Upload
kevin-josmer-zarabia-loaiza
View
240
Download
0
Embed Size (px)
Citation preview
7/30/2019 Tema 2 Modelizacion Economica Ii_2
1/37
MODELOS DE SERIES TEMPORALES EN FINANZAS(I): MODELOS ARIMA
Modelizacin Econmica II
Referencias:Mills y Markellos (2008) "The Econometric Modelling of Financial
Time Series", Cambridge University Press.Aznar y Trvez (1993) "Mtodos de Prediccin en Economa II", Ariel.
Modelos ARIMA () Dr Javier Perote Pea [email protected] 1 / 37
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
2/37
1 Introduccin a las series temporales
Llamaremos serie temporal o proceso estocstico en tiempo discreto a unasucesin de variables aleatiorias fYtg para t= , ...,2,1, 0, 1, 2, ..., (t
recoge el tiempo y toma valores discretos).
Box & Jenkins (1976) modeliz las series temporales mediante los modelos
ARIMA. El trmino signica:
AR = Autorregresivos
I = Integrados
MA = Mediasmoviles
La metodologa Box-Jenkins recoge una serie de etapas y procedimientos para la
identicacin, estimacin, contraste y prediccin de los modelos ARIMA con
datos de series temporales.Modelos ARIMA () Dr Javier Perote Pea [email protected] 2 / 37
http://find/http://goback/7/30/2019 Tema 2 Modelizacion Economica Ii_2
3/37
1 Introduccin a las series temporales
Una serie temporal Yt es estacionaria (en sentido dbil) si existen sus
momentos de primer y segundo orden y estos son constantes eindependientes de t, es decir,
a) E(Yt) = 8 t,
b) Var(Yt) = E(Yt )2
= 2 8 t
c) Cov(Yt, Yts) = E [(Yt )(Yts )] = (s) 8 t y 8s6= 0.
(s) es una funcin que depende de s pero no de t y se denomina funcinde autocovarianza (FAC).
Ejemplo: Un ruido blanco (t) es un proceso estocstico estacionario dado
que si E(t) = 0 8 t, Var(t) = 2 8t y Cov(t, ts) = 0 8 t y 8s6= 0.La propiedad de estacionariedad es muy importante porque si las series noson estacionarias la estimacin MCO es sesgada, inconsistente y lasdesviaciones tpicas de los estimadores no son vlidas.
Modelos ARIMA () Dr Javier Perote Pea [email protected] 3 / 37
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
4/37
1 Introduccin a las series temporales
Una serie temporal estacionaria Yt se puede caracterizar por su estructura
completa de covarianzas ((s)), correlaciones ((s)) o correlaciones
parciales ((s)).
Funcin de autocorrelacin simple (FAS): (s) =
(s)
(0)8s= 1, 2, ...donde (0) = Var(Yt).
Funcin de autocorrelacin parcial (FAP):
(s) = Corr [YtYts j Yt1 , Yt2 , ..., Yts+1] 8s= 1, 2, ...
La representacin grca de la FAP y de la FAS se denominan
correlograma simple y parcial. Ambas son funciones simtricas y
comprendidas entre 1 y 1.
Modelos ARIMA () Dr Javier Perote Pea [email protected] 4 / 37
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
5/37
1 Introduccin a las series temporales
La etapa de identicacin de la metodologa Box-Jenkins trata de reconocerel proceso ARIMA que genera una serie temporal concreta en funcin de loscorrelogramas simple y parcial muestrales.
1
1 2 3 4 5 s6
1
(s)
1
1
2
3
4
5
s6
1
(s)
Modelos ARIMA () Dr Javier Perote Pea [email protected] 5 / 37
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
6/37
2 Modelos AutorregresivosModelo AR(1)
Un proceso autorregresivo de primer orden, AR(1), se dene como
Yt = 0 + 1Yt1 + t
donde t es una variable aleatoria ruido blanco: E(t) = 0 8t, Var(t) = 2 8t y Cov(t, ts) = 0 8t y 8s6= 0.
Si j1
j < 1 el proceso AR(1) es estacionario. En tal caso se puededemostrar que:
a) E(Yt) =0
118t,
b) Var(Yt) = (0) =2
1218t
c) Cov(Yt, Yts) = (s) = s1 2
121= s1(0) 8 t y 8s6= 0.
Por tanto j1 j < 1 todas las autocorrelaciones simples son disntintas de cerosi bien decaen rpidamente hacia cero.
(s) = s1 8s= 1, 2, ...
