manual_intro_series_tiempo.pdf

Introducción a Series de Tiempo
Por: John Villavicencio

CONTENIDO
1.- Introducción a Series de Tiempo …………………………………………………………..………………………………………2
Componentes de una serie temporal: Componente tendencia, estacional y ciclo
2.- Clasificación descriptiva de las series temporales …………………………………………………………………………3
Estacionarias, no estacionarias
3.- Procesos Estocásticos ……………………………………………………………………………………………………………………4
Proceso estocástico estacionario, ruido blanco y camino aleatorio
4.-Autocorrelación …………………………………………………………………………………………………………………………….6
Función de autocorrelación , función de autocorrelación aarcial y prueba de Ljung-Box
5.- Procesos Lineales Estacionarios ……………………………………………………………………………………………………7
Procesos autoregresivos , proceso de medias móviles y proceso autoregresivo de
medias móviles
6. Procesos Lineales no Estacionarios ………………………………………………………………………………………………21
Proceso autoregresivo integrado y de media móvil , proceso estacional autoregresivo
integrado y de media móvil
7.- Protocolo para la identificación de los modelos ARIMA y ARIMA estacional ……………………………….27
Identificación, estimación y verificación y predicción.
8.- Codigo en R ……………………………………………………………………………………………………………………………………29

1
Introducción a Series de Tiempo
Una serie tiempo es una secuencia de observaciones, medidos en determinados momentos del tiempo,
ordenados cronológicamente y, espaciados entre sí de manera uniforme, así los datos usualmente son
dependientes entre sí. El principal objetivo de una serie de tiempo , donde es su análisis
para hacer pronóstico.
Algunos ejemplos donde se puede utilizar series temporales
Economía y Marketing
 Proyecciones del empleo y desempleo.
 Evolución del índice de precios de la leche.
 Beneficios netos mensuales de cierta entidad bancaria.
 Índices del precio del petróleo.
Demografía
 Número de habitantes por año.
 Tasa de mortalidad infantil por año.
Medioambiente
 Evolución horaria de niveles de óxido de azufre y de niveles de óxido de nitrógeno en una ciudad
durante una serie de años.
 Lluvia recogida diariamente en una localidad.
 Temperatura media mensual.
 Medición diaria del contenido en residuos tóxicos en un río.
Componentes de una serie temporal
El análisis clásico de las series temporales se basa en la suposición de que los valores que toma la
variable de observación es la consecuencia de tres componentes, cuya actuación conjunta da como
resultado los valores medidos, estos componentes son:
a.- Componente tendencia.- Se puede definir como un cambio a largo plazo que se produce en la
relación al nivel medio, o el cambio a largo plazo de la media. La tendencia se identifica con un
movimiento suave de la serie a largo plazo.
b.- Componente estacional.- Muchas series temporales presentan cierta periodicidad o dicho de
otro modo, variación de cierto período (semestral, mensual, etc.). Por ejemplo las Ventas al Detalle
en Puerto Rico aumentan por los meses de noviembre y diciembre por las festividades navideñas.
Estos efectos son fáciles de entender y se pueden medir explícitamente o incluso se pueden eliminar
de la serie de datos, a este proceso se le llama desestacionalización de la serie.
c.- Componente aleatoria.- Esta componente no responde a ningún patrón de comportamiento,
sino que es el resultado de factores fortuitos o aleatorios que inciden de forma aislada en una serie
de tiempo.

2
De estos tres componentes los dos primeros son componentes determinísticos, mientras que la última
es aleatoria. Así se puede denotar la serie de tiempo como
donde es la tendencia, es la componente estacional e es la componente aleatoria.
2.- Clasificación descriptiva de las series temporales
Las series temporales se pueden clasificar en:
a.- Estacionarias.- Una serie es estacionaria cuando es estable a lo largo del tiempo, es decir,
cuando la media y varianza son constantes en el tiempo. Esto se refleja gráficamente en que los
valores de la serie tienden a oscilar alrededor de una media constante y la variabilidad con
respecto a esa media también permanece constante en el tiempo.
b.- No estacionarias.- Son series en las cuales la tendencia y/o variabilidad cambian en el
tiempo. Los cambios en la media determinan una tendencia a crecer o decrecer a largo plazo,
por lo que la serie no oscila alrededor de un valor constante.
3.- Procesos Estocásticos
Desde un punto de vista intuitivo, un proceso estocástico se describe como una secuencia de datos que
evolucionan en el tiempo. Las series temporales se definen como un caso particular de los procesos
estocásticos.
3.1.-Proceso estocástico estacionario
Un proceso estocástico se dice que es estacionario si su media y su varianza son constantes en el tiempo
y si el valor de la covarianza entre dos periodos depende solamente de la distancia o rezago entre estos
dos periodos de tiempo y no del tiempo en el cual se ha calculado la covarianza.
Sea una serie de tiempo entonces con estas propiedades:
donde , la covarianza (o autocovarianza) al rezago , es la covarianza entre los valores de y ,
que están separados periodos.
En resumen si una serie de tiempo es estacionaria, su media, su varianza y su autocovarianza (en
diferentes rezagos) permanecen iguales sin importar el momento en el cual se midan; es decir, son
invariantes respecto al tiempo.

