Series Temporales Univariantes Profesoras • Carolina García-Martos (garcia.martos@upm.es) • María Jesús Sánchez Naranjo (mjsan@etsii.upm.es) Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos ÍNDICE • Introducción a clasificación de descriptivo…). las los series temporales (objetivos, modelos de series, análisis • Funciones de autocorrelación simple y parcial • Procesos estacionarios: Modelos AR, MA y ARMA • Modelos ARIMA • Modelos ARIMA estacionales. • Ejemplos prácticos • Algunas ideas sobre: modelos multivariantes y modelos de heterocedasticidad condicional Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Bibliografía • Box, G.E.P., Jenkins, G.M. y Reinsel, G. (1994). Analysis: Forecasting and Control. Prentice Hall. Time Series • Peña, D. (2010). Análisis de Series Temporales. Alianza Editorial. • Chatfield, C. (1989). The Analysis of Time Series. An Introduction. Chapman & Hall. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos ¿Qué sé de Estadística? ¿Qué debo saber? Inferencia (Contrastes) y modelos de regresión lineal Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Objetivo del análisis de series temporales • Explicar la evolución de una variable a lo largo del tiempo • Prever sus valores futuros Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Gráfico temporal del precio de un componente eléctrico Gráfico Temporal de la temperatura de un proceso químico (cada minuto) 18,8 40 18,4 Temperatura 43 Pecio 37 34 31 18 17,6 17,2 16,8 28 16,4 25 16 0 30 60 90 120 150 0 40 80 120 160 200 Gráfico Temporal para la serie de pasajeros de avión Número de pasajeros 800 600 400 200 0 0 Series Temporales Univariantes 30 60 90 120 150 María Jesús Sánchez Naranjo y Carolina García-Martos Clasificación de los modelos de series temporales • EN FUNCIÓN DEL NÚMERO DE RESPUESTAS (número de variables que evolucionan en el tiempo que se estudian): – RESPUESTA UNIVARIANTE – RESPUESTA MULTIVARIANTE • FUNCIONES DE TRANSFERENCIA Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Clasificación de los modelos de series temporales • Lineales • Estacionarios – No estacionarios • No lineales Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos • Series estacionarias: estacionarias Estacionarias en la media y la varianza (frecuentes en el mundo físico, pero no en el social o económico). • Series no estacionarias: estacionarias Su variabilidad y/o su media cambian en el tiempo. – El cambio en la varianza implica que la dispersión (variabilidad) no es constante en el tiempo. – El cambio en la media implica tendencia (a crecer o decrecer), la serie no oscila alrededor de un valor constante. Fenómenos sociales. • Pauta que se repite: serie estacional. – NO HISTOGRAMA, NO MEDIA, NO DESVIACIÓN TÍPICA Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos ¿Cómo detectamos si una serie es o no estacionaria en varianza? Non−stationary in variance time series 100 50 0 −50 −100 0 50 100 150 time Stationary in variance time series 0.4 0.2 0 −0.2 −0.4 0 50 100 150 time Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos ¿Cómo detectamos si una serie es o no estacionaria en media? Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos ¿Cómo detectamos si una serie es o no estacionaria en media? Gráfico Temporal de la temperatura de un proceso químico (cada minuto) 18,8 Temperatura 18,4 18 17,6 17,2 16,8 16,4 16 0 Series Temporales Univariantes 40 80 120 160 200 María Jesús Sánchez Naranjo y Carolina García-Martos Descomposición básica de una serie temporal Valor observado = tendencia+ estacionalidad + comp. irregular Zt= Tt +St+ It • Tendencia: movimiento suave de la serie a largo plazo • Estacionalidad: movimientos de oscilación dentro del mes, año (p. ej.) • Irregular: variaciones aleatorias alrededor de los componentes anteriores. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Modelos univariantes de series temporales Objetivo: Zt=f(Zt-1,Zt-2,…)+ at Zt=Zt*+ at (1) at es independiente de su pasado Existen dos enfoques básicos para obtener (1): – Postular la forma de Zt* (siendo Zt* la parte predecible). – Obtener at en la serie (at es la parte no predecible). Los métodos clásicos buscan Zt* y el enfoque Box-Jenkins se centra en at. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Análisis univariante: enfoques zt = zt * +at zt = Serie observada zt * = Componente predecible at = Componente aleatoria Dos enfoques: 1. Método clásico: buscar zt * 2. Metodología Box-Jenkins: buscar at zt Series Temporales Univariantes FILTRO at María Jesús Sánchez Naranjo y Carolina García-Martos ¿Cómo es at? at debe ser un proceso de ruido blanco • E[at]=0 t=1,2,... • Var[at]=σ2 t=1,2,... • Cov[at ,at-k]=0 Series Temporales Univariantes k=±1,± 2 María Jesús Sánchez Naranjo y Carolina García-Martos Etapas para la construcción de un modelo ARIMA(p,d,q) Serie observada Identificación del modelo ARIMA(p,d,q) • Transformaciones • Selección p,d,q Estimación de parámetros y contrastes • Función de verosimilitud • Cálculo de estimadores y estadísticos Crítica y diagnosis: validación del modelo NO Series Temporales Univariantes ¿Es el modelo adecuado? SI • Predicción • Analizar estructura • Datos anómalos María Jesús Sánchez Naranjo y Carolina García-Martos Herramientas a utilizar para identificar el modelo • Gráfico de la serie: a la vista de la evolución temporal de la variable de interés se detecta 1) La necesidad de estabilizar la varianza y 2) La necesidad de estabilizar la media si ésta no es constante (proceso no estacionario en media). 15 10 5 0 -5 -10 -15 0 20 40 60 80 100 120 140 Tiempo • Función de autocorrelación simple (FAS, en inglés ACF). • Función de autocorrelación parcial (FAP, en inglés PACF). Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos ACF o FAS • Función de autocovarianzas γ (t , t − k ) = E[( zt − µ )( zt − k − µ )] = γ k , k = 0, ±1, ±2,... • Coeficiente de autocorrelación ρk = AR(2) • La FAS es la autocorrelación Cov ( zt , zt −k ) Var ( zt )Var ( zt −k ) representación . retardo-coeficiente de 1 x = - .9 x t 0 .8 t-1 + .5 w t-1 + w t Autocorrelación 0 .6 0 .4 0 .2 0 -0 . 2 -0 . 4 -0 . 6 -0 . 8 -1 0 5 10 15 20 25 30 R e ta rd o Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos PACF o FAP • Herramienta fundamental autorregresivo. para determinar el orden de un • El coeficiente de correlación parcial mide la relación entre xt y xt-k elimina el efecto de xt-1, xt-2 ,…, xt-k+1. AR(1) AR(2) proceso cuando se xt −4 → xt −3 → xt −2 → xt −1 → xt xt −4 → xt −3 → xt −2 → xt −1 → xt • La ACF sólo tiene en cuenta que xt y xt-2 están relacionados en ambos casos, si se mide la relación directa entre ellos (eliminando el efecto debido a xt-1), para un AR(1) es nulo pero no para un AR(2). • El número de coeficientes distinto de cero indica el orden del proceso autorregresivo. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Herramientas a utilizar para identificar el modelo • Gráfico de la serie 1 x = - .9 x t 0 .8 t-1 + .5 w t-1 + w t • Función de autocorrelación simple Autocorrelación 0 .6 0 .4 0 .2 0 -0 . 2 -0 . 4 -0 . 6 -0 . 8 -1 0 5 10 15 20 25 30 R e ta rd o 1 x = 1 .5 x t 0.8 t- 1 - .7 5 x t- 2 + w t 0.6 • Función de autocorrelación parcial Autocorrelación 0.4 0.2 0 -0 . 2 -0 . 4 -0 . 6 -0 . 