series de tiempo
TRANSCRIPT
Series de Tiempo
Ing. Alvin Henao
yt
t
Series De Tiempo Ejemplos
1. Series económicas:
- Precios de un artículo
- Tasas de desempleo
- Tasa de inflación
- Índice de precios, etc.
2. Series Físicas:
- Meteorología
- Cantidad de agua caída
- Temperatura máxima diaria
- Velocidad del viento (energía eólica)
- Energía solar, etc.
3. Geofísica:
- Series sismologías
4. Series demográficas:
- Tasas de crecimiento de la población
- Tasa de natalidad, mortalidad
- Resultados de censos poblacionales
5. Series de marketing:
- Series de demanda, gastos, ofertas
6. Series de telecomunicación:
- Análisis de señales
7. Series de transporte:
- Series de tráfico
Tomado de: http://ciberconta.unizar.es/LECCION/seriest/100.HTM#_Toc523661810
Series de Tiempo
• Modelos Deterministas:
– Métodos de extrapolación simple.
– Modelos de promedio móvil
• Modelos estocásticos
Ing. Alvin Henao
Series de tiempo
Modelos deterministas
• Métodos de extrapolación simple:
121
121
21
21
loglog
log
tt
tt
t
rt
t
t
yCCy
yCCy
tCCy
Aey
tCCyTendencia lineal
Crecimiento exponencial
Regresión log lineal
Tendencia autorregresiva
Tendencia autorregresiva
logarítmica
Ing. Alvin Henao
Series de tiempo
Modelos deterministas
• Modelos de promedio móvil:
)(1
21 mtttt yyym
y
Ing. Alvin Henao
• Modelos Ewma (Exponentially weighted moving
average)
tt
tttt
yy
yyyy
0
1
2
2
11
)1(ˆ
...)1()1(ˆ
Series de tiempo estocásticas
Conceptos claves:
• Correlación
• Estacionariedad
Ing. Alvin Henao
Colección de variables aleatorias
en el tiempo
Serie de rendimientos en Acciones
IGBC
Rendimientos Acciones
-0,15
-0,1
-0,05
0
0,05
0,1
0,15
0,2
0 100 200 300 400 500
Tiempo
IGB
C
Periodo
Ene/06 -
Nov/07
Series de tiempo estocásticas
• Estacionariedad
Serie estrictamente estacionaria:
Ing. Alvin Henao
},,Pr{},,Pr{ 11 ttktttkt yyyy La distribución de probabilidad conjunta es invariante
con respecto al tiempo
Serie débilmente estacionaria:
Media, varianza y covarianza constantes
Media y varianza son finitos
Series de tiempo estocásticas
• Autocorrelación o Correlación serial
0)(
),(
)()(
),(
l
t
ltt
ltt
lttl
yVar
yyCov
yVaryVar
yyCov
Ing. Alvin Henao
Para una muestra: (FAC-Función de autocorrelación muestral)
10,
)(
))((ˆ
1
2
1
Tl
yy
yyyyT
t
t
T
lt ltt
l
Series de tiempo estocásticas
• Ruido Blanco:
Serie independiente e idénticamente
distribuida
Ing. Alvin Henao
Implica estacionariedad
l = 0
RUIDO BLANCO Yt
0,719 0,906
0,342 0,849
0,962 0,981
0,583 0,097
0,195
0,669
0,391
0,961 0,044
0,911 0,990
0,119 0,910
0,669 0,491
0,752
• Ing. Alvin Henao