3
3.2.- Ruido blanco(“white noise”)
Un ruido blanco es un caso simple de los procesos estocásticos, donde los valores son independientes e
idénticamente distribuidos a lo largo del tiempo con media cero e igual varianza, se denota por .
Fig. 3.1 La grafica muestra un ruido blanco con media cero y varianza constante e igual a uno.

4
3.3.- Camino aleatorio (“Random Walk”)
Es camino aleatorio o camino al azar es un proceso estocástico , donde la primera diferencia de este
proceso estocástico es un ruido blanco, esto es .
Fig. 3.2 La figura muestra el proceso estocástico y su autocorrelación simple, y la primera diferencia
del proceso estocástico y su gráfica de autocorrelación.
4.-Autocorrelación
En ocasiones en una serie de tiempo acontece, que los valores que toma una variable en el tiempo no
son independientes entre sí, sino que un valor determinado depende de los valores anteriores, existen
dos formas de medir esta dependencia de las variables.
4.1.- Función de autocorrelación (ACF)
La autocorrelación mide la correlación entre dos variables separadas por k periodos.
La función de autocorrelación simple tiene las siguientes propiedades:




5
4.2.- Función de Autocorrelación Parcial (PACF)
La autocorrelación parcial mide la correlación entre dos variables separadas por k periodos cuando no se
considera la dependencia creada por los retardos intermedios existentes entre ambas.
4.3.- Prueba de Ljung-Box
Esta prueba permite probar en forma conjunta de que todos los coeficientes de autocorrelación son
simultáneamente iguales a cero, esto es que son independientes, está definida como
donde tamaño de la muestra, longitud del rezago.
Ho: Las autocorrelaciones son independientes.
Ha: Las autocorrelaciones no son independientes.
En una aplicación, si el calculada excede el valor crítico de la tabla cuadrada al nivel de
significancia seleccionado, no se acepta la hipótesis nula de que todos los coeficientes de
autocorrelación son iguales a cero; por lo menos algunos de ellos deben ser diferentes de cero.
5.- Procesos Lineales Estacionarios
5.1 Procesos Autoregresivos
Los modelos autoregresivos se basan en la idea de que el valor actual de la serie, , puede explicarse en
función de valores pasados , donde determina el número de rezagos necesarios
para pronosticar un valor actual.
El modelo autoregresivo de orden está dado por:
…(1)
Expresado en términos del operador de retardos,

6
donde es un proceso de ruido blanco y son los parámetros del modelo.
Proceso Autoregresivo de Orden 1:
En los proceso la variable está determinado únicamente por el valor pasado, esto es .
donde es un proceso de ruido blanco con media 0 y varianza constante , es el parámetro.
Recuérdese además que suponemos que el proceso es no anticipante, es decir, el futuro no incluye en el
pasado.
Para verificar que el modelo es estacionario para cualquier valor del parámetro, es necesario
probar las siguientes condiciones.
a) Estacionario en media
Para que el proceso sea estacionario, la media debe ser constante y finita en el tiempo, esto implica que:
= 0
Por tanto, para que el proceso sea estacionario el parámetro .
b) Estacionario en covarianza:
Para que un proceso sea estacionario, la varianza tiene que ser constante y finita en el tiempo:
Dada la autocorrelación del proceso
Bajo el supuesto de que el proceso es estacionario,
Por tanto , entonces

