Capitulo 9: Modelos unívariados de series temporales

Procesos estocásticasFunción de autocovarianza, autocorrelación y autocorrelación parcial.Procesos de ruido blanco y paseo aleatorioTeorema de WoldProcesos AR(p)Procesos MA(q)Procesos ARMA(p,q)Procesos ARIMA(p,d,q)

Procesos estocásticos

• Definición: Un proceso estocástico es una sucesión de variables aleatorias ordenadas en el tiempo (en el caso de series temporales).

• Definición: Una serie temporal es una realización del proceso estadístico, es decir, es una observación de T variables aleatorias ordenadas en el tiempo.

Restricciones a la heterogeneidad temporal del proceso.

Restricciones de Estacionaridad• Definición: Un proceso estocástico es

estacionario en sentido estricto o fuerte cuando la distribución de probabilidad conjunta de cualquier parte de la secuencia de variables aleatorias es invariante del tiempo.

),...,,(),...,,( 11 ktttkttt xxxFxxxF

• Definición: Un proceso estocástico es estacionario en sentido débil si los momentos del primero y segundo orden de la distribución (esperanzas, varianzas, covarianzas) son constantes a largo del tiempo.

• para todos los .

• para todos y .

,tttt xxE

• Restricciones de memoria del proceso, ergodicidad.

• La relación entre dos variables aleatorios de un proceso es más débil cuando las variables son más lejanas en el tiempo.

• Al aumentar el número de observaciones de la serie temporal aumenta el número de covarianzas, pero no el número de parámetros de estimar.

• Definición: Homogenización de una serie temporal es cuando a través de una transformación el serie temporal es estacionar.

• Queremos tener una serie temporal con una media y varianza (más o menos) constante a largo del tiempo.

• Transformación Box-Cox:

Para conseguir una media constante a largo del tiempo se puede aplicar operadores de diferencia, . L 1 , donde L es el operador de retardo. 1 tt xLx .

.)1( 1 tttt xxxLx

Una media estacionaria se puede conseguir a través diferenciaciones sucesivas.

t xLxw )1(

Las funciones de autovarianza y autocorrelación

• Funciones de autocorrelación miden la relación lineal entre variables aleatorias de procesos separadas de una cierta distancia en el tiempo.

• Estimación de estas funciones permiten determinar la forma del procesos estocástico.

• La función de autocovarianza

Si el proceso es estacionario, su esperanza es constante a largo del tiempo, y la función de autocovarianza no depende del momento en tiempo, sólo la distancia temporal.

,...1,0,1...,

)])([(),(,

ttttttt xxExxCov

)])([( tt xxE

• Para cada retardo hay un valor diferente para la función de autocovarianzas, autocovarianza de orden .

• Función de autocorrelación simple (FAS),

)])([(

• Si el proceso es estacionario, los momentos de segunda orden no depende de .

• Una correlograma enseña la FAS en función de .

)])([(

• La función de autocorrelación parcial (FAP) enseña la relación lineal cuando se ha eliminado la correlación que estas variables tienen con otras variables.

),...,|,( 11 kttkttkk xxxxCorr

• Se puede obtener los coeficientes de FAS a través regresiones.

• Nota: Si la esperanza de no es cero, hay que añadir una constante en cada regresión.

)ˆ()ˆ(

))ˆ(),ˆ((

ktkttt

ktktttkk

xxVarxxVar

xxxxCov

tktkktktkt

...2211

222121

• Se puede demostrar que los coeficientes de FAS se pueden escribir como una función de coeficientes de FAP. Esta relación se llama el sistema de ecuaciones de Yule-Walker.

Estimación de los momentos muéstrales

• Para un proceso estocástico estacionario con ergodicidad, con una sola serie temporal, podemos estimar;

Media ( ) (

Varianza ( 0 )

Autocovarianzas ( )

Autocorrelaciones ( )

Autocorrelaciones parciales ( kk )

La función de autocovarianza

• La función de autocovarianza se puede estimar a través de la función de autocovarianza muestral:

))((ˆ1

1 xxxxT t

Función de autocorrelacion simple

• Función de autocorrelacion simple muestral,

))((ˆ

Función de autocorrelacion simple

Si el proceso es a) estacionario gaussiano (normal) y b) 0ˆ k para k , se puede

estimar la varianza de r con esta formula,

Se puede usar la varianza para contrastar la 0:0 H . )(96.1 rstdr donde )(std

es el error estándar. Rechazamos la hipótesis si r es fuera del intervalo

( )(96.1),(96.1 rstdrstd ).

función de autocorrelación parcial

• Para hacer la función de autocorrelación parcial muestral se puede aplicar MCO.

tktkktktkt

vxxxcx

...2211

222121

Donde kk ,...,11 son estimaciones consistentes de la FAP. Bajo los supuestos que el

proceso es gaussiano (normal) y que 0...1,1 kkkk , se puede estimar la varianza

1)ˆ( de manera que si kk̂ está fuera del intervalo ( 2/12/1 96.1,96.1 TT )

rechazamos la hipótesis que 0ˆ kk .

