SERIES DE TIEMPO – MODELOS ARIMA

ROLLY ROGER VASQUEZ MACEDO

2011

SERIES DE TIEMPO – MODELOS ARIMA
FUNCIÓN DE AUTOCORREALCION Y FUNCIÓN DE
AUTOCORRELACION PARCIAL

ROLLY ROGER VASQUEZ MACEDO2011

SERIES DE TIEMPO – MODELOS ARIMA

2011

1. Estacionariedad io i1 i2
I(0). Integrada de orden 0. El siguiente gráfico corresponde al de una serie
estacionaria

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

ROLLY ROGER VASQUEZ MACEDO

SERIES DE TIEMPO – MODELOS ARIMA

2011

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

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

Yt= ?+?1Y t-1 +?2Y t-2 +?3Y t-3 +…+ ?p Y t-p + ?t
Proceso de media móvil MA(q):
En los modelos de media móvilYt, depende simplemente de la perturbación
estocástica y de los rezagos de este. Se describe a Yt como un MA(q), si sigue el
siguiente proceso estocástico.

Yt= ?t + ?1?t-1 ++ ?2?t-2 +…+ ?q?t-qMETODOLOGÍA BOX – JENKINS
Para realizar un buen pronóstico se sigue la metodología Box – Jenkins, que consiste en:
1. 1 Prueba de estacionariedad (mediante un test de raíz unitaria)
2. 2 Identificación delmodelo ARIMA (mediante el correlograma)
3. 3 Estimación del modelo identificado
4. 4 Verificación del supuesto de ruido blanco de los residuales (mediante el
correlograma)
5. 5 Decisión: si losresiduales son ruido blanco avanzar al paso 6 sino volver
al paso 2 o 1
6. 6 Pronosticar, si pronostica bien FIN, sino volver al paso 2 o 1
Mostrar:
ROLLY ROGER VASQUEZ MACEDO

2011

SERIES DE TIEMPO -MODELOS ARIMA
INTRODUCCION

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

Yt= f (X2t , X3t,… Xkt , ?t )
Trabajaremos ahora en modelos uniecuacionales donde la variable dependiente se
explica, por los valores rezagados de la misma variable dependiente y, por otra parte,
por la perturbación…