7
Para que un proceso sea estacionario, varianza constante y finita, es necesario que
La función de autocovarianza de orden es:
Por lo que:
Se puede concluir, por lo tanto, que el proceso es estacionario si y solo si .
La función de autocovarianza de un proceso estacionario es:
Los coeficientes de autocorrelación de un proceso estacionario son:
La función de autocorrelación de un proceso estacionario es:
Se puede demostrar fácilmente que la Función de Autocorrelación de un modelo es una función
exponencial.
Por lo que:
Una forma alterna de escribir el modelo es la siguiente:

8
El cociente podemos expresarlo como un polinomio infinito, esto es:
Sustituyendo se tiene
Por lo que un modelo es una versión restringida de un modelo general de medias móviles.
De los resultados obtenidos podemos señalar como características más relevantes del modelo
como:
- El modelo es siempre invertible.
- El modelo es estacionario siempre que se cumpla
- El correlograma, representación gráfica de la función de autocorrelación, tendrá un
comportamiento amortiguado hacia cero con todos los valores positivos, en caso de que ,
o bien alternando el signo, comenzando con negativo, si .
- La funcion de autocorrelación parcial se anula para retardos superiores a uno (el orden del
modelo), coincidiendo, como es norma, este coeficiente de autocorrelación parcial.
Proceso Autoregresivo de Orden 2:
En los proceso la variable está determinado por el valor pasado y el anterior a este.
Donde es un ruido blanco.
Asumiendo estacionariedad las características del proceso son:
a) Media

9
b) Función de autocovarianza
]
y proporcionan las dos primeras autocovarianzas en función de los parámetros y y de la
varianza del ruido blanco
Las autocovarianzas de orden , para todo son:
La función de autocovarianza de un modelo es:
c) Coeficiente de autocorrelación
Una forma general de escribir los coeficientes de autocorrelación es:

10
Condiciones de estacionariedad
Modelo : , entonces
Polinomio autoregresivo: , las raíces de =0 son:
La condición de estacionariedad del podelo es:
, entonces
Modelo : , entonces
Polinomio autoregresivo , las raíces de son:
La condición de estacionariedad del modelo es:
y
- Si el radicando ( , las raíces son reales.
- Si el radicando , las raíces son complejas.

11
Fig. 5.1 La figura muestra la simulación de un proceso autoregresivo de orden uno, esto es
, con sus respectivas gráficas de autocorrelación simple y parcial.
5.2 Proceso de Medias Móviles
Modelo “determinados por una fuente externa”. Estos modelos suponen linealidad, el valor actual de la
serie, , está influenciado por los valores de la fuente externa.
El modelo de promedio móviles de orden está dado por:
…(2)
Expresado en términos del polinomio operador de retardos se tiene:
donde es un proceso de ruido blanco, y son los parámetros del modelo.

12
Proceso de Media Móvil de orden 1:
Lo modelos de medias móviles determina el valor de en función de la innovación actual y su primer
retardo, esto es:
Expresado en función del polinomio operador de retardos es:
donde es un proceso de ruido blanco y es el parámetro.
Es estacionario en media para todo valor del parámetro
b) Estacionario en covarianza
La autocovarianza para y es:
Una forma general de la función de autocovarianza es:

13
La función de autocovarianza es finita y depende sólo de mas no del tiempo, esto para cualquier valor
del parámetro . Esto implica que no es necesario poner restricciones al parámetro para que el
sea estacionario.
La función de autocorrelación de un proceso es:
Proceso de Media Móvil de orden 2:
Consideremos el modelo de medias móviles de orden 2:
Donde los parámetros son y , además es un proceso de ruido blanco. Este proceso es
estacionario para cualquier valor de y .
Las características más importantes son:
b) Función de autocovarianza

14
En resumen las autocovarianzas de un son:
Las funciones de autocorrelación están dadas por:
Condiciones de invertibilidad
Modelo , entonces .
El polinomio de medias móviles esta dado por , para encontrar las raíces del polinomio
se tiene que resolver la ecuación , entonces .
La condición de invertibilidad para un modelo está dado por: , esto es .
Modelo , entonces .
El polinomio de medias móviles esta dado por , para encontrar las raíces del
polinomio se tiene que resolver la ecuación , las raíces son:
Las condiciones de invertibilidad para el modelo están dados por:

