = 0, 1
= 9.
Supongamos que se cuenta con las siguientes observaciones:

Y100 = 8, 9
Y99 = 9
Y98 = 9
Y97 = 9, 6
Predice Y101 , Y102 , Y103 , Y104 tanto por punto como por intervalo.
Si se dispone de la informacion adicional: Y101 = 9, 7, actualiza la prediccion de los periodos 102,
103 y 104.
Problema 22. Para predecir la serie Yt se han utilizado dos modelos diferentes:
Yt = 20 + 0, 5 Yt1 + vt
Yt = 50 + at + 0, 6 at1
donde at y vt son procesos ruido blanco con media cero. En el momento t = 20, las predicciones
de ambos modelos para Y21 han sido de 110 y 90 respectivamente. Que predicciones para Y22
proporcionaran ambos modelos con informacion hasta t = 21, sabiendo que Y21 = 100?
143
SARRIKO-ON 4/09
An
Problema 23. El economista del servicio de planificacion del Ayuntamiento quiere predecir
los ingresos mensuales por impuestos en base a los datos recogidos los u
ltimos 100 meses, Yt .
Analizando el correlograma estimado de la serie Yt , propone los siguientes modelos:
Yt = 90 + 0, 7 Yt1 + at
(8.1)
Yt = 300 + at + 0, 62 at1 + 0, 5 at2
(8.2)
Sabiendo que Y100 = 280 y a98 = 0,5, a99 = 2, a100 = 10

Obten las predicciones por punto de Y101 , . . . , Y110 con ambos modelos.
Representa ambas predicciones y compara sus caractersticas. Cual es la estructura de la
funcion de prediccion cuando ` para ambos modelos?
Sabiendo que los verdaderos valores para Y son:
t
101
102
103
104
105
106
107
108
109
110
yt
295
310
302
275
320
310
290
283
315
303
Representa los errores de prediccion cometidos con ambos metodos de prediccion. Que modelo proporciona las mejores predicciones?. Utiliza para compararlos aquellos criterios
de precision de la prediccion que te parezcan mas convenientes?
Problema 24. La serie temporal representada en el grafico corresponde a una variable observada trimestralmente desde el primer trimestre de 1966 al tercer trimestre de 2003. Se desea
15
10
-5
-10
-15
1970
1975
1980
1985
1990
1995
2000
predecir la evolucion de la variable a lo largo de 2004.

Basandose en la informacion proporcionada por los correlogramas simple y parcial estimados,
un experto ha propuesto el siguiente modelo para predecir Yt :
Yt = + at + 1 at1 + 2 at2 +
at N ID(0, 2 )
Crees que la eleccion es correcta? Que modelo hubieras propuesto t

u? Por que?
144
An
SARRIKO-ON 4/09
FAC de Y
1
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
10
12
14
16
retardo
FACP de Y
1
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
8
retardo
10
12
14
16
La estimacion del modelo propuesto ha producido los siguientes resultados:

1 = 1, 37
= 0, 0275
2 = 0, 51
Calcula las predicciones por punto para los cuatro primeros meses de 2004, con los siguientes
datos adicionales:
Y145 = 23,62 Y146 = 23,18 Y147 = 24,41
Problema 25. Una empresa tiene datos de sus ventas anuales y propone el siguiente modelo:
Vt = 100 + yt
donde Vt son las ventas del trimestre t-esimo, son las ventas medias e yt es un proceso estocastico.
Las correlaciones estimadas para los valores de y con datos de los u
ltimos a
nos son:
k
0,8
0,66
0,50
0,40
0,33
0,25
0,2
siendo la media de y durante el periodo muestral cero.

El estadstico de la compa
na sugiere que el modelo apropiado para la y es:
yt = 0, 8 yt1 + at
donde at es un ruido blanco con media cero. Estas de acuerdo con su decision? Por que?
Dado que las ventas de a
no 2008 han sido 213, predice las ventas para el a
no 2009.
145
SARRIKO-ON 4/09
An
Problema 26. Sea Yt = 7 + t + Xt , donde Xt es un proceso estacionaria de media cero y

funcion de autocovarianzas k :
Cual es la funcion media de Yt ? Cual es la funcion de autocovarianzas de Yt ? Es Yt
estacionario?
Es Yt estacionario?
Problema 27. Sea una serie anual, Yt que esta generada por el siguiente proceso estocastico:
Yt = a + b t + c t2 + at
donde at es ruido blanco y a, b, c son constantes.
Es el proceso Yt estacionario en covarianza? Es el proceso Yt estacionario en covarianza?
Que operador de diferencias se ha de aplicar para convertir al proceso Yt en estacionario?.
Discute la invertibilidad del proceso resultante.
Existe alg
un otro metodo para transformar al proceso Yt en estacionario?
Problema 28. Sea Yt una serie mensual estacional con factores estacionales constantes, St =
St12 y at una serie de perturbaciones estacionarias.
Si suponemos que la serie Yt consta de una tendencia global lineal y una estacionalidad
aditiva, el modelo apropiado es:
Yt = a + b t + St + at
Es la serie Yt estacionaria? Es la serie Yt estacionaria? Demuestra que la aplicacion
del operador 12 a la serie Yt la convierte en estacionaria.
Si suponemos que la serie Yt consta de una tendencia global lineal y una estacionalidad
multiplicativa, el modelo apropiado es:
Yt = (a + bt) St + at
Convierte el operador 12 en estacionaria a la serie Yt ? Si no es as encuentra el operador
que lo hace.
146
An
SARRIKO-ON 4/09
Problema 29. Para cada uno de los siguientes procesos estocasticos:

(1)
Yt = 0,7 Yt1 + at
at RBN (0, 9)
(2)
Yt = 5 + 0,7 Yt1 + at
(3)
Yt = Yt1 + at 0,7 at1
(4)
Yt = 5 + Yt1 + at 0,7at1
at RBN (0, 9)
at RBN (0, 9)
at RBN (0, 9)
Es Yt estacionario? Si no lo es , existe alguna transformacion que lo convierta en estacionario? Que modelo ARIM A(p, d, q) sigue?
Comenta las caractersticas de cada uno de los procesos por separado.
Compara las caractersticas de los distintos procesos en las siguientes lneas:
. Funciones de autocorrelacion
. Evolucion de las series generadas por los distintos modelos.
Simula una serie temporal de tama
no 50, 100, 200. Comenta los resultados.
Problema 30. Considera los siguientes procesos:

1. (1 0, 99L) (1 L) Yt = (1 0, 5L) at
2. (1
L)2 Yt
5. (1 0, 8L) Yt = (1 0, 12L) at
= at 0, 81at1 + 0, 38at2
3. 1 0, 6L) Yt = (1 1, 2L +
4. (1 1, 1L +
0, 8L2 ) Yt
6. (1 L) Yt = (1 1, 5L) at
0, 2L2 ) at
= (1 1, 5L +
7. (1 L) Yt = at + 0, 5at1
0, 72L2 ) a
8. Yt = Yt2 + at + 0, 2 at1
Es el proceso Yt estacionario? Es invertible?

Si no son estacionarios busca una transformacion que los convierta en estacionarios. Que modelo ARIM A(p, d, q) son?
Problema 31. Sean los modelos siguientes:

Yt = 0,1Yt1 + 0,9Yt2 + at
Yt = 0,3Yt1 + 0,7Yt2 + at at1
Yt = Yt1 + at
Analiza las condiciones de estacionariedad e invertibilidad del proceso Yt .
En el caso de que no sea estacionario, puede hacerse alguna transformacion para convertirlo en estacionario?
Que modelo ARIM A(p, d, q) son?
147
SARRIKO-ON 4/09
An
Problema 32.
A. Escribe estos siguientes modelos en forma ARIM A(p, d, q) y en forma de ecuacion en
diferencias:
1.
(1 L)(1 L) Yt = at
2.
(1 L)2 Yt = (1 L) at
3.
(1 L) Yt = (1 L) at
4.
(1 L)Yt = (1 1 L 2 L2 ) at
5.
Yt = (1 L2 ) at
B. Escribe los siguientes modelos en terminos del operador de retardos L :

1.
ARIM A(1, 1, 1)
2.
ARIM A(0, 2, 1)
3.
ARIM A(2, 0, 2)
4.
Yt = (1 1 2 ) + 1 Yt1 + 2 Yt2 + at
5.
Yt = (1 1 ) + 1 Yt1 1 at + at
6.
Yt = Yt1 1 at1 2 at2 + at
7.
Yt = 2 Yt1 Yt2 1 at1 + at
8.
Yt = Yt1 + 1 (Yt1 Yt2 ) + 2 (Yt2 Yt3 ) + at
Problema 33. Sea el modelo ARIM A(2, 1, 0) siguiente:

(1 1 L 2 L2 ) Yt = at
Es el proceso Yt estacionario?
Es el proceso Wt = Yt estacionario? Que proceso lineal sigue la serie Wt ?
Calcula la media y la funcion de autocorrelacion simple teorica del proceso Wt .
Problema 34. A partir de una muestra de 100 datos se ha ajustado el siguiente modelo:
Yt = (1 0, 324L) a
t
Las funciones de autocorrelacion simple y parcial de los residuos vienen dadas por:
k
k
pk
-0,508
-0,508
0,013
-0,329
-0,032
-0,220
0,015
-0,143
0,043
-0,093
A la vista de la informacion anterior, consideras aceptable el modelo ajustado? En caso contrario, cual podra ser la reformulacion del modelo?
148
An
SARRIKO-ON 4/09
Problema 35. Considera los siguientes modelos:

1. (1 1 L 2 L2 ) Yt = (1 1 L) at
T = 100, Y99 = 53, Y100 = 56, a
100 = 1,4, 1 = 1,4, 2 = 0,7,
a2 = 3,3
1 = 0,3,
= 50
2. Yt = (1 1 L 2 L2 ) at
= 100,
T = 100, a
99 = 1,3, a
100 = 2, ,6, 1 = 0,7, 2 = 0,5, |mu
a2 = 2,5
1 = 0,3,
= 50
3. (1 1 L)(1 L) Yt = at
T = 100, Y99 = 217, Y100 = 232, 1 = 0,7,
a2 = 8
4. (1 L) Yt = (1 1 L) at
T = 100, Y100 = 28, 1 = 0,5, a
100 = 0,7,
a2 = 6,7
5. (1 1 L) Yt = (1 1 L 2 L2 ) at
T = 100, Y100 = 103, a
100 = 1,2, a
99 = 0,3, 1 = 0,6
1 = 0,8, 2 = 0,3,
a2 = 2,5
6. (1 1 L) ( Yt ) = at
T = 100, Y100 = 1, Y99 = 1, 5, a
100 = 0,005, a
99 = 0,3, 1 = 0,8
= 0, 2
7. (1 1 L) (1 L) Yt = (1 1 L) at
T = 100, Y100 = 23, Y99 = 18, a
100 = 0,2, a
99 = 0,3, 1 = 0,8 1 = 0,6
Para cada uno de ellos, obten las predicciones por punto y por intervalo para ` = 1, 2, 3, 4, 5.
Problema 36. Sea el modelo estimado:
(1 + 0,6L)(1 L) Yt = (1 0,5L) at + 0,8
a2 = 1
Dado Y79 = 40, Y80 = 41, Y81 = 41 y a80 = 0,2, predice Yt para los periodos 81, 82 y 83.
Calcula los errores cuadraticos medios de prediccion y establece una banda de confianza
del 95 % para la prediccion.
Suponiendo que Y81 = 41, actualiza la prediccion de los periodos 82 y 83.
149
SARRIKO-ON 4/09
An
Problema 37. Contamos con 221 datos para analizar la evoluci

on temporal de la tasa de
cambio de Hungra, T ipot . Con ayuda de los graficos y la informacion siguientes, contesta a las
preguntas:
Es estacionaria la serie T ipot ? Por que?
Es preciso tomar alguna diferencia a la serie T ipot para que sea estacionaria?
Que modelo ARMA(p,q) propones para la serie que has elegido como estacionaria?

para la variable Tipo (221 observaciones validas)
Media
19, 9115
Desv. Tp.
3, 24292
Mediana
Mnimo
21, 0973
Maximo
10, 5407
24, 8438
C.V.
Asimetra
Exc. de curtosis
0, 162867
0, 756369
0, 312477

para la variable DTipo (220 observaciones validas)
Media
Mediana
0, 0174748
0, 00373450
Desv. Tp.
C.V.
0, 810736
46, 3946
Mnimo
Maximo
2, 4866
2, 31328
Asimetra
Exc. de curtosis
0, 0622331
0, 357541
Contrastes aumentados de Dickey-Fuller, orden 2, para Tipo:

tama~
no muestral 218 hip
otesis nula de ra
z unitaria: a = 1
modelo: (1 - L)y = (a-1)*y(-1) + ... + e
Estad
valor p asint
otico 0,4568
modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
Estad
valor p asint
otico 0,567
150
An
SARRIKO-ON 4/09
Contrastes aumentados de Dickey-Fuller, orden 2, para (1-L) Tipo:

tama~
no muestral 217 hip
otesis nula de ra
z unitaria: a = 1
modelo: (1 - L)y = (a-1)*y(-1) + ... + e
Estad
valor p asint
otico 1,124e-016
modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
Estad
valor p asint
otico 5,749 e-016
26
2.5
2
24
1.5
22
1
(1-L) Tipo cambio
Tipo cambio
20
18
16
0.5
0
-0.5
-1
14
-1.5
12
-2
10
-2.5
0
50
100
150
200
50
FAC de Tipo
100
150
200
FAC de (1-L) Tipo
+- 1,96/T^0,5
0.5
+- 1,96/T^0,5
0.5
-0.5
-0.5
-1
-1
0
10
retardo
15
20
FACP de Tipo
10
retardo
15
20
FACP de (1-L) Tipo
+- 1,96/T^0,5
0.5
+- 1,96/T^0,5
0.5
-0.5
-0.5
-1
-1
0
10
retardo
15
20
151
10
retardo
15
20
SARRIKO-ON 4/09
An
Problema 38. Los siguientes datos corresponden a la serie Yt a la que se ha ajustado el siguiente
modelo:
Yt = 0,5 + at at1 + 0,5at2
a2 = 0,04
t
Yt
96
172
97
169
98
164
99
168
100
172
Obten las predicciones para Y101 , Y102 , Y103 , Y104 , Y105 , Y106 .
Cual es el comportamiento de la funcion de prediccion conforme ` ?
Calcula los Errores Cuadraticos Medios de Prediccion y obten los intervalos de confianza
del 95 % para las predicciones.
Suponiendo que Y101 = 174, actualiza las predicciones para Y102 , Y103 , . . . , Y106 . Representa
graficamente la serie, las predicciones obtenidas con informacion hasta T = 100 y las
actualizadas con informacion hasta T = 101.
Problema 39. Con una muestra de 110 observaciones se ha estimado el siguiente modelo:
(1 0,5L) Yt = (1 + 0,7L) at
Tambien se dispone de la siguiente informacion:
t
yt
106
66
107
65
108
64
109
63
110
68
Expresa el modelo en la forma de ecuacion en diferencias finitas.