Modelos ARIMA () Dr Javier Perote Pea [email protected] 6 / 37
http://find/http://goback/7/30/2019 Tema 2 Modelizacion Economica Ii_2
7/37
2 Modelos Autorregresivos
Modelo AR(1)
Si j1j < 1 slo la primera autocorrelacin parcial es distinta de cero.
(s) =
8 1
1
1 2 3 4 5 s6
1
(s)1
1
(s)
1 2 3 4 5 s6
Modelos ARIMA () Dr Javier Perote Pea [email protected] 7 / 37
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
8/37
2 Modelos Autorregresivos
Modelo AR(1)
Si j1j 1 el AR(1) tiene varianza "explosiva" (no estacionario en
varianza).
Por ejemplo, si 1 = 1 el proceso resultante se denomina paseo aleatorio
(con deriva 0): Yt = 0 + Yt1 + t. ste es un proceso integrado de
orden 1 o I(1) dado que su primera diferencia es estacionaria:
Yt = Yt Yt1
= 0
+ t.
Estadsticamente este proceso es indistinguible de un AR(1) con 1 = 0.99,
proceso muy prximo a la no estacionariedad que se caracteriza por la alta
persistencia de las correlaciones (lento decaimiento hacia cero de la FAS).
Modelos ARIMA () Dr Javier Perote Pea [email protected] 8 / 37
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
9/37
2 Modelos Autorregresivos
Modelo AR(1)
Correlograma de un proceso AR(1) prximo a la no estacionariedad.
1
1 2 3 4 5 6
1
(s)
7 98 10 11 12
s1514 16 17 1813
Modelos ARIMA () Dr Javier Perote Pea [email protected] 9 / 37
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
10/37
2 Modelos Autorregresivos
Generacin de una serie de un proceso AR(1) estacionario con Eviews
Abrir EViews and crear un nuevo chero con "File/New Workle". En el rango de
la serie "workle range" elegir "undated" y "500" observaciones. Una serie
estacionaria se crea como sigue:1. smpl 1 1
genr yt=0 [genera Yt con el valor 0 para la observacin 1]
2. smpl 1 500
genr ut=nrnd [genera una serie ruido blanco con varianza 1]3. smpl 2 500
genr yt=0.5+0.4*yt(-1)+ut [genera Yt: proceso AR(1) con 1 = 0.4]
Modelos ARIMA () Dr Javier Perote Pea [email protected] 10 / 37
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
11/37
2 Modelos AutorregresivosGeneracin de una serie de un proceso AR(1) estacionario con Eviews
Notar que la media ( 0.510.4 = 0.83) y la varianza (1
10.42 = 1.19) son constantes
en el tiempo.
-3
-2
-1
0
1
2
3
4
5
100 200 300 400 500
YT
Modelos ARIMA () Dr Javier Perote Pea [email protected] 11 / 37
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
12/37
2 Modelos AutorregresivosGeneracin de una serie de un proceso AR(1) no estacionario con Eviews
Abrir EViews and crear un nuevo chero con "File/New Workle". En el rango de
la serie "workle range" elegir "undated" y "500" observaciones. Una serie
estacionaria se crea como sigue:
1. smpl 1 1
genr yt=0 [genera Yt con el valor 0 para la observacin 1]
2. smpl 1 500
genr ut=nrnd [genera una serie ruido blanco con varianza 1]3. smpl 2 500
genr yt=0.5+1.4*yt(-1)+ut [genera Yt: proceso AR(1) con 1 = 1.4]
Modelos ARIMA () Dr Javier Perote Pea [email protected] 12 / 37
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
13/37
2 Modelos AutorregresivosGeneracin de una serie de un proceso AR(1) no estacionario con Eviews
-2.0E+71
0.0E+00
2.0E+71
4.0E+71
6.0E+71
8.0E+71
1.0E+72
1.2E+72
1.4E+72
100 200 300 400 500
YT
Modelos ARIMA () Dr Javier Perote Pea [email protected] 13 / 37
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
14/37
2 Modelos Autorregresivos
El modelo AR(2)
Un proceso autorregresivo de segundo orden, AR(2), se dene como
Yt = 0 + 1Yt1 + 2Yt2 + t
donde t es una variable aleatoria ruido blanco.