Procesos de ruido blanco

Definición:• es un proceso estocástico de ruido

blanco si;

• Es un proceso con media = 0, varianza constante, y sin autocorrelación. No se puede predecir a partir de su pasado.

yttodosparaE

ttodosparaVE

ttodosparaE

Procesos de paseo aleatorio

Definición (18)

• Un proceso estocástico sigue un paseo aleatorio si;

• El valor en un momento es el valor del periodo anterior más un efecto aleatorio ruido blanco.

blancoruidoesdonde

ttttt xLxxx )1(1

• Se puede generalizar el modelo e incorporar una deriva.

• Memoria permanente; todo los efectos aleatorios tienen un efecto permanente.

• es una pendiente de una tendencia determinista.

• está formado por la suma de todo las perturbaciones pasadas.

121 ...)(t

tttttt

• El primero momento;

• Si el proceso no es estacionario en media.

txtxExEt

• La varianza;

• No es estacionario en varianza; tiene una tendencia (incrementa linealmente). Paseo aleatorio tiene una tendencia en varianza o tendencia estocástica.

jjtttt

t es ruido blanco, y 00)( jE jtt

• Otra manera de llegar al mismo resultado;

• Autocovarianza;

• La autocovarianza tampoco es constante

))())(((

xExxExE

• Conclusión: Paseo aleatorio no es estacionar. Esto complica la inferencia. De todos modos, hay un camino definida de variación a largo del tiempo.

• Si transformamos el proceso a través de una diferencia, la transformación sería estacionaria.

ttt xw

tw es estacionario; es un ruido blanco alrededor de la media, .

• Es importante detectar si un serie está generada por un pasea aleatorio.

• 1) La función de autocorrelación simple puede dar una indicación.

• Una correlograma presentará los primeros coeficientes muy cerca de 1, y esta va decreciendo suavemente.

• La FAP, resultaría en un primero coeficiente significativo y cerca de uno, mientras los siguientes coeficientes serán cero.

tktkktktkt

uxxxcx

...2211

222121

• Normalmente un FAS que está decreciendo muy lento con un primer FAP cerca uno y los restos cero, indica que podemos diferenciar para conseguir un serie temporal estacionario.

• Otra manera para saber si se debe diferenciar una serie temporal son los contrastes de raíces unitarias.

• Constaste de raíces unitarias. “unit roots”. Estima la ecuación;

ttt xx 1

Y contrastar si 1:0 H

Procesos lineales

• Definición: Un proceso estocástico es lineal cuando lo podemos escribir como una función de una combinación lineal (posiblemente infinita) de variables aleatorios de ruido blanco.

2211 ...

Procesos lineales

• Hay tres tipos de procesos estocásticos lineales;

• Autoregresivas (AR)• Media móvil (MA)

• ARMA (la combinación de AR y MA)

qtqttptptt

qtqtttt

tptpttt

xxxqpARMA

xxxxpAR

......);,(

...);(

t es un término aleatorio, independiente e idénticamente distribuido (“ruido blanco”).

Procesos lineales

• Se puede introducir una constante para tener procesos con una media .

• Se puede expresar los procesos con un polinomio de operadores de retardos. El operador de retardos L esta definido por;

• Este operador retarda la serie tantas periodos como el exponente indica.

Procesos lineales

• Utilizando el operador de retardos y la generalización con el constante, , podemos escribir los procesos:

• Se puede transformar procesos AR y ARMA en procesos MA.

LxLqpARMA

)()();,(

móvilmediapolinomioLLLL

sivoautoregrespolinomioLLLLq

...1)(

...1)(2

Procesos lineales

Teorema de Wold. Cualquier proceso estocástico estacionario se puede representar con una suma de dos procesos.