Calcula las predicciones de Yt para los periodos 111, 112, 113, 114 y 115, sabiendo que
a110 = 0,5.
Representa la funcion de prediccion. Cual es su estructura cuando ` ?
Expresa el modelo en la forma M A().
Calcula los errores cuadraticos medios de prediccion sabiendo que a2 = 2.
Calcula las predicciones por intervalo.
Suponiendo que Y121 = 70 actualiza las predicciones.
152
An
SARRIKO-ON 4/09
Problema 40. El director del Servicio de Estudios de una Division de la Union Europea le ha
pedido a uno de sus economistas que prediga la evoluci
on de la poblacion de la Union Europea
hasta el a
no 2000. Con los datos de los u
ltimos 100 a
nos (1896-1995), el economista estima el
siguiente modelo:
Pt = (1 0,7L + 1,2L2 )at
Que modelo ARIM A(p, d, q) ha propuesto el economista?
Basandote en este modelo obten las predicciones de la poblacion hasta el a
no 2000 por
punto y por intervalo, sabiendo que los u
ltimos datos de la poblacion y de la prediccion
obtenida con un a
no de antelacion son:
Mes
Valor real de Poblaci

on
Pt
Prediccion hecha el mes anterior

Pt1 (1)
1992
1993
1994
1995
105
109
111
113
104
110.5
110
113.5
Dadas las predicciones obtenidas y las caractersticas del modelo propuesto, como se
comporta la poblacion a largo plazo?
Problema 41. Supongamos que el modelo:

Yt = (1 0,5L)et
(8.3)
se utiliza para predecir una serie que de hecho ha sido generada por el modelo:
Yt = (1 0,9L + 0,2L2 )at
(8.4)
Obten la funcion de autocorrelacion simple del error de prediccion un periodo hacia adelante et , obtenidos del modelo ARIM A(0, 1, 1).
Comenta como esta funcion de autocorrelacion puede utilizarse para identificar un modelo
para la serie et , llevandonos a la identificaci
on de un ARIM A(0, 1, 2) para la serie Yt .
Problema 42. El servicio de estudios de un Banco quiere predecir el ndice de Bolsa de New
York mediante un modelo ARIM A(p, d, q). Para ello cuenta con 78 observaciones diarias del
ndice de bolsa (Yt = DowJonest ). Con la informacion presentada en los graficos y tablas
siguientes:
153
SARRIKO-ON 4/09
An

para la variable DowJones (78 observaciones validas)
Media
115, 683
Desv. Tp.
5, 50606
Mediana
Mnimo
113, 755
Maximo
108, 540
124, 140
C.V.
Asimetra
Exc. de curtosis
0, 0475960
0, 246937
1, 6263

para la variable (1-L) DowJones (77 observaciones validas)
Media
0, 133636
Desv. Tp.
0, 426950
Mediana
Mnimo
0, 130000
0, 770000
1, 53000
C.V.
Asimetra
Exc. de curtosis
0, 521255
0, 939981
3, 19487
Maximo

para la variable (1 L)2 DowJones (76 observaciones validas)
Media
Mediana
0, 00684211
0, 0100000
Desv. Tp.
0, 447974
Mnimo
Maximo
1, 2100
1, 23000
C.V.
Asimetra
Exc. de curtosis
65, 4731
0, 112599
0, 141083
Contrastes aumentados de Dickey-Fuller, orden 2, para (1-L) DowJones:

tama~
no muestral 74 hip
otesis nula de ra
z unitaria: a = 1
modelo: (1 - L)y = (a-1)*y(-1) + ... + e
Estad
valor p asint
otico 0,00309
modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
Estad
valor p asint
otico 0,02141
Contrastes aumentados de Dickey-Fuller, orden 2, para (1 L)2 DowJones:
tama~
no muestral 73 hip
otesis nula de ra
z unitaria: a = 1
modelo: (1 - L)y = (a-1)*y(-1) + ... + e
Estad
valor p asint
otico 2,654e-014
154
An
SARRIKO-ON 4/09
Grafico 8.1: Graficos y correlogramas