Un AR(2) se puede reescribir en funcin del operador de retardos, L (que
satisface LsYt = Yts) y el correspondiente polinomio de retardos, (L):
Yt 1Yt1 2Yt2 = 0 + t
(1 1L 2L2)Yt = 0 + t
(L)Yt = 0 + t
Modelos ARIMA () Dr Javier Perote Pea [email protected] 14 / 37
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
15/37
2 Modelos AutorregresivosEl modelo AR(2)
Un AR(2) es estacionario si las races del polinomio de retardos caenfuera del crculo unidad, es decir si jLij > 1 8 i = 1, 2 donde Li son lasraces que satisfacen 1 1L 2L
2 = 0.
Por ejemplo, para el caso del AR(1)
1 1L = 0 ) L =
11 > 1 , j1 j < 1.
Si el proceso AR(2) es estacionario E(Yt) =0
1128t y la estructura de
autocovarianzas se obtienen de la resolucin del sistema de ecuaciones deYule-Walker.
Modelos ARIMA () Dr Javier Perote Pea [email protected] 15 / 37
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
16/37
2 Modelos AutorregresivosEl modelo AR(2)
El sistema de Yule-Walker es recursivo: con las tres primeras ecuacionesse obtienen (0), (1) y (2).
(0) = 1(1) + 2(2) + 2
(1) = 1(0) + 2(1)(2) = 1(1) + 2(0)
El resto autocovarianzas se obtienen recursivamente de
(s) = 1(s 1) + 2(s 2)8s> 2.
Todas las autocorrelaciones simples son distintas de cero pero slo las dosprimeras autocorrelaciones parciales son distintas de cero.
Modelos ARIMA () Dr Javier Perote Pea [email protected] 16 / 37
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
17/37
2 Modelos AutorregresivosCorrelograma simple y parcial de un AR(2)
1
1 2 3 4 5 s6
1
(s)
1
1 2 s
1
(s)
Modelos ARIMA () Dr Javier Perote Pea [email protected] 17 / 37
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
18/37
2 Modelos AutorregresivosEl modelo AR(p)
El proceso autorregresivo de orden p o AR(p) se dene como:
Yt = 0 + 1Yt1 + 2Yt2 + ... + pYtp + t
donde t es una variable aleatoria ruido blanco.Un AR(p) se puede reescribir en funcin del operador de retardos (L) y elcorrespondiente polinomio de retardos, (L):
Yt 1Yt1 2Yt2 ... pYtp = 0 + t
(1 1L 2L2 ... pL
p)Yt = 0 + t
(L)Yt = 0 + t
Modelos ARIMA () Dr Javier Perote Pea [email protected] 18 / 37
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
19/37
2 Modelos AutorregresivosEl modelo AR(p)
Un AR(p) es estacionario si las races del polinomio de retardos caenfuera del crculo unidad, es decir si jLij > 1 8 i = 1, 2 donde Li son lasraces de 1 1L 2L
2... pL
p = 0.
Si el proceso AR(p) es estacionario E(Yt) =0
112...p8t y las
autocovarianzas se obtienen del sistema de ecuaciones de Yule-Walker(con las p primeras ecuaciones se obtienen la varianza y las p primerascovarianzas).
(0) = 1(1) + 2(2) + + p(p) + 2
(s) = 1(s 1) + 2(s 2) + p(s p) 8s> 0.
Todas las autocorrelaciones simples son distintas de cero pero slo las pprimeras autocorrelaciones parciales son distintas de cero.
Modelos ARIMA () Dr Javier Perote Pea [email protected] 19 / 37
3 M d l d di il
http://find/http://goback/7/30/2019 Tema 2 Modelizacion Economica Ii_2
20/37
3 Modelos de medias mvilesEl modelo MA(1)
El modelo de medias mviles de orden 1 o MA(1) se expresa en funcin deruidos blancos (t) como
Yt = 0 + t 1t1 .
Un MA(1) es siempre estacionario (combinacin lineal de procesosestacionarios). En particular,
a) E(Yt) = 08t,
b) Var(Yt) = (0) = 2 (1 +
21) 8t
c) Cov(Yt, Yts) = (s) =1
2 si s= 1
0 8s> 18 t.
Modelos ARIMA () Dr Javier Perote Pea [email protected] 20 / 37
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
21/37
3 Modelos de medias mvilesEl modelo MA(1)
En un MA(1) slo la primera autocorrelacion simple es distinta de cero pero
la FAP nunca se anula.
1
1
s
1
(s)1
1 2 3 4 5
s
6
1
(s)
Modelos ARIMA () Dr Javier Perote Pea [email protected] 21 / 37
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
22/37
3 Modelos de medias mvilesInvertibilidad de un MA(1)
Una serie temporal Yt es invertible si puede representarse como un proceso
AR estacionario (de orden innito). Esta propiedad se requiere para la
identicacin de los procesos ARIMA segn su FAS y FAP y para la
prediccin de los procesos MA(q).Si j1j < 1 el proceso MA(1) es invertible.