Donde es linealmente determinista y es un proceso :

Donde es ruido blanco.

ttt udx

td tu)(MA

Procesos lineales

• El proceso se puede aproximar a través modelos lineales, cuando el polinomio infinito se puede aproximar bien con un cociente de dos polinomios en

• Transformaciones puede hacer series estacionarios y la teorema permite crear modelos relativamente sencillas a partir de modelos lineales.

)(MA)(L

Procesos autoregresivos (AR)

• Un proceso autoregresivo se puede escribir,

ptpttt

)...1(

• Para que un proceso AR sea estacionario el polinomio en el operador de retardos asociados al proceso tiene que ser estable, es decir, al calcular las raíces del polinomio,

estas tienen de caer fuera del círculo unidad. Los valores de que satisfacen esto cumple .

0)...1()( 221 p

pp LLLL

• Si hay alguno raíz igual a 1 (raíz unitario) el proceso AR no es estacionario, y no se pueden expresar como procesos . Si hay alguna raíz inferior a 1 el proceso será explosivo y tampoco estacionario.

• Las condiciones para estacionariedad son:

• (necesaria, pero no suficiente):

• (suficiente, pero no necesario):

• AR(1) estacionariedad

• Condición necesaria y suficiente:

• Un proceso estacionario se puede escribir como un proceso .

• Se puede llegar a la misma solución a través de substitución recursiva.

)1(AR)(MA

)...)(1()1(

.1 ttt xx

• La solución se usa para calcular los momentos del proceso. También se puede usar para enseñar el siguiente resultado, valido por . 0h

htttthtt ExE

Dado que 0)( stE para todos st .

• El momento de primer orden es;

• Con estacionariedad tenemos el mismo resultado;

jt ExE

))()(( 1 tt xExE

11 )1()()(

ttt xExE

• La varianza del proceso es;

• También se puede llegar a este resultado a través;

jt ExE

210 )1()()(

ttt xVxV

• La autocovarianza del proceso es, donde; indica la desviación con respecto a la media.

)~)~(()~~(

xxExxE

• La función de autocorrelación simple es;

• y tiene un decrecimiento exponencial.

• FAP, al otro lado, sólo tiene un coeficiente diferente de cero. Se puede demostrar con las ecuaciones de Yule-Walker.

• AR(2):

• Al calcular las raíces del polinomio tendríamos dos

soluciones y hay los siguientes requisitos (simultáneamente) para tener un polinomio estable.

LLLdonde

0)1( 221 LL

• Los resultados para la covarianza de AR(1) se puede generalizar.

Procesos media móviles (MA(q))

• Un proceso media móvil de orden q;

• Estos procesos siempre son estacionarios (los momentos de primer y segundo orden son siempre finitas y constantes a largo del tiempo).

• Una condición (que hay que comprobar) para estos procesos es que son invertibles.

qtqtttt

...2211

• Esta condición implica que las raíces del polinomio están fuera del círculo de unidad. Los procesos MA no invertibles no permiten una representación autoregresiva convergente.

Procesos media móviles (MA(1))

• MA(1):

• La condición de invertibilidad es para un proceso MA(1) es .

• Esperanza:

11 tttx

)()( 11 ttt ExE

• Varianza:

• Autocovarianza:

)(2)()()()(

ttttttt EEEExE

0))(())((

))(())((

3121122

212111111

tttttt

• FAS es:

• La FAP presenta un decrecimiento exponencial;

• Se puede llegar a este resultado general con las ecuaciones de Yule-Walker.

1)1( 2

• Calcular las raíces del polinomio.

0)1( 211 LL

• Para tener un modelos estable;

• Función de autocorrelación simple

• MA(q) con deriva:

• (el mismo resultado)

)()( 2211 qtqtttt ExE

qtqtttt ExE

qtqtttqtqttttt

))(())((

121122111

Procesos autoregresivos media móviles (ARMA(p,q))

• Un modelo autoregresivo media móvil (ARMA(p,q)) sigue la forma;

• Es decir, tiene una parte autoregresivo y otra parte media móvil.

• Debemos comprobar si la parte autoregresiva es estacionaria y la parte media móvil es invertible.

• Si la parte AR es estacionario, se puede escribir como un )(MA

• Si la parte MA es invertible, se puede expresarlo como un )(AR

• Los procesos ARMA tienen un FAS como la de su parte AR y una

• FAP como su parte MA.

• ARMA tiene FAS y FAP que decrecen exponencialmente en valor absoluta hacia cero.

• No se puede determinar el orden.