126
124
122
FAC de DowJones
Indice Dow Jones
120
+- 1,96/T^0,5
118
0.5
116
114
112
-0.5
110
-1
0
10
108
0
10
20
30
40
50
60
70
15
20
retardo
80
FACP de DowJones
1
2
+- 1,96/T^0,5
1.5
0.5
0
-0.5 0.5
(1-L)(1-L) Indice Dow Jones
(1-L) Indice Dow Jones
1.5
0.5
-0.5
-1
00
10
retardo
15
20
-0.5
-1
-1
-1.5
10
20
30
40
50
60
70
80
10
20
FAC de (1-L) DowJones
30
40
50
60
70
FAC de (1-L)(1-L) DowJones
+- 1,96/T^0,5
0.5
+- 1,96/T^0,5
0.5
-0.5
-0.5
-1
-1
0
10
15
20
retardo
10
15
20
retardo
FACP de (1-L) DowJones
FACP de (1-L)(1-L) DowJones
+- 1,96/T^0,5
0.5
+- 1,96/T^0,5
0.5
-0.5
-0.5
-1
-1
0
10
retardo
15
20
10
retardo
15
20
Analiza la estacionariedad de la serie Yt , es decir, es la serie Yt estacionaria en media o es

preciso hacer alguna transformacion para convertirla en estacionaria? Por que?
Que modelo (o modelos) ARM A(p, q) propones para la serie estacionaria? Por que?
155
SARRIKO-ON 4/09
An
El economista consultado por el servicio de estudios, basandose en la misma informacion de la

que t
u dispones, ha identificado los siguientes modelos:
Modelo 1
Yt AR(1)
Modelo 2
Yt ARM A(1, 1)
Modelo 3
2 Yt M A(1)
Modelo 4
2 Yt ARM A(1, 1)
Discute si te parecen razonables los cuatro modelos que el propone.

Analiza los resultados que obtiene en la estimacion de cada uno de los modelos. Se ajustan
los modelos bien a los datos?
Cual de los cuatro modelos estimados elegiras para predecir el futuro de la serie Yt ? Por
que?

Variable dependiente: (1 L)DowJones
Coeficiente
1
Desv. tpica
0,499168
estadstico t
0,100102
valor p
4,9866

Log-verosimilitud
0,0000
0,133636
0,426950
0,0619386
0,149332
36,190
Real
Imaginaria
Modulo
Frecuencia
2, 0033
0, 0000
2, 0033
0, 0000
AR
Raz
Residuos de la regresin (= DowJones observada estimada)

1.5
FAC de los residuos

1
+- 1,96/T^0,5
0.5
residuo
0.5
0
-0.5
0.5
-1
0
1
10
20
30
40
50
60
70
10
15
20
retardo
80

1
+- 1,96/T^0,5
0.5
0
156
-0.5
-1
0
10
retardo
15
20
An
SARRIKO-ON 4/09

Variable dependiente: (1 L)DowJones
Coeficiente
1
1
Desv. tpica
0,850965
0,526265
estadstico t
0,138465
0,254785
valor p
6,1457
2,0655

Log-verosimilitud
0,0000
0,0389
0,133636
0,426950
0,0341779
0,143363
34,689
Real
Imaginaria
Modulo
Frecuencia
AR
Raz
1, 1751
0, 0000
1, 1751
0, 0000
Raz
1, 9002
0, 0000
1, 9002
0, 0000
MA

1.5
FAC de los residuos

1
+- 1,96/T^0,5
0.5
residuo
0.5
0
0.5
-0.5
-1
0
10
retardo
1.5
10
20
30
40
50
60
70
80
15
20

1
+- 1,96/T^0,5
0.5
0
Modelo 3: estimaciones ARIMA utilizando

las 76 observaciones 378
-0.5
2
Variable dependiente: (1
L)
DowJones
-1
0
15
Desviaciones tpicas basadas
en el 5 Hessiano10
20
retardo
Coeficiente
1
Desv. tpica
0,715732
estadstico t
0,113333

Log-verosimilitud
6,3153
0,00684211
0,447974
0,00664944
0,150368
36,201
Real
Imaginaria
Modulo
Frecuencia
1, 3972
0, 0000
1, 3972
0, 0000
MA
Raz
157
valor p
0,0000
SARRIKO-ON 4/09
An

1.5
FAC de los residuos
residuo
0.5
0.5
0.5
-0.5
-1
+- 1,96/T^0,5
10
retardo
1.5
10
20
30
40
50
60
70
15
20

1
+- 1,96/T^0,5
0.5
Modelo 4: estimaciones ARIMA utilizando

las 76 observaciones 378
0
Variable dependiente: (1 L)2 DowJones
-0.5
Desviaciones tpicas basadas
en el Hessiano
-1
0
Coeficiente
1
1
Desv. tpica
0,247838
0,839131
10
15
20
estad
retardo stico t
0,144741
0,0819245
1,7123
10,2427

Log-verosimilitud
0,0868
0,0000
0,00684211
0,447974
0,00467602
0,144924
34,848
Real
Imaginaria
Modulo
Frecuencia
AR
Raz
4, 0349
0, 0000
4, 0349
0, 0000
Raz
1, 1917
0, 0000
1, 1917
0, 0000
MA

1.5
FAC de los residuos

1
residuo
0.5
+- 1,96/T^0,5
0.5
0
0.5
-0.5
1
-1
0
1.5
10
20
30
40
50
60
10
15
20
retardo
70