Yt = t+ 0 1(Yt1 0 + 1t2) = t+ 0(1 + 1) 1Yt1 21t2
y sustituyendo recursivamente ti por el correspondiente proceso MA(1) seobtiene
Yt = 0
i=0
i1
i=0
i1Yti + t = 0 +
i=0
iYti + t.
Modelos ARIMA () Dr Javier Perote Pea [email protected] 22 / 37
3 Modelos de medias mviles
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
23/37
3 Modelos de medias mvilesEl modelo MA(2)
El modelo de medias mviles de orden 2 o MA(2) se expresa como (t ruidoblanco)
Yt = 0 + t 1t1 1t2 .
Un MA(2) es siempre estacionario y sus autocovarianzas:a) E(Yt) = 08t,
b) Var(Yt) = (0) = 2 (1 + 21 +
22) 8t
c) Cov(Yt, Yts) = (s) = 8 2
8 t.
Modelos ARIMA () Dr Javier Perote Pea [email protected] 23 / 37
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
24/37
3 Modelos de medias mvilesEl modelo MA(2)
En un MA(2) las dos primeras autocorrelaciones simples son distintas de
cero pero la FAP nunca se anula.
1
1
s
1
(s)1
1 2 3 4 5
s
6
1
(s)
2
Modelos ARIMA () Dr Javier Perote Pea [email protected] 24 / 37
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
25/37
3 Modelos de medias mvilesEl modelo MA(2)
Un modelo MA(2) se puede representar en funcin del operador de retardos,
L, y del polinomio de retardos, (L):
Yt = 0 + (1 1L 2L2
)t = 0 +(L)t
Un MA(2) es invertible si las races del polinomio de retardos caen
fuera del crculo unidad, es decir si jLij > 1 8 i = 1, 2 donde Li son las
races que satisfacen 1 1L 2L2
= 0.Por ejemplo, para el caso del MA(1)
1 1L = 0 ) L = 11
> 1 , j1j < 1.Modelos ARIMA () Dr Javier Perote Pea [email protected] 25 / 37
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
26/37
3 Modelos de medias mviles
El modelo MA(q)
El modelo de medias mviles de orden q, MA(q), se representa como (t
ruido blanco)
Yt = 0 + t 1t1 2t2 ... qtq.
Alternativamente usando el operador de retardos se puede expresar como
Yt = 0 + (1 1L 2L2 ... qL
q)t = 0 +(L)t.
El modelo MA(q) es siempre estacionario e invertible si las races de(L) = 0 caen fuera del crculo unidad.
La FAS de un MA(q) se anula a partir del orden del proceso (q), pero la
FAP nunca se anula.
Modelos ARIMA () Dr Javier Perote Pea [email protected] 26 / 37
4 M d l ARMA
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
27/37
4 Modelos ARMAEl modelo ARMA(1,1)
Un proceso ARMA(1,1) es un proceso mixto entre un AR(1) y un MA(1)que se representa como (t ruido blanco)
Yt = 0 + 1Yt1 + ut 1ut1 .
Este proceso es estacionario si j1j < 1 e invertible j1j < 1.
Si el proceso es estacionario satisface:
a) E(Yt) =0
118t,
b) Var(Yt) = (0) = 2 (1+21211 )1218t
c) Cov(Yt, Yts) = (s) =
8 18 t.
Modelos ARIMA () Dr Javier Perote Pea [email protected] 27 / 37
4 M d l ARMA
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
28/37
4 Modelos ARMAEl modelo ARMA(1,1)
Por tanto la FAS y la FAP de un ARMA(1,1) tienen todas las
autocorrelaciones simples y parciales distintas de cero, si bien stas decaen
exponencialmente hacia cero.
La primera autocorrelacin simple depende tanto de la parte AR(1) como
MA(1), pero a partir de sta el resto se comportan como las de un AR(1).
En cuanto a la FAP, la primera autocorrelacin parcial depende de la
estructura AR(1) y MA(1) pero a partir de sta el resto se comportan como
en un MA(1).
Los procesos AR(1) y MA(1) son casos particulares del ARMA(1,1) para
1 = 0 y 1 = 0, respectivamente.