15
Fig. 5.2 La figura muestra un proceso de medias móviles de orden uno, esto es con
sus respectivas gráficas de autocorrelación simple y parcial.
Los procesos de medias móviles se suelen denominar procesos de memoria corta, mientras que a los
autoregresivos se les denomina procesos de memoria larga.
5.3 Proceso Autoregresivo de Medias Móviles
Es muy probable que una serie de tiempo, tenga características de y de a la vez y, por
consiguiente, sea . Así, sigue un proceso , en este proceso habrá términos
autoregresivos y términos de media móvil.
donde es un proceso de ruido blanco, y son los parámetros del modelo.
Para un proceso una condición de estacionariedad es la misma que para un proceso ,
del mismo modo una condición de invertibilidad es la misma que para el proceso .
El modelo se puede escribir en términos del operador de retardos como sigue:

16
Donde
: es el polinomio autoregresivo.
: es el polinomio de medias móviles.
Si el proceso es estacionario su representación es
, entonces
Si el proceso es invertible una representación es
, entonces
Los pesos de la representación , como de la forma , están restringidos a depender del
vector finito de parámetros del modelo : .
- Un proceso autoregresivo de medias móviles es estacionario sí y solo sí el módulo
de las raíces del polinomio autoregresivo está fuera del círculo unitario.
Las condiciones de estacionariedad del modelo vienen impuestas por la parte
autoregresiva, dado que la parte de medias móviles finita siempre es estacionaria.
- Un proceso autoregresivo de medias móviles es invertible sí y solo sí el modulo de
las raíces del polinomio de medias móviles está fuera del circulo unirario.
Las condiciones de invertibilidad del modelo vienen impuestas por la parte de medias
móviles, dado que la parte autoregresiva es siempre invertible, porque siempre está directamente
escrita en forma autoregresiva.
Los modelos siempre va a compartir las características de delo modelo y ,
esto es porque contiene a ambas estructuras a la vez. El modelo tiene media cero, varianza
constante y finita y una función de autocorrelación infinita. La función de autocorrelación es infinita
decreciendo rápidamente hacia cero.
Proceso autoregresivo de media móvil de orden (1,1):
Consideremos el modelo modelo , donde se determina en función de su pasado hasta el
primer retardo, la innovación contemporánea y el pasado de la innovación hasta el retardo 1.

17
Donde sigue un proceso de ruido blanco, y son los parámetros del modelo.
Para comprobar la estacionariedad del modelo se calculan las raíces del polinomio autoregresico:
, entonces esto es
Para comprobar la condición de invertibilidad del modelo se calculan las raíces del polinomio de media
móviles:
, entonces esto es
Características de un proceso estacionario
a) Media
b) función de autocovarianzas

18
Resumiendo las autocovarianzas de un
La función de autocorrelación de un es
Fig. 5.3 La figura muestra la serie del cambio porcentual mes a mes de la serie desestacionalizada del
consumo de energía eléctrica en Puerto Rico con sus respectivas graficas de autocorrelación simple y
parcial.

19
Fig. 5.4 La figura muestra los residuales del modelo y las respectivas autocorrelaciones para
la serie consumo de energía eléctrica de Puerto Rico.
6.- Procesos Lineales no Estacionarios
6.1.- Proceso Autoregresivo Integrado y de Media Móvil
Los modelos de series de tiempo analizados hasta ahora se basan en el supuesto de estacionariedad,
esto es, la media y la varianza para una serie de tiempo son constantes en el tiempo y la covarianza es
invariante en el tiempo. Pero se sabe que muchas series de tiempo y en especial las series económicas
no son estacionarias, porque pueden ir cambiando de nivel en el tiempo o sencillamente la varianza no
es constante en el tiempo, a este tipo de proceso se les considera procesos integrados. Por consiguiente,
se debe diferencias una serie de tiempo veces para hacerla estacionaria y luego aplicarla a esta serie
diferenciada un modelo , se dice que la serie original es , es decir, una serie
de tiempo autoregresiva integrada de media móvil. Donde denota el número de términos
autoregresivos, el número de veces que la serie debe ser diferenciada para hacerla estacionaria y el
número de términos de la media móvil invertible.
Su expresión algebraica es:

20
Expresado en forma del polinomio operador de retardos el modelo es:
donde es al serie de las diferencia de orden , es un proceso de ruido blanco, y
son los parámetros del modelo.
La construcción de los modelos se lleva de manera iterativa mediante un proceso en el
que se puede distinguir cuatro etapas:
- Identificación. Utilizando los datos ordenados cronológicamente se intentara sugerir un modelo
que merezca la pena ser investigada. El objetivo es determinar los valores
que sean apropiados para reproducir la serie de tiempo. En esta etapa es posible
identificar más de un modelo candidato que pueda describir la serie.
- Estimación. Considerando el modelo apropiado para la serie de tiempo se realiza inferencia
sobre los parámetros.
- Validación. Se realizan contraste de diagnostico para validar si el modelo seleccionado se ajusta
a los datos, so no es así, escoger el próximo modelo candidato y repetir los pasos anteriores.
- Predicción. Una vez seleccionado el mejor modelo candidato se pueden hacer
pronósticos en términos probabilísticos de los valores futuros.
Fig. 6.1 La figura muestra la serie original del IPC y la serie estimada por el modelo

21
Fig. 6.2 La figura muestra los residuales del modelo seleccionado para el IPC y sus
respectivas autocorrelaciones.
Fig. 6.3 La gráfica muestra el IPC proyectado a 5 meses, esto es hasta Julio de 2011.
Mar-2011 Apr-2011 May-2011 Jun-2011 Jul-2011
ICS 112.6337 112.9437 113.1569 113.332 113.4842
112.1699 112.1596 112.1607 112.1606 112.1606
ICI 111.7060 111.3756 111.1646 110.9892 110.8371
Tab. 6.1 La tabla muestra las proyecciones del IPC para Puerto Rico de marzo 2011 a julio 2011 con su
respectivo intervalo de confianza.

22
6.2 Proceso Estacional Autoregresivo Integrado y de Media Móvil
Cuando una serie de tiempo en estudio tiene intervalos de observación menores a un año, entonces es
frecuente que estas tengan variaciones ó patrones sistemáticos cada cierto periodo, estas variaciones
sistemáticas inferiores a un año por ejemplo semestral, mensual, diario, etc. Deben ser captadas en los
llamados Factores Estacionales, dentro de la estructura del modelo a construirse.
Las series de tiempo estacionales pueden ser de dos tipos:
• Aditivas
• Multiplicativas
Y al mismo tiempo cada una de estas series puede ser estacionaria o no estacionaria.
Usualmente se presentan con mayor frecuencia los modelos multiplicativos comparados con los
modelos aditivos, de esta manera se combinan términos ordinarios del proceso y términos
estacionales, así como diferencias regulares y diferencias estacionales para transformar en series
estacionarias, esto es . Este tipo de procesos tiene las siguientes características:
• Contiene una componente que modela la dependencia regular, que es la
dependencia asociada a observaciones consecutivas.
• Contiene una componente que modela la dependencia estacional, que está
asociada a observaciones separadas por periodos.
La estructura general de un modelo , es:
Los parámetros son y .

23
Fig. 6.4 La figura muestra la serie original del empleo en Puerto Rico y la serie del empleo estimado por
el modelo .
Fig. 6.5 La figura muestra los residuales del modelo seleccionado y sus
respectivas autocorrelaciones.
Prueba de estacionariedad de los residuales
Ho: Los residuales del modelo ARIMA(2,1,1)(2,1,0) son estacionarios
Ha: Los residuales del modelo ARIMA(2,1,1)(2,1,0) no son estacionarios
Augmented Dickey-Fuller Test

24
data: residuales
Dickey-Fuller = -5.5384, Lag order = 7, p-value = 0.01
alternative hypothesis: stationary
Prueba de independencia de los residuales
Ho: Los residuales del modelo ARIMA(2,1,1)(2,1,0) son independientes.
Ha: Los residuales del modelo ARIMA(2,1,1)(2,1,0) no son independientes.
Box-Pierce test
data: residuales
X-squared = 9e-04, df = 1, p-value = 0.976
Fig. 6.6 La siguiente figura muestra el empleo en Puerto Rico proyectado a 5 meses, con el modelo
.
Mar-2011 Apr-2011 May-2011 Jun-2011 Jul-2011
ICS 920.9771 928.0298 921.4334 927.1217 930.8418
911.7477 916.5787 908.6987 912.7053 914.9780
ICI 902.6107 905.2690 896.1400 898.5131 899.3846
Tab. 6.2 La tabla muestra las proyecciones del empleo en Puerto Rico de febrero 2011 hasta junio de
2011, con su respectivo intervalo de confianza.