1
+- 1,96/T^0,5
0.5
0
-0.5
-1
0
158
10
retardo
15
valor p
20
An
SARRIKO-ON 4/09
Problema 43. Disponemos de 250 observaciones, desde octubre de 1978 hasta julio de 1999,
para analizar y predecir la serie de tipo de interes a largo plazo (Yt = Interest .
Analiza la estacionariedad en media de la serie Yt en base a los graficos y la informacion
presentada. Es preciso hacer alguna transformacion a la serie Yt para que sea estacionaria?
Por que?
Propon razonadamente uno (o varios) modelos ARIM A(p, d, q) para la serie estacionaria.
para la variable Interes (250 observaciones validas)
Media
11, 4799
Desv. Tp.
3, 41329
Mediana
Mnimo
11, 2492
5, 35361
C.V.
Asimetra
0, 297328
0, 0707997
Maximo
17, 2649
Exc. de curtosis
1, 0438

para la variable (1-L) Interes (249 observaciones validas)
Media
Mediana
Mnimo
0, 0477041
0, 0499643
0, 130352
0, 0475899
Desv. Tp.
C.V.
Asimetra
Exc. de curtosis
0, 287116
0, 273057
0, 0360135
0, 754934
Maximo
Contrastes aumentados de Dickey-Fuller, orden 2, para (1-L) Interes:

tama~
no muestral 246 hip
otesis nula de ra
z unitaria: a = 1
modelo: (1 - L)y = (a-1)*y(-1) + ... + e
Estad
valor p asint
otico 0,0001392
modelo: (1 - L)y = b0 + (a-1)*y(-1) + ... + e
Estad
valor p asint
otico 9,481e-013
159
SARRIKO-ON 4/09
An
Grafico 8.2: Graficos y correlogramas

18
0.06
0.04
16
0.02
14
(1-L) Interes
Interes
12
10
-0.02
-0.04
-0.06
-0.08
-0.1
6
-0.12
4
-0.14
1980
1985
1990
1995
2000
1980
1985
FAC de Interes
1990
1995
2000
FAC de (1-L) Interes
+- 1,96/T^0,5
0.5
+- 1,96/T^0,5
0.5
-0.5
-0.5
-1
-1
0
10
retardo
15
20
FACP de Interes
10
retardo
15
20
FACP de (1-L) Interes
+- 1,96/T^0,5
0.5
+- 1,96/T^0,5
0.5
-0.5
-0.5
-1
-1
0
10
retardo
15
20
10
retardo
15
20
Problema 44. Siguiendo con los datos del Problema anterior, el economista de un servicio de
estudios ha propuesto los siguientes modelos para el tipo de interes:
Modelo 1
Yt ARIM A(1, 1, 0)
Modelo 2
Yt ARIM A(1, 1, 1)
Modelo 3
Yt ARIM A(0, 1, 2)
Te parecen apropiados los tres modelos propuestos? Por que?

Basandote en los resultados de la estimacion de los tres modelos (tablas y correlogramas
simple y parcial de los residuos) que se presentan a continuaci
on, cual de los tres modelos
elegiras para predecir el futuro de la serie Yt ?
160
An
SARRIKO-ON 4/09
Modelo 1: estimaciones ARIMA utilizando las 249 observaciones 1978:111999:07

Variable dependiente: (1 L)Interes
Variable
Coeficiente
const
1
Desv. tpica
0,0471185
0,589559
0,00447042
0,0515826

Log-verosimilitud
Estadstico t
valor p
10,5401
11,4294
0,0000
0,0000
0,0477041
0,0360135
0,000160249
0,000847352
527,108
Real
Imaginaria
Modulo
Frecuencia
1, 6962
0, 0000
1, 6962
0, 0000
AR
Raz
0.08
0.06
FAC de Residuo Modelo 1
Residuo Modelo 1
0.04
+- 1,96/T^0,5
0.02
0.5
0
0
-0.02
-0.5
-0.04
-1
-0.06
-0.08
1980
1985
1990
1995
2000
10
retardo
15
20
FACP de Residuo Modelo 1

1
+- 1,96/T^0,5
0.5
0
-0.5
Modelo 2: estimaciones ARIMA utilizando las
249 observaciones 1978:111999:07
Variable dependiente: (1-1 L)Interes
0
Variable
const
1
1
Coeficiente
Desv. tpica
0,0468605
0,699453
0,161248
9,2591
11,1340
2,1885
0,0477041
0,0360135
0,000220568
0,000831130
529,499
Real
Imaginaria
Modulo
Frecuencia
AR
Raz
1, 4297
0, 0000
1, 4297
0, 0000
Raz
6, 2016
0, 0000
6, 2016
0, 0000
MA
161
15
Estadstico t
0,00506103
0,0628214
0,0736799

Log-verosimilitud
10
retardo
20
valor p
0,0000
0,0000
0,0286
SARRIKO-ON 4/09
An
0.08
0.06
Residuo Modelo 2
0.04
0.02
+- 1,96/T^0,5
0.5
0
-0.02
-0.5
-0.04
-1
-0.06
-0.08
1980
1985
1990
1995
2000
10
retardo
15
20