Modelos ARIMA () Dr Javier Perote Pea [email protected] 28 / 37
4 M d l ARMA
http://find/http://goback/7/30/2019 Tema 2 Modelizacion Economica Ii_2
29/37
4 Modelos ARMAEl modelo ARMA(p,q)
La forma general de un proceso ARMA(p,q) es la siguiente (t ruido blanco):
Yt = 0 + 1Yt1 + ... + pYtp + t 1t1 ... qtq
(L)Yt = 0 +(L)t
Un ARMA(p,q) es estacionario e invertible cuando las races de
(L) = 1 1L 2L2 ... pL
p = 0 y
(L) = 1 1L 2L2 ... qLq = 0 caen fuera del cculo unidad.
La FAS y la FAP de un proceso ARMA(p,q) estacionario son todas distintasde cero dado que a partir del orden q la FAS se comporta como en un AR(p)
y a partir del orden p la FAP se comporta como en un MA(q).
Casos particulares: ARMA(p,0)=AR(p) y ARMA(0,q)=MA(q).
Modelos ARIMA () Dr Javier Perote Pea [email protected] 29 / 37
5 M d l ARIMA( d )
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
30/37
5 Modelos ARIMA(p,d,q)
La mayor parte de las series econmicas no son estacionarias dado que
suelen presentar tendencias y/o clusters de volatilidad.
Las series no estacionarias en media se convierten en estacionarias
diferencindolas. Si Yt no es estacionaria pero la serie diferenciada d veces
s lo es, entonces Yt sigue un proceso integrado de orden d o I(d). Enparticular las series estacionarias son I(0).
Normalmente basta con aplicar una diferencia (Zt = Yt = Yt Yt1), o
como mucho dos (2Yt = Zt = Zt Zt1), para transformar las series
econmicas en estacionarias.
Si las series no son estacionarias en varianza normalmente se les suele
aplicar logartimos antes de diferenciarlas. Diferencias de logaritmos son
tasas de variacin: ln(Yt) ln(Yt1) 'YtYt1
Yt1 .Modelos ARIMA () Dr Javier Perote Pea [email protected] 30 / 37
Ejemplos de series temporales no estacionarias
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
31/37
Ejemplos de series temporales no estacionarias
Los grcos de las series ofrecen una primera idea de la no estacionariedad. Porejemplo las guras del ndice S&P500 o del tipo de cambio /$ son claramenteno estacionarias en varianza (transformacin logaritmica) y en media (primerasdiferencias).
200
400
600
800
1,000
1,200
1,400
1,600
92 94 9 6 9 8 0 0 02 04
SP500 (daily data) 26/4/1991 - 26/4/2006. 0bs 3913
.45
.50
.55
.60
.65
.70
.75
86 88 90 92 94 96 98 00 02 04 06
Exchange rate /$. Daily data. Obs 5441
Modelos ARIMA () Dr Javier Perote Pea [email protected] 31 / 37
5 Modelos ARIMA(p,d,q)
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
32/37
(p, ,q)
Si Yt es I(d) entonces Zt = dYt = (1 L)dYt es I(0), siendo L el
operador de retardos. Si adems Zt se comporta como un ARMA(p,q)entonces Yt se denomina ARIMA(p,d,q). Dicho proceso se puederepresentar como:
Zt = 0 + 1Zt1 + ... + pZtp + t 1t1 ... qtq.
(L)Zt = 0 +(L)t) (L)(1 L)dYt = 0 +(L)t
Casos particulares: ARIMA(p,0,q)=ARMA(p,q), ARIMA(p,1,0)=ARI(p),ARIMA(0,1,q)=IMA(q), ARIMA(p,0,0)=AR(p), ARIMA(0,0,q)=MA(q),ARIMA(0,d,0)=I(d), ARIMA(0,1,0)="paseo aleatorio",
ARIMA(0,0,0)="ruido blanco"...Algunas extensiones: modelos ARIMA estacionales multiplicativos (con parteregular y estacional), modelos ARFIMA (de integracin fraccional) yVectores Autorregresivos multivariantes (VAR).
Modelos ARIMA () Dr Javier Perote Pea [email protected] 32 / 37
6 Metodologa Box-Jenkins
http://goforward/http://find/http://goback/7/30/2019 Tema 2 Modelizacion Economica Ii_2
33/37
6 Metodologa Box Jenkins
Box y Jenkins (1976) denieron una metodologa de cuatro etapas paraseleccionar el proceso ARIMA subyacente a una serie temporal concreta conel propsito de estimar, contraster y predecir series temporales. Las cuatroetapas son las siguientes:
1) Identicacin,2) Estimacin3) Contraste4) Prediccin
La metodologa se puede aplicar solamente a procesos ARMA estacionarios(ARIMA antes de las correspondientes transformaciones para garantizarestacionariedad).