25
7.- Protocolo para la identificación de los modelos ARIMA y ARIMA estacional (según los pasos de Box-
Jenkins)
a.- Identificación
Representar gráficamente la serie, además de su función de autocorrelación simple (ACF) y función de
autocorrelación parcial (PACF). La gráfica de la serie nos indica si la serie es estacionaria o no. Según los
motivos por los que la serie no es estacionaria, tendremos que aplicar los siguientes procedimientos
hasta hacerla estacionaria.
- Si tiene tendencia: Tomaremos diferencias regulares hasta que desaparezca. Normalmente el
orden de la diferencia es 1, y raramente será mayor a 3.
- Si la serie tiene estacionalidad: Tomaremos diferencias estacionales hasta que desaparezca el
patrón estacional. En la práctica es muy raro tener que aplicar más de una diferencia estacional.
- Si es heterocedástica, es decir, no tiene varianza constante, habrá que transformar la serie.
Con tomar el logaritmo en muchos casos es suficiente, aunque existen algunas transformaciones
más sofisticadas, como las de Box-Cox.
Una vez que el gráfico de la nueva serie (transformación de la original) indica que es estacionaria,
podemos intentar deducir la estructura de la serie (¡no la de la serie original!) observando su ACF y
PACF.
b.- Estimación y verificación
Observando las dos gráficas del ACF y PACF de la serie transformada podemos hacernos una idea del
modelo que describe nuestra serie, o al menos de cuáles son los primeros candidatos que debemos
probar. Para comprobar analíticamente (no visualmente) un modelo frecuentemente se ajusta varios
modelos candidatos ARIMA(p,d,q) y escogeremos como un buen modelo aquel que tenga los residuales
semejantes al de un ruido blanco, además que tenga los valores del AIC (Criterio de Información de
Akaike) y BIC (Criterio de Información Bayesiana) menores con relación al resto de los modelos
candidatos.
c.- Predicción
Una de las razones de la popularidad del proceso de construcción de modelos es su éxito en la
predicción. Los modelos son buenos para realizar predicciones a corto plazo.

26
Estos tres puntos podemos resumir en el siguiente esquema
Identificar un modelo (elección
tentativa de )
Estimar los parámetros del
modelo tentativo
Verificación del modelo ?los
residuos estimados son ruido
blanco, además tiene un AIC y
BIC menores?
Si
No
Usar el modelo para
control y predicción

27
CÓDIGOS EN R
------------------------------------------------------------------------------------------------------------------------------------------
Código en R para simula un ruido blanco
------------------------------------------------------------------------------------------------------------------------------------------
#Simulamos 100 números aleatorios que sean ruido blanco con media cero y varianza uno
#rnorm(n, mean = 0, sd = 1)
g=rnorm(100,0,1)
par(mfrow=c(1,2))
ts.plot(g,main="Nii(0,1)")
acf(g, main="Autocorrelación Simple",ylim=c(-1,1),ci.col="black",ylab="")
------------------------------------------------------------------------------------------------------------------------------------------
Código en R para simular un camino aleatorio.
------------------------------------------------------------------------------------------------------------------------------------------
w=rnorm(100)
x=w
for (t in 2:100) x[t] <- x[t - 1] + w[t]
par(mfrow=c(2,2))
ts.plot(x, main="Camino aleatorio Xt")
acf(x, main="Autocorrelación Simple de Xt",ylim=c(-.5,.5),ci.col="black",ylab="")
d=diff(x)
ts.plot(d,main="Primera diferencia de Xt")
acf(d, main="Autocorrelación Simple de d",ylim=c(-.5,.5),ci.col="black",ylab="")
------------------------------------------------------------------------------------------------------------------------------------------
Código en R para simular un proceso auroregresivo de orden 1 AR(1)
------------------------------------------------------------------------------------------------------------------------------------------
# Simulación de un proceso AR(1) con phi=0.4
layout(matrix(c(1,1,2,3), 2, 2, byrow = TRUE))
AR=arima.sim(list(order=c(1,0,0), ar=.4), n=100)
plot(AR, ylab=" ", main=(expression(AR(1)~~~phi==+.4)))
acf(AR, main="Autocorrelación Simple",ylim=c(-.5,.5),ci.col="black",ylab="")
pacf(AR,main="Autocorrelación Parcial",ylim=c(-.5,.5),ci.col="black")
------------------------------------------------------------------------------------------------------------------------------------------
Código en R para simular un proceso de media móvil de orden 1 MA(1)
------------------------------------------------------------------------------------------------------------------------------------------
#Simulación de un proceso MA(1) con theta=0.5
MA=arima.sim(list(order=c(0,0,1), ma=.5), n=100)
plot(MA, ylab=" ", main=(expression(MA(1)~~~theta==+.5)))
acf(MA, main="Autocorrelación Simple",ylim=c(-.5,.5),ci.col="black",ylab="")
pacf(MA,main="Autocorrelación Parcial",ylim=c(-.5,.5),ci.col="black")