Series de tiempo estocásticas Pruebas para determinar si l = 0
T-ratio: l ~N(0,1/T)
0ˆ:
0ˆ:
)ˆ21(
ˆ
1
1
2
l
l
l
i i
l
Ha
Ho
T
ratiot
Ing. Alvin Henao
Criterio para rechazar Ho:
2Zratiot )2/1(100
2
Z
Series de tiempo estocásticas Pruebas para determinar si l = 0
Test Pormanteau (Box – Pierce)
miHa
Ho
TmQ
i
m
m
l l
,...,1,0ˆ:
0ˆˆ:
ˆ)(*
1
1
2
Ing. Alvin Henao
Criterio para rechazar Ho:
2)( mQ )1(1002
Series de tiempo estocásticas Pruebas para determinar si l = 0
Prueba Ljung - Box
miHa
Ho
lTTTmQ
i
m
m
l
l
,...,1,0ˆ:
0ˆˆ:
ˆ)2()(
1
1
2
Ing. Alvin Henao
Criterio para rechazar Ho:
2)( mQ )1(1002
FACP
1,...,2,1,
,3,2,
1
1
,1,1
1
1
,1
1
1
,1
1
kj
kif
kif
jkkkkjkkj
k
j
jjk
k
j
jkjkkkk
2
)(1
02/1
n
tif kkkk kk
Ing. Alvin Henao
MODELOS AR • Estructura General:
tptpttt YYYY 22110 Modelo AR(P)
ttt YY 110 Modelo AR(1)
tttt YYY 22110 Modelo AR(2)
• Propiedades:
111
1)()(1
11
12
1
2
0
1
1
0
1
1
0
p
p
Modelo AR(P)
Modelo AR(1)
Modelo AR(1)
Ing. Alvin Henao
MODELOS AR
• Propiedades:
01
01
0)1(
0
)0(
2
21
2
21
2
21
1
2211
022112211
p
p
l
kll
k
ll
lll
llllll
XXX
XX
BB
BB
Ec. Característica de la FAC
Estacionariedad implica Raíces mayores que 1 en módulo.
Las inversas de las raíces se denominan RAICES
CARACTERISTICAS y deben ser menores que 1 en módulo
Ing. Alvin Henao
MODELOS MA • Estructura General:
qtqttttY 2211 Modelo MA(q)
11 tttY Modelo MA(1)
• Propiedades:
10
11
10
)1(
2
1
1
2
11
2
1
2
0
l
l
k
YE
l
k
t
Modelo MA(1)
t
q
qt BBY )1( 1
Ing. Alvin Henao
MODELOS MA
• Propiedades:
3
3
12
2
111
11
222
2
2
10 )1()(
ttttt
ttt
qt
Y
Y
YVar
Invertibilidad
Ing. Alvin Henao
Modelos ARMA(p,q)
t
q
qt
p
p
p
i
q
i
itititit
BBYBB
YY
)1()1( 101
1 1
0
Débilmente estacionario si raíces características <1
)(1 1
0
p
Ing. Alvin Henao
Random Walk
hhhhh
hhhhhhhh
hhhhh
ttt
yyyyyE
yyyEyyyEy
yyyyEy
yy
)1(ˆ,...},|{
,...},|{,...},|{)2(ˆ
,...},|{)1(ˆ
11
12112
11
1
Process is not mean reverting
laslleVar
le
y
h
hlhh
tttt
2
1
21
)]([
...)(
...
As AR representation
As MA representation
Ing. Alvin Henao
Random Walk with drift
110
120212
101
0
1
1
...
2
}{
)(
ttt
t
tt
ttt
yty
yyy
yy
ValueInitialy
Trend
WNis
yyE
yy
Time trend Random walk
process 2)( tVar i
Ing. Alvin Henao
Unit Root Test – Dickey Fuller
)(
1
1
1
110
11
stdratiotDF
yy
yy
ttt
ttt
Simple way:
Augmented Dickey Fuller Test:
Arima Models
0:&0:1
1:
1:
10
1
1
11
1
0
1
1
1
ccc
p
i
ititctt
t
p
i
itittt
HH
xxcx
or
H
H
xxcx
Ing. Alvin Henao
Modelos Generales no
estacionarios de Raíz Unitaria
Modelos ARIMA (p,d,q): modelo Integrado
Autorregresivo y
de Promedio Móvil
Tiene raíz unitaria
Ing. Alvin Henao