Modelos ARIMA () Dr Javier Perote Pea [email protected] 33 / 37
6 B & J ki M th d l
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
34/37
6 Box & Jenkins Methodology
1) Representar la serie y calcular la FAS y FAP muestrales y comprobar si las
series son estacionarias. Si lo son (correlaciones decrecen rpidamente) pasar
al paso 3, si no lo son (lento decrecimiento) continuar con el paso 2.
2) Tomar logaritmos de la serie si parece que no es estacionaria en varianza
(varianza no constante en el tiempo) y/o primeras diferencias si parece que
no es estacionaria en media (tiene tendencia o medias distintas por tramos).
3) Examinar la FAS y la FAP muestrales de la nueva serie transformada (si
siguiera sin ser estacionaria volver al paso 2 y aplicar una nueva diferencia) eintentar identicar el proceso ARMA teniendo en cuenta las correlaciones
simples y parciales signicativas (bandas de uctuacin).
4) Estimar el proceso que se ha especicado (mxima verosimilitud).Modelos ARIMA () Dr Javier Perote Pea [email protected] 34 / 37
6 Metodologa Box Jenkins
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
35/37
6 Metodologa Box-Jenkins
5) Contrastes de hiptesis:
Contraste de signicatividad individual (o conjunta) de los parmetros
del modelo.
Contrastes sobre los residuos del modelo: comprobar que la FAS y la
FAP tienen un comportamiento de ruido blanco (ninguna correlacionsignicativa), contraste de normalidad (test de Jarque-Bera)...
Usar el criterios de informacin de Akaike y Schwarz (AIC, BIC)
adems del R2 ajustado para decidir sobre la bondad de los ajustes de
posibles especicaciones alternativas (normalmente de la inspeccin dela FAS y FAC se pueden identicar distintos modelos).
6) Si se deciden cambios en el modelo original volver estimar los nuevos
modelos en la etapa 4.
Modelos ARIMA () Dr Javier Perote Pea [email protected] 35 / 37
7 Prediccin bajo normalidad y varianza constante
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
36/37
Una vez que el modelo est correctamente especicado puede usarse para laprediccin.
Consideremos el caso ms simple: Yt sigue un proceso AR(1),
Yt = 0 + 1Yt1 + t
por tanto el horizonte de prediccin para Yt ser un periodo extramuestralhacia adelante (T+ 1) y el mejor predictor puntual
bYT+1 = bE(YT+1) = b0 + b1YT(suponiendo que el modelo sigue siendo vlido en T+ 1, es decir,YT+1 = 0 + 1YT + uT+1, y E(uT+1) = 0).
Al nivel de conanza del 95% (y asumiendo normalidad) un intervalo de
conanza para Yt+1 ser bYT+1 z2 bYdonde z
2= 1.96 y bY es la desviacin tpica muestral de Y.
En consecuencia Y se encontrar en dicho intervalo en T+ 1 con unaprobabilidad del 95%.
Modelos ARIMA () Dr Javier Perote Pea [email protected] 36 / 37
8 Evaluacin de las predicciones
http://find/7/30/2019 Tema 2 Modelizacion Economica Ii_2
37/37
Es nuestro modelo adecuado para predecir la variable objeto de estudio?
Para evaluar la capacidad predictiva del modelo se puede proceder de la siguienteforma:
1 Separar la muestra en dos partes: (i) Periodo muestral (tamao T) y (ii)Periodo extramuestral (tamao n), que usaremos para comparar nuestraspredicciones con los datos reales.
2 Repetir la estimacin n veces usando una "ventana rodante" de tamao jo.
3 Medir el error de prediccin en el periodo extramuestral usando algunamedida como el "error cuadrtico medio" (ECM).
ECM=ni=1 e
2i
n
donde ei = bYT+i YT+i es el error de prediccin en el period T+ i,8i = 1, ..., n. Notemos que Yt+1 , Yt+2 , ..., Yt+n son los valores reales de laserie en el periodo extramuestral (que son conocidos).
4 Repetimos los pasos 1 a 3 para cada modelo cuya capacidad predictivaqueramos comparar. El modelo con mejor capacidad predictiva ser aquel
que presente un ECM menor.Modelos ARIMA () Dr Javier Perote Pea [email protected] 37 / 37
http://find/