28
------------------------------------------------------------------------------------------------------------------------------------------
Código en R para un proceso ARMA
------------------------------------------------------------------------------------------------------------------------------------------
# Utilizaremos la serie del cambio porcentual mes a mes del consumo de energía eléctrica de Puerto
#Rico de febrero de 2002 a diciembre 2010.
CP.CEE=read.delim("clipboard")
attach(CP.CEE)
CEE=ts(CP.CEE,star=c(2002,2),frequency=12)
ts.plot(CEE,main="Consumo de energía eléctrica 02/2002-12/2010", ylab="Cambio Porcentual")
acf(CEE, main="Autocorrelación Simple",ci.col="black",ylab="",ylim=c(-.5,.5))
pacf(CEE,main="Autocorrelación Parcial",ci.col="black",ylim=c(-.5,.5))
#Modelo 1 tentativo ARMA(2,1)
arma21<−arima(CEE,order=c( 2,0,1))
aic21<−arma21$aic
aic21=550.5935
par(mfrow=c(1,2))
acf(arma21$residuals, main="Autocorrelacion Simple",ci.col="black",ylab="",ylim=c(-.5,.5))
pacf(arma21$residuals,main="Autocorrelacion Parcial",ci.col="black",ylim=c(-.5,.5))
aic22<−arma22$aic
aic22=552.5884
par(mfrow=c(1,2))
acf(arma22$residuals, main="Autocorrelacion Simple",ci.col="black",ylab="",ylim=c(-.5,.5))
pacf(arma22$residuals,main="Autocorrelacion Parcial",ci.col="black",ylim=c(-.5,.5))
aic11<−arma11$aic
aic11=550.2842
ts.plot(arma11$residuals,main="Residuales del modelo ARMA(1,1)",ylab="",xlab="")
acf(arma11$residuals, main="Autocorrelación Simple",ci.col="black",ylab="",ylim=c(-.5,.5))
pacf(arma11$residuals,main="Autocorrelación Parcial",ci.col="black",ylim=c(-.5,.5))
# predicciones
fit=fitted.values(arma11)
fore = predict(arma11, n.ahead=5)
fore
ICS=fore$pred+fore$se
ICI=fore$pred-fore$se

29
------------------------------------------------------------------------------------------------------------------------------------------
Código en R para un ARIMA
------------------------------------------------------------------------------------------------------------------------------------------
# Utilizaremos la serie del Índice de Precios al Consumidos de Puerto Rio de
# enero de 1984 a febrero de 2011
IPCPR=read.delim("clipboard")
attach(IPCPR)
IPC=ts(IPCPR,star=c(1984,1),frequency=12)
ts.plot(IPC,main="Índice de Precios al Consumidor 01/1984-02/2011", ylab="IPC")
#Primer diferencia
ten=diff(IPC,lag=1,difference=1)
ts.plot(ten,main="Primera diferencia del IPC",xlab="año",ylab="")
acf(ten, main="Autocorrelación Simple",ci.col="black",ylab="",ylim=c(-.5,.5))
pacf(ten,main="Autocorrelación Parcial",ci.col="black",ylim=c(-.5,.5))
#Modelo 1 tentativo ARIMA(2,1,1)
ar1<−arima(IPC,order=c( 2,1,1))
#Análisis de residuales del modelo 3
res=ar3$residuals
ts.plot(res,main="Residuales de ARIMA(1,1,1)",xlab="año",ylab="")
acf(res, main="Autocorrelación Simple",ci.col="black",ylab="",ylim=c(-.5,.5))
pacf(res,main="Autocorrelación Parcial",ci.col="black",ylim=c(-.5,.5))
###prueba de estacionariedad de Dickey-Fuller para los residuales del modelo seleccionado
adf.test(res)
###Prueba de independencia de Box-Pierce para los residuales del modelo seleccionado
Box.test(res)
# IPC estimado por ARIMA
fit=fitted.values(ar3)
ten=cbind(IPC,fit)
ts.plot(ten,col=8:10,main="IPC original y estimado por ARIMA",xlab="año",ylab="IPC")
bandas <- expression("IPC original", "IPC con ARIMA(1,1,1)")
legend(2005,70, bandas,lty=1, col=c(8,1),cex=.9)
# Pronósticos del IPC
fore = predict(ar3, n.ahead=5)
ts.plot(fit,fore$pred,col=8:10,xlab="año",ylab="IPC",main="Pronósticos del IPC")
lines(fore$pred,col=8:10)
lines(fore$pred+fore$se, lty="dashed", col=1)
lines(fore$pred-fore$se, lty="dashed", col=1)