ARMA(1,1)

• FAS:

111 tttt xx

ARMA(1,1)

ARMA(p,q)

• Representar con :

1)1( p

jtjt Lx )(0

2220 )(

Procesos autoregresivos integrados media móvil;

ARIMA(p,d,q)• Procesos ARIMA presentan raíces

unitarias en el polinomio autoregresivo; no son estacionarios. Se puede factorizar a partir de las raíces unitarias. Podemos escribir;

• Donde no incluye raíces unitarias y es el número de raíces unitarias.

)(* Lr

)()1()(* LLL drd

)(* Ldr d

Procesos autoregresivos integrados media móvil;

ARIMA(p,d,q)• Recuerda el operador de diferencias;

ARIMA(p,d,q)

• Por ejemplo, ARIMA(0,1,0) es un paseo aleatorio.

ARIMA(p,d,q)

• Si una serie presenta un correlograma como un AR(1) con ; FAS está muy cerca 1, y no caen rápidamente.

ARIMA(p,d,q)

• Si aplicamos el operador de diferencia cuando no es necesario (sobre-diferenciar), tendremos un MA(1) que no es invertible.

• Por ejemplo: Ruido blanco;

ARIMA(p,d,q)

• Cuando el orden de diferencia se ha decidido , se puede escribir un procesos ARIMA como o un .)(AR )(MA

Procesos estaciónales

• Si tenemos datos con información de varias ocasiones durante un año, podemos observar estacionalidad, es decir, un comportamiento económico que depende del tiempo durante un año. (Ejemplos; temperaturas, vacaciones, movimientos turísticos). Los procesos anteriores están pensados para series con sólo una observación cada año, o series sin estacionalidad.

• El numero de estaciones durante el año llamamos s. Por ejemplo, S=12 para datos mensuales, o 4 para trimestrales. Se puede generalizar los procesos explicas arriba para captar estacionalidad.

• Una serie temporal con estacionalidad puede tener una estructura de dependencia estacional y otra parte regular (no estacional) que sigue un

• Normalmente estos partes pueden interactuar en una especificación multiplicativa. Este es un modelo

• En estos modelos hay “efectos satélites”. • Por ejemplo

• Nota el término que se nota en FAP y FAS asociados los retardos próximos a los múltiples de S, pero esto no significa que tengamos procesos adicionales de MA(0,1) y SMA(0,1).

• FAS: Se reproduce la parte regular de la FAS alrededor de los coeficientes estaciónales.

• FAP: Se reproduce la parte regular de la FAS a la izquierda de los coeficientes estaciónales y la parte de FAP a la derecha.

• Signos: – En FAS se multiplica el signo del coeficientes

estacional por el de regular. – En FAP, si el signo del coeficiente estacional es

positivo se inversa el signo a la parte derecha (FAP regular) mientras si es negativo, se inversa el de la izquierda (FAS regular).

Capitulo 9: Modelos unívariados de series temporales

Documents

Transcript of Capitulo 9: Modelos unívariados de series temporales

Detección de tendencias temporales : Análisis de series temporales.

Series Temporales Econometria Novales

Analisis de Series Temporales Cálculos

Redes Neuronales en las series temporales

Ejercicio 1: Extrayendo Datos de Series Temporales MODIS ......AppEEARS) para evaluar series temporales de imágenes MODIS. Para este ejercicio, analizaremos datos de series temporales

Apuntes Series Temporales UniCarlos3Madrid

CAPITULO 4. - SERIES TEMPORALES 4.1 Introducción. · 1 CAPITULO 4. - SERIES TEMPORALES 4.1 Introducción. ... una forma natural, con el transcurso del tiempo, de manera que cuando

Análisis de series temporales Modelos ARIMA

SERIES TEMPORALES, MODELO CLÁSICO

Pepió, M - Series temporales

SERIES TEMPORALES - I

Análisis de series temporales - Tecnología i3B

7-Series Temporales en R

Análisis de series temporales r

Capítulo 8. Introducción al análisis de series temporales.€¦ · Capítulo 8. Introducción al análisis de series temporales. 8.1.- Caso 5: Análisis de algunas series temporales

Series Temporales

Analisis de Series Temporales - Maria Gonzales

Mineria de datos para series temporales

CAPITULO 4. - SERIES TEMPORALES 4.1 Introducción. · CAPITULO 4. - SERIES TEMPORALES 4.1 Introducción. Hasta ahora todas las variables que se han estudiado tenían en común que,

Sesión 26 introducción a series temporales maf