1
+- 1,96/T^0,5
0.5
Modelo 3: estimaciones ARIMA utilizando las0 249 observaciones 1978:111999:07

-0.5
Variable dependiente: (1
L)Interes
-1
Variable
Coeficiente
const
1
2
0
Desv. tpica
0,0473130
0,615351
0,746517
0,00375620
0,0437706
0,0402836

Log-verosimilitud
10
Estad
stico 15t
retardo
20
12,5960
14,0586
18,5315
valor p
0,0000
0,0000
0,0000
0,0477041
0,0360135
1,85507e-05
0,000634269
562,501
Real
Imaginaria
Modulo
Frecuencia
0, 4121
0, 4121
1, 0815
1, 0815
1, 1574
1, 1574
0, 3079
0, 3079
MA
Raz
Raz
1
2
0.08
Residuo Modelo 3
0.06
0.04
0.02
0.5
-0.02
-0.5
-0.04
-1
+- 1,96/T^0,5
-0.06
1980
1985
1990
1995
2000
10
retardo
15
20

1
+- 1,96/T^0,5
0.5
Sabiendo que:
0
-0.5
Y98,9 = 5, 37
Y98,10 = 5, 35
a98,9-1 = 0,018
0
a98,10 = 0,023
10
retardo
15
20
predice el tipo de interes a largo plazo desde Noviembre de 1998 hasta Diciembre de 1999.
Calcula los errores cuadraticos medios de prediccion Hacia donde tiende la prediccion del tipo
de interes a largo plazo?
162
An
SARRIKO-ON 4/09
Problema 45. Supongamos que la serie Yt sigue el siguiente modelo:

(1 1 L 2 L2 ) Yt = at
Que modelo sigue la serie Yt ?. Es la serie Yt estacionaria?
Es estacionaria la serie Zt = Yt ? Que modelo sigue?
Obten la funcion de autocorrelacion simple teorica para la serie Zt , k , k = 1, 2, . . . . Explica
cual sera la estructura de la funcion de autocorrelacion parcial teorica.
En base a una muestra de 100 observaciones para Zt , hemos obtenido que los dos primeros
coeficientes de autocorrelacion simple estimados son r1 = 0,93 y r2 = 0,81. Estima los
parametros del modelo para Zt .
Supongamos que las u
ltimas observaciones de la serie Yt son:
t
Yt
95
145
96
141
97
142
98
148
99
150
100
143
y que el error de predecir Y100 con informacion hasta t = 99 es -0.5. Basandote en el

modelo para Yt con parametros estimados:
. Predice los valores de Yt para t = 101, 102, 103, 104, 105, 106.
. Cual es el comportamiento de la funcion de prediccion a largo plazo, es decir, cuando
` .?
. Calcula los errores cuadraticos medios de prediccion, sabiendo que la varianza del
error de prediccion un periodo hacia adelante es 2.
. Si sabemos que Y101 = 155, actualiza el resto de las predicciones.
Problema 46. Compara los modelos estacionales siguientes:

1. Yt = (1 1 L)(1 1 L12 ) at
2. Yt = (1 1 L 12 L12 13 L13 ) at
Se puede distinguir entre las funciones de autocorrelacion del modelo (1) y del modelo (2)?
Problema 47. Con una muestra de 120 observaciones se ha estimado el siguiente modelo:
(1 0,5L)(1 + 0,7L4 )(1 L) Yt = (1 0,5L4 ) at
Tambien se dispone de la siguiente informacion:
t
110
111
112
113
114
115
116
117
118
119
Yt
56
59
58
60
63
66
65
64
63
68
Se pide:
163
SARRIKO-ON 4/09
An
Expresar el modelo en la forma de ecuacion en diferencias finitas.

Expresar el modelo en la forma M A().
Efectuar la prediccion de Yt para los periodos 121, 122, 123, 124 y 125.
Calcular los errores cuadraticos medios de prediccion y las predicciones por intervalo.
Suponiendo que Y121 = 70, actualiza las predicciones para los periodos 122, 123, 124 y 125.
Problema 48. Deriva la funcion de autocorrelacion teorica para los siguientes procesos:
1. Yt = (1 0, 8L12 )(1 + 0, 6L) at
2. Yt = (1 0, 9L4 )(1 0, 7L) at
Problema 49. Cuales de los siguientes modelos estimados son estacionarios e invertibles?
1.
(1 0, 8L)(1 L4 )Yt = (1 0, 8L4 ) a