30
------------------------------------------------------------------------------------------------------------------------------------------
Códigos en R para un ARIMA con estacionalidad
------------------------------------------------------------------------------------------------------------------------------------------
## Para ilustrar el modelos SARIMA utilizaremos la serie de Empleo en Puerto Rico de enero de 1980 a
#enero de 2011
library(zoo)
library(quadprog)
library(tseries)
library(fracdiff)
library(forecast)
empleo=read.delim("clipboard")
attach(empleo)
empleo=log(empleo[,3])
empleo=ts(empleo,star=c(1980,1),frequency=12)
ts.plot(empleo,ylab="log(empleos)",xlab="año",main="Empleo en Puerto Rico 01/1980-12/2010")
### Primera diferencia ###
a=diff(empleo,lag=1,difference=1)
ts.plot(a,main="Primera diferencia",xlab="año", ylab="")
acf(a, main="Atucorrelacion Simple",ci.col="black",ylab="",ylim=c(-.5,.5))
pacf(a, main="Autocorrelacion Parcial",, ci.col="black",ylab="",ylim=c(-.5,.5))
### primera diferencia estacional ###
b=diff(a,lag=12,difference=1)
ts.plot(b,main="Primera diferencia estacional", ylab="")
acf(b, main="Autocorrelacion Simple",ci.col="black",ylab="",ylim=c(-.5,.5))
pacf(b,main="Autocorrelacion Parcial",ci.col="black", ylab="",ylim=c(-.5,.5))
### Elección del modelo ###
ar=arima(empleo,order=c(2,1,1),seas=list(order=c(2,1,0),period=12))
### fit value VS serie original
fit=fitted.values(ar)
ten=cbind(empleo,fit)
ts.plot(ten,col=8:10,main="Empleo y Empleo Estimado por ARIMA",ylab="log(Empleo)",xlab="año")
bandas <- expression("Empelo", "Empleo estimado por ARIMA(2,1,1)(2,1,0)")
legend(1993,6.5, bandas,lty=1, col=c(8,1),cex=.7)
### analisis de residuales##
res=ar$residuals
ts.plot(res,main="Residuales ARIMA(2,1,1)(2,1,0)",xlab="año",ylab="")
acf(res, main="Atucorrelacion Simple",ci.col="black",ylab="",ylim=c(-.5,.5))
pacf(res,main="Autocorrelacion Parcial",ci.col="black",ylim=c(-.5,.5))
### prueba de estacionariedad de Dickey-Fuller##
adf.test(res)
###Prueba de aleatoriedad de Box-Pierce#
Box.test(res)
### normalidad de los residuales###
par(mfrow=c(1,2))
hist(res,main="Histogram of residuals")

31
qqnorm(res,main="Q-Q plot of residuals")
qqline(res)
### pronósticos ###
fit=fitted.values(ar)
fore = predict(ar, n.ahead=18)
ts.plot(fit,fore$pred,col=8:10,xlab="año",ylab="log(empleo)",main="Pronósticos del Empleo en Puerto
Rico")
lines(fore$pred,col=8:10)
lines(fore$pred+fore$se, lty="dashed", col=1)
lines(fore$pred-fore$se, lty="dashed", col=1)
fore = predict(ar, n.ahead=5)
fore
fo=fore$pred
predi=2.7183^fo
predi

manual_intro_series_tiempo.pdf

Más contenido relacionado

Similar a manual_intro_series_tiempo.pdf (20)

Último (20)

manual_intro_series_tiempo.pdf