8 -1 0 2 4 6 8 10 12 14 16 18 20 r e ta r d o Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Pasos para la identificación del modelo • Transformaciones para conseguir proceso estacionario – 1. Heterocedasticidad: obtención de λ • Gráfico de la serie y gráfico rango-media para zt y para zt (λ • Transformación Box-Cox Pasajeros de avión Pasajeros 800 600 400 200 0 0 30 60 90 120 150 (en logaritmos) 6.6 Pasajeros 6.2 5.8 5.4 5 4.6 0 Series Temporales Univariantes 30 60 90 120 150 María Jesús Sánchez Naranjo y Carolina García-Martos Pasos para la identificación del modelo – 2. Determinación del orden de diferenciación regular d: número de diferencias que se deben aplicar para convertir la serie en estacionaria. • Gráfico de la serie y ACF de la serie original: IBM ACF para IBM Autocorrelaciones 610 ibm 570 530 490 450 1 0,6 0,2 -0,2 -0,6 -1 0 20 40 60 80 100 120 0 5 10 15 20 25 retardo Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Pasos para la identificación del modelo Gráfico de la serie y ACF de la serie diferenciada d (1,2,...) veces ACF para IBM con d=1 Autocorrelaciones ibm con d=1 25 15 5 -5 • -15 1 0,6 0,2 -0,2 -0,6 -1 0 20 40 60 80 100 120 0 5 10 15 20 25 retardo • 3. Identificación de la estructura estacionaria: determinación de los ordenes p y q del modelo. • Funciones de autocorrelación simple y parcial (AR(p) y MA(q)). Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Proceso estacionario (en sentido débil) 1. µt = µ = cte, 2. σ t2 = σ 2 = cte 3. γ (t , t − k ) = E[( zt − µ )( zt − k − µ )] = γ k , Series Temporales Univariantes k = 0, ±1, ±2,... María Jesús Sánchez Naranjo y Carolina García-Martos Proceso Auto-Regresivo de orden 1, AR(1). zt = φ zt −1 + at zt = φ zt −12 + at at → N (0, σ a ) at → a1 ,..., at ,...N (0, σ 2 independientes a ) E[azt ],..., t independientes = 0,a∀,... 1 t 2 σ E[ztz]t =] = 0,a 2∀t var[ 1−φ σ a2 var[ zt ] = 1−φ 2 Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Proceso Auto-Regresivo de orden 1, AR(1). FAS y FAP. zt = φ zt −1 + at at → N (0, σ a2 ) a1 ,..., at ,... independientes k γ = φ , k = 1,.... σ =φ α 11 var[ z ] = 1−φ α kk = 0, k > 1 kt E[ zt ] = 0, ∀ 2 a t Series Temporales Univariantes 2 María Jesús Sánchez Naranjo y Carolina García-Martos Proceso Auto-Regresivo de orden 1, AR(1). FAS o ACF. zt = φ zt −1 + at at → N (0, σ a2 ) a1 ,..., at ,... independientes E[ zt ] = 0, ∀t σ a2 var[ zt ] = 1−φ 2 Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Proceso Auto-Regresivo de orden 1, AR(1). FAP o PACF. zt = φ zt −1 + at at → N (0, σ a2 ) a1 ,..., at ,... independientes E[ zt ] = 0, ∀t σ a2 var[ zt ] = 1−φ 2 Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Proceso Auto-Regresivo de orden 2, AR(2). zt = φ zt −1 + at 2 a → N (0, σ zt t= φ1 zt −1 +aφ)2 zt − 2 + at a1 ,..., at ,... independientes 2 at → N (0, σ a ) E[ zt ] = 0, ∀t a1 ,..., at ,...σindependientes 2 var[ zt ] = a σ a2 var[ zt ] = ( ) 1 + φ2 {(1 − φ2 ) 2 − φ12 } Series Temporales Univariantes 1 −1φ−2 φ2 María Jesús Sánchez Naranjo y Carolina García-Martos Proceso Auto-Regresivo de orden 2, AR(2). FAS y FAP. ESTRUCTURA DE AUTOCORRELACIÓN La autocorrelación simple decrece con el retardo de forma exponencial. La autocorrelación parcial no es significativa para retardos > 2. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Proceso Auto-Regresivo de orden p, AR(p). zt = φ zt −1 + at at → N (0, σ a2 ) zt a=,..., φ1 zat −,... φ2 zt − 2 + ... + φ p zt − p + at 1 +independientes 1 t [ zt ]N=(0, 0, ∀σt 2 ) at E→ a σ a2 a1 ,..., var[ zat t],... = independientes 1−φ 2 E[ zt ] = 0, ∀t Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Proceso Auto-Regresivo de orden p, AR(p). Sobre la notación: El operador retardo B Bzt = zt −1 B 2 zt = zt − 2 B p zt = zt − p ∇zt = (1 − B) zt = zt − zt −1 (1 − ϕ B) zt = at ⇔ zt = (1 + ϕ B + ϕ 2 B 2 + ...)at = = at + ϕ at −1 + ϕ 2 at − 2 + ..... (1 − θ B)at = zt ⇔ at = (1 + θ B + θ 2 B 2 + ...) zt = = zt + θ zt −1 + θ 2 zt − 2 + ..... Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Proceso Auto-Regresivo de orden p, AR(p). FAS y FAP. ESTRUCTURA DE AUTOCORRELACIÓN La autocorrelación simple decrece con el retardo de forma exponencial. La autocorrelación parcial no es significativa para retardos > p. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Modelos autorregresivos: AR(1), AR(2),..., AR(p) Modelo AR(1) γ ( h) ρ ( h) = = φ h, γ (0) h≥0 y 0 <φ <1 (Fácil de identificar) Modelo AR(2) ρ (h) = φ1ρ (h − 1) + φ 2 ρ (h − 2), h ≥ 1 Modelo AR(p) ρ (h) = φ1ρ (h − 1) + φ2 ρ (h − 2) + ... + φ p ρ (h − p ) h ≥ 1 •Si p>1 la identificación utilizando sólo la ACF no es posible Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Proceso de Media móvil de orden 1, MA(1). zt = φ zt −1 + at 2 at z→ N (0, σ ) = − θ a t 1 a t −1 + at at → N (0, σ a ) a1 ,..., at ,... independientes 2 E[ zt ] = 0, ∀t a1 ,..., at ,... independientes 2 σa var[ zt ] = E[ zt ] 1=−0, φ 2∀t var[ zt ] = σ a2 (1 + θ12 ) Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Proceso de Media móvil de orden 1, MA(1). FAS y FAP. zt = φ zt −1 + at at → N (0, σ a2 ) γ =θ 1 E[ z ] = 0, ∀t γ k σ= 0, k > 1 a1 ,..., at ,... independientes t var[ zt ] = 2 a 1−φ 2 α kk = θ , k = 1,... Series Temporales Univariantes k María Jesús Sánchez Naranjo y Carolina García-Martos Proceso de Media móvil de orden 1, MA(1). FAS y FAP zt = φ zt −1 + at at → N (0, σ a2 ) a1 ,..., at ,... independientes E[ zt ] = 0, ∀t σ a2 var[ zt ] = 1−φ 2 Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Proceso de Media móvil de orden 2, MA(2). zt = φ zt −1 + at 2 azt →=N−(0, σ θ aa ) t 1 t −1 − θ 2 at − 2 + at a1 ,..., at ,... independientes Ea[tzt → t σ ] = 0,N ∀(0, 2 σ a1 ,..., a zt ] =at ,... var[ 1−φ 2 2 a ) independientes E[ zt ] = 0, ∀t var[ zt ] = σ (1 + θ + θ 2 ) 2 a Series Temporales Univariantes 2 1 2 María Jesús Sánchez Naranjo y Carolina García-Martos Proceso de Media móvil de orden 2, MA(2). FAS y FAP. ESTRUCTURA DE AUTOCORRELACIÓN La autocorrelación simple no es significativa para retardos > 2. La autocorrelación parcial decrece con el retardo de forma exponencial. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Proceso de Media móvil de orden q, MA(q). zt = φ zt −1 + at at → N (0, σ a2 ) zt =a1a,..., atθ ,...1aindependientes t − t −1 − θ 2 at − 2 − ... − θ q at − q E[ zt ] = 0, ∀t zt = (1 − θ1 B − θ 2 B − ... − θ q B )at 2 2 q σa var[ zt ] = E[ zt ] = 0, ∀ 1 −tφ 2 var[ zt ] = σ (1 + θ + ... + θ ) 2 a Series Temporales Univariantes 2 1 2 q María Jesús Sánchez Naranjo y Carolina García-Martos Proceso de Media móvil de orden q, MA(q). FAS y FAP. ESTRUCTURA DE AUTOCORRELACIÓN La autocorrelación simple no es significativa para retardos > q. La autocorrelación parcial decrece con el retardo de forma exponencial. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Proceso ARMA(1,1). zt = φ zt −1 + at z = φ z 21 − θ at −1 + at t t − a → N (0, σ ) t a a1a ,...,→ at ,...Nindependientes (0, σ 2 ) t a E[ zt ] = 0, ∀t a1 ,..., at 2independientes σa var[ zt ] = E[ zt ] 1=− φ0,2 ∀t 1 + θ − 2θφ var[ zt ] = σ 2 1−φ 2 2 a Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Proceso ARMA(1,1). FAS y FAP zt = φ zt −1 + at at → N (0, σ a2 ) a1 ,..., at ,... independientes E[ zt ] = 0, ∀t σ a2 var[ zt ] = 1−φ 2 Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Proceso de ARMA (1,1). FAS y FAP. ESTRUCTURA DE AUTOCORRELACIÓN FAS: decrecimiento geométrico dependiente del parámetro autorregresivo. FAP: Decrecimiento geométrico dependiente del parámetro de media móvil. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Proceso ARMA(p,q). zt = φ zt −1 + at at → N (0, σ a2 ) zt = φ1 zt −1 + φ2 zt − 2 + ... + φ p zt − p − θ 1 at −1 − θ 2 at − 2 − ... − θ q at − q + at a1 ,..., at ,... independientes (1 − φ1 B − φ2 B −E[...zt −] =φ0, ∀t ) zt = (1 − θ 1 B − θ 2 B − ... − θ q B )at pB 2 p 2 q 2 σ at → N (0, σ ) var[ z ] = a t 1−φ 2 2 a a1 ,..., at independientes E[ zt ] = 0, ∀t Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Proceso ARMA(p,q). Estructura de la FAS y la FAP. zt = φ zt −1 + at at → N (0, σ a2 ) ACF PACF a1 ,..., at ,... independientes AR(p) EMuchos [ zt ] = 0,coeficientes ∀t 0 excepto los primeros p distintos a 0 MA(q) ARMA(p,q) σ a2 0var[ excepto q zt ] = los primeros 2 1−φ Muchos coeficientes distintos a 0 Muchos coeficientes distintos a 0 Muchos coeficientes distintos a 0 Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Procesos integrados. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Procesos integrados. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Procesos integrados. Modelos ARIMA (p,d,q). φ ( B )∇ d zt = θ ( B)at (1 − φ1 B − φ2 B 2 − ... − φ p B p )(1 − B) d zt = (1 − θ1 B − θ 2 B 2 − ... − θ q B q )at at → N (0, σ a2 ) a1 ,..., at ,...independientes Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Procesos ARIMA estacionales Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Algunos ejemplos... Un tipo de falta de estacionariedad en la media muy habitual en la práctica: el comportamiento estacional. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Algunos ejemplos... Un tipo de falta de estacionariedad en la media muy habitual en la práctica: el comportamiento estacional. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Algunos ejemplos... Un tipo de falta de estacionariedad en la media muy habitual en la práctica: el comportamiento estacional. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Precios de energía eléctrica. FAS y FAP muestran también la presencia de estacionalidad Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos ¿Qué es una serie estacional? Diremos que una serie es estacional cuando su media no es constante en el tiempo pero varía de forma periódica, cíclica. Si Ez t = Ezt+s entonces diremos que la estacionalidad es de periodo s. – En series diarias, en las que suele haber estacionalidad semanal: s=7. – En series mensuales s=12. – En series horarias, estacionalidad diaria: s=24. – En series bimensuales, la estacionalidad anual hace que s=6, y análogamente con las cuatrimestrales (s=3) y trimestrales (s=4). Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Tipos de estacionalidad MODELADO DE LA ESTACIONALIDAD DE FORMA ADITIVA Consiste en escribir la serie como suma de un proceso estacionario y un componente estacional: zt = s St + nt La serie no es estacionaria, pues el componente estacional no toma mismo valor en todos los periodos. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Representación del IPI en España para los distintos meses. Efecto estacional. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Demanda. Efecto estacional. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Formas de modelar la estacionalidad • Que sea determinista, es decir constante para el mismo mes de distinto año. • Senos y cosenos. • Introducir s-1 variables ficticias • Que la estacionalidad evoluciona en el tiempo pero oscilando alrededor de un valor fijo • Permitir que sea cambiante en el tiempo sin ningún valor medio fijo, en este caso diremos que la estacionalidad es no estacionaria. Primera forma sencilla de modelar la estacionalidad: z t = zt−s + a t Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Diferencia estacional z t = zt−s + a t , a t : Proceso estacionario En el caso más sencillo, si at es ruido blanco diremos que la serie zt sigue un proceso I(1)s zt − zt−s = a t → ∇ s zt = a t , a t ∼ N0, σ2a ∇ s = 1 − B s Operador diferencia estacional Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Diferencias regulares y estacionales Si al aplicar a la serie zt: D diferencias estacionales y d diferencias regulares tenemos un proceso de ruido blanco, diremos que dicha serie sigue un modelo I(d)xI(D)s. D: número de diferencias estacionales s: orden de la estacionalidad d: número de diferencias regulares 1 − B s D1 − B d zt = a t , a t ∼ N0, σ2a Podemos tener que aplicar más de una diferencia regular, pero es muy infrecuente tener que hacer más de una diferencia éstacional. En cualquier caso d≤3. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Procesos ARIMA estacionales Si al aplicar a la serie zt: D diferencias estacionales y d diferencias regulares tenemos un proceso estacionario, pero no ruido blanco: D: número de diferencias estacionales s: orden de la estacionalidad d: número de diferencias regulares 1 − B s D1 − Bd zt = y t , y t ∼ estacionario, pero con estructura de dependencia... Generalizar el modelo ARMA incluyendo además de la dependencia regular, también la estacional. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Procesos ARIMA estacionales La ecuación de un modelo multiplicativo estacional ARMA (p,q)x(P,Q)s: 1 − φ 1 B −. . . −φ p B p 1 − Φ 1 B s −. . . −Φ p B psy t = 1 − θ1 B −. . . −θ q B q 1 − Θ 1 B s −. . . −Θ Q B Qs a t con a t ∼ N0, σ2a Lo podemos escribir de forma compacta: φ p BΦ p B sy t = θq BΘ QB sa t Y la fórmulación completa del modelo ARIMA(p.d.q)x(P,D,Q)s para zt: φ p BΦ p B s∇ d ∇ s Dz t = θq BΘ QB sa t Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Procesos ARIMA estacionales Para la fórmulación completa del modelo ARIMA(p.d.q)x(P,D,Q)s para zt: φ p BΦ p B s∇ d ∇ s Dz t = θq BΘ QB sa t con a t ∼ N0, σ2a φ p B = 1 − φ 1 B −. . . −φ p B p , operador AR regular de orden p Φ p B s = 1 − Φ 1 B s −. . . −Φ p B ps , operador AR estacional de orden P ∇d = 1 − Bd , d diferencias regulares ∇ s D = 1 − B s D, D diferencias estacionales θ q B = 1 − θ1 B −. . . −θq B q , operador MA regular de orden q Θ QB s = 1 − Θ 1 B s −. . . −Θ QB Qs , operador MA estacional de orden Q Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Identificación del modelo ARIMA estacional PASOS A SEGUIR • ¿Cuál es el orden de la estacionalidad? ¿s=? Para ello es importante conocer de qué datos se trata. • Comprobar si la serie es estacionaria en varianza, y si no lo es tomar logaritmos. • Comprobar si la serie es estacionaria en media, ¿es necesaria una diferencia estacional? Es muy infrecuente que sea necesaria más de una diferencia estacional, ¿es necesaria alguna diferencia regular? Usualmente p<4. • Seleccionar el modelo ARMA multiplicativo Seleccionando paso a paso, p, P, q y Q. Series Temporales Univariantes más adecuado. María Jesús Sánchez Naranjo y Carolina García-Martos Identificación del modelo ARIMA estacional La función de autocorrelación simple (FAS) de un ARMA(p,d)x(P,D) • En los retardos bajos observamos únicamente lo correspondiente a la parte regular, • En los retardos estacionales (s, 2s, 3s,...) observamos únicamente lo correspondiente a la parte estacional. • Alrededor de los retardos estacionales (s-2, s-1, s+1, s+2, 2s-2, 2s-1, 2s+1, 2s+2,...) observamos lo correspondiente a la interacción entre la parte estacional y regular. En concreto lo que se observa es la repetición de la FAS de la parte regular a ambos lados de los retardos estacionales: Si la parte regular es MA, a cada lado de los retardos estacionales tendré q coeficientes significativos. Si la parte regular es AR, a cada lado de los retardos estacionales tendré el decaimiento exponencial propio de los AR. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Pasos para la construcción de un modelo ARIMA Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Etapas para la construcción de un modelo ARIMA(p,d,q) Serie observada Identificación del modelo ARIMA(p,d,q) • Transformaciones • Selección p,d,q Estimación de parámetros y contrastes • Función de verosimilitud • Cálculo de estimadores y estadísticos Crítica y diagnosis: validación del modelo NO Series Temporales Univariantes ¿Es el modelo adecuado? SI • Predicción • Analizar estructura • Datos anómalos María Jesús Sánchez Naranjo y Carolina García-Martos Etapas para la construcción de un modelo ARIMA(p,d,q) Reglas prácticas 1. En primer lugar ha de estabilizarse la varianza si es necesario. Una vez estabilizada la varianza, y sólo si el proceso no es estacionario en media, se debe estabilizar la media (Tomando diferencias regulares (d), y/o estacionales, D). Una vez se tiene una serie estacionaria y en desviaciones a la media... 2. Evitar la identificación inicial de modelos mixtos ARMA y comenzar con modelos AR y MA, preferiblemente de orden bajo. 3. Buscar modelos simples que expliquen los rasgos más obvios de la ACF. Coeficientes claramente significativos, pautas de decrecimiento geométricas o sinusoidales, etc. 4. Luego se utilizará la PACF para completar y confirmar los rasgos de la ACF. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos ESTIMACIÓN DEL MODELO (detalles en Peña (2010)). OBJETIVO: Obtener las estimaciones de los parámetros que definen el modelo Parámetros: φ1, φ2,..., φp, θ1, θ2, θq, µx y σw2 Xt es estacionaria e invertible β =[φ1, φ2,..., φp, θ1, θ2, θq ]T wt ~ N(0, σw2) (i.i.d.) Diferentes enfoques: Condicionado No condicionado (estimación exacta) Independientemente del criterio que se elige hay dos problemas: Determinación de condiciones iniciales Modelos no lineales Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos ESTIMACIÓN DEL MODELO. Contrastes sobre los parámetros. Se obtienen los valores de los parámetros estimados. Se obtienen las desviaciones típicas estimadas ¿Son nulos los parámetros? H 0 : βi = 0 H1 : β i ≠ 0 βˆ1 = φˆ1, βˆ2 = φˆ2 ,..., βˆh −1 = ϑˆq −1, βˆh = ϑˆq βˆi → N ( βi , σ ( βˆi )) Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos ESTIMACIÓN DEL MODELO. Contrastes sobre los parámetros. Se obtienen los valores de los parámetros estimados. Se obtienen las desviaciones típicas estimadas ¿Son nulos los parámetros? βˆi − 0 → N (0,1); ˆ σ ( β1 ) Series Temporales Univariantes βˆi − 0 →t ˆ σˆ ( β1 ) Si n ↑↑↑ βˆi − 0 Zi = σˆ ( βˆ1 ) Si Z i ∈ (−2,2) no se rechaza H 0 y βi = 0. Si Z i ∉ (−2,2) se rechaza H 0 y βi ≠ 0. María Jesús Sánchez Naranjo y Carolina García-Martos DIAGNOSIS DEL MODELO. ¿Se cumplen las hipótesis asumidas? 1. Análisis sobre los coeficientes 2. Los coeficientes del modelo son suficientes para representar la serie 3. El modelo seleccionado debe tener un grado de ajuste elevado (en comparación con otros) 4. Análisis de residuos Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos DIAGNOSIS DEL MODELO. (1. Análisis sobre los coeficientes) • Los coeficientes estimados estacionariedad e invertibilidad. • Cálculo de raíces de los polinomios deben cumplir condiciones de • Si alguna raíz está muy cerca de la unidad hay que tener cierta precaución. Si es la correspondiente a la parte autorregresiva puede suceder que la serie esté subdiferenciada. • Si existen raíces comunes se podría utilizar un modelo con dos parámetros menos. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos DIAGNOSIS DEL MODELO. (2. ¿Son suficientes los parámetros para representar la serie? ) • Consiste en introducir parámetros adicionales para estudiar si el modelo está infradimensionado. ARMA (p,q) ARMA(p+1,q) ARMA (p,q) ARMA(p,q+1) • Problema: redundancia paramétrica. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos DIAGNOSIS DEL MODELO. (3. Selección del modelo más adecuado ) Fase de identificación: varios modelos alternativos. ¿Cuál es el más adecuado? AIC BIC Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos DIAGNOSIS DEL MODELO. (4. Análisis de los residuos) Comprobar las hipótesis realizadas: • Los residuos tienen media cero, • La varianza de los residuos es constante: homocedasticidad, • Los residuos son independientes, • Los residuos se distribuyen normalmente. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Predicción con modelos ARIMA Dos fuentes de incertidumbre: Media condicional y varianza condicional ∞ zT +k = ∑ ψjaT +k − j zt = ψ(B)at j=0 eT (k) = zT +k − zˆT (k) = aT +k + ψ1aT +k −1 + ... + ψk −1aT +1 Var (eT (k)) = σ (1 + ψ + ... + ψ ) 2 2 1 2 k −1 zˆT (k) ± 1.96σˆ (1 + ψ12 + ... + ψk2−1 )1/ 2 Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Un ejemplo práctico Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Un ejemplo práctico Datos de pasajeros de avión: Datos mensuales en miles de pasajeros, desde Enero de 1949 hasta Diciembre de 1960. Time Series Plot for Col_1 800 Col_1 600 400 200 0 0 Series Temporales Univariantes 30 60 90 120 150 María Jesús Sánchez Naranjo y Carolina García-Martos Un ejemplo práctico Proceso no estacionario. Además son necesarias una diferencia estacional y una diferencia regular (para que el proceso sea estacionario en media). Time Series Plot for log(Col_1) log(Col_1) 6.6 6.2 5.8 5.4 5 4.6 0 Series Temporales Univariantes 30 60 90 120 150 María Jesús Sánchez Naranjo y Carolina García-Martos Un ejemplo práctico Tras una diferencia estacional y otra regular… Residual Autocorrelations for adjusted log(Col_1) ARIMA(0,1,0)x(0,1,0)12 with constant Autocorrelations 1 0.6 0.2 -0.2 -0.6 -1 0 5 10 15 20 25 lag Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Un ejemplo práctico Modelo ARIMA (0,1,1) x (0,1,1)12 DIAGNOSIS DEL MODELO ARIMA(0,1,1)x(0,1,1)12 with constant Autocorrelations 1 0.6 0.2 -0.2 -0.6 -1 0 5 10 15 lag Series Temporales Univariantes 20 25 Residual Partial Autocorrelations for adjusted log(Col_1) Partial Autocorrelations Residual Autocorrelations for adjusted log(Col_1) ARIMA(0,1,1)x(0,1,1)12 with constant 1 0.6 0.2 -0.2 -0.6 -1 0 5 10 15 20 25 lag María Jesús Sánchez Naranjo y Carolina García-Martos Un ejemplo práctico Modelo ARIMA (0,1,1) x (0,1,1)12. Predicción para los tres años siguientes. Time Sequence Plot for log(Col_1) ARIMA(0,1,1)x(0,1,1)12 with constant log(Col_1) 7 actual forecast 95.0% limits 6.6 6.2 5.8 5.4 5 4.6 0 Series Temporales Univariantes 40 80 120 160 María Jesús Sánchez Naranjo y Carolina García-Martos Algunos temas avanzados en series temporales: Modelos multivariantes (VARMA) y modelos de heterocedasticidad condicional (GARCH) Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Ejemplo de serie temporal multivariante Fuente: Course on Time Series Analysis (Prof. Andrés M. Alonso) y Peña (2010). Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Modelos de heterocedasticidad condicional (Ver documento adjunto) Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Ejemplo de serie con heterocedasticidad condicional. Series financieras: No predecimos la media condicional sino la volatilidad o varianza condicional. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos Ejemplo de serie con heterocedasticidad condicional. Series financieras: No predecimos la media condicional sino la volatilidad o varianza condicional. Series Temporales Univariantes María Jesús Sánchez Naranjo y Carolina García-Martos