t
2.
Yt = (1 0, 4L12 0,3L24 ) (1 0, 5L2 ) a

t
3.
(1 1, 2L + 0, 5L2 )(1 0, 5L12 )(1 L)Yt = a

t
Problema 50. Escribe los siguientes modelos en terminos del operador de retardos L y en forma
de ecuacion en diferencias:
1.
ARIM A(0, 1, 1)(0, 1, 1)s
4.
ARIM A(0, 2, 2)(2, 1, 2)12
2.
ARIM A(1, 1, 0)(0, 1, 1)4
5.
ARIM A(0, 1, 0)(0, 1, 1)7
3.
ARIM A(2, 0, 0)(0, 0, 1)12
6.
ARIM A(1, 1, 1)(1, 1, 1)4
164
Lecturas recomendadas
on en Economa. Volumen II. Ed. Ariel.
a) Aznar, A. y F.J. Trvez (1993). Metodos de Predicci
Barcelona.
b) Box, G.E.P. y G.M. Jenkins (1970). Time series analysis: forecasting and control. San
Francisco, Holden Day.
c) Franses, P.H. (1998). Time series models for business and economic forecasting. Cambridge
University Press. Cambridge.
d) Pe
na, D. (2005). An
alisis de series temporales. Alianza editorial. Madrid.
e) Uriel, E. (2000). Introduccion al analisis de series temporales. Editorial AC. Madrid.
165

Econometria Modelos Arima

Cargado por

Copyright:

Formatos disponibles

Econometria Modelos Arima

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Econometria Modelos Arima

Cargado por

Copyright:

Formatos disponibles

Anlisis de series temporales:

Mara Pilar Gonzlez Casimiro

2.1. Proceso estocastico y serie temporal . . . . . . . . . . . . . . . . . . . . . . . . .

2.2. Caractersticas de un proceso estocastico . . . . . . . . . . . . . . . . . . . . . . .

2.3. Procesos estocasticos estacionarios . . . . . . . . . . . . . . . . . . . . . . . . . .

2.3.1. Funcion de autocovarianzas y de autocorrelacion . . . . . . . . . . . . . .

2.3.2. Estimacion de los momentos

2.4. Proceso Ruido Blanco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3. Modelos lineales estacionarios

3.1. Modelo Lineal General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.2. Procesos autorregresivos: AR(p). . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.2.1. Proceso AR(1). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.2.2. Proceso AR(p). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.3. Procesos de Medias Moviles: MA(q). . . . . . . . . . . . . . . . . . . . . . . . . .

3.3.1. Proceso MA(1). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.3.2. Proceso MA(q). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.4. Procesos Autorregresivos de Medias Moviles: ARMA(p,q). . . . . . . . . . . . . .

4. Modelos lineales no estacionarios

4.1. No estacionariedad en varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.2. No estacionariedad en media. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.3. Modelos ARIMA(p,d,q). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.3.1. Modelo de paseo aleatorio . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.3.2. Modelo de paseo aleatorio con deriva . . . . . . . . . . . . . . . . . . . . .

5.1. Estrategia de modelizacion ARIMA . . . . . . . . . . . . . . . . . . . . . . . . . .

5.2.1. Analisis de estacionariedad . . . . . . . . . . . . . . . . . . . . . . . . . .

5.2.2. Identificacion del modelo estacionario . . . . . . . . . . . . . . . . . . . .

5.4. Validacion del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5.4.1. Analisis de coeficientes estimados . . . . . . . . . . . . . . . . . . . . . . .

5.4.2. Analisis de residuos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6.1. Prediccion con modelos estacionarios . . . . . . . . . . . . . . . . . . . . . . . . .

6.1.1. Prediccion con modelos MA(q). . . . . . . . . . . . . . . . . . . . . . . . .

6.1.2. Prediccion con modelos AR(p) . . . . . . . . . . . . . . . . . . . . . . . .

6.1.3. Prediccion con modelos ARMA(p,q). . . . . . . . . . . . . . . . . . . . . .

6.1.4. Predicciones con modelos estacionarios estimados . . . . . . . . . . . . . .

6.2. Prediccion con modelos no estacionarios. . . . . . . . . . . . . . . . . . . . . . . .

7. Modelos ARIMA estacionales

7.1. Modelos estacionales puros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

8.1. Cuestiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135

Consideremos algunos ejemplos de series temporales cuya evoluci

Grafico 1.2: Empleo en el Estado Espa

Empleo (1961,I - 1994,IV)

el mes de agosto de 2008. Si tuvieramos que describir brevemente la evoluci

Cada uno de los datos, Yt , puede representar o una acumulaci

poblacional mediante su correspondiente coeficiente muestral:

El coeficiente de correlacion se puede utilizar como instrumento para analizar la estructura de

(Yt Y(1) )(Yt+1 Y(2) )

rYt Yt+1 = r1 = v t=1

El coeficiente r1 mide la correlacion, grado de asociacion lineal, entre observaciones sucesivas; se

El correlograma es el grafico de los coeficientes de autocorrelacion de orden k contra el retardo

(B.1) Correlacion a corto plazo.

(B.2) Correlacion a corto plazo.

(D) Si una serie presenta alg

. . . , Yt2 , Yt1 , Yt , Yt+1 , Yt+2 , . . . ,

Dado que el objetivo del libro es el analisis de series temporales, consideraremos u

Si se fija la variable aleatoria = 0 , se tiene una realizaci

es un conjunto de N observaciones de una variable aleatoria consumo familiar, C (, 2 ).

Caractersticas de un proceso estoc

Momentos del proceso estoc

En el analisis de series temporales el objetivo es utilizar la teora de procesos estocasticos para