SlideShare una empresa de Scribd logo
MODELOS ARIMA


        Los modelos ARIMA fueron popularizados en los años 70 por George Box y
Gwilym Jenkins, y sus nombres se utilizan, frecuentemente, como sinónimos de la
metodología ARIMA aplicada a análisis y predicción de series. Esta familia de modelos
ha sido utilizada ampliamente a partir de los 80, debido a los avances de recursos de
cálculo y de optimización.
        La principal ventaja de esta metodología es que proporciona predicciones
óptimas en el plazo inmediato y en el corto plazo. Esto se debe a que la metodología
Box-Jenkins (BJ en adelante) nos permite elegir entre un amplio rango de distintos
modelos según represente mejor el comportamiento de los datos. El sentido de
predicciones óptimas significa que ningún modelo univariante puede ofrecer mejores
predicciones que un modelo ARIMA. Esto no se cumple si ampliamos el modelo
ARIMA con regresión múltiple o utilizamos metodología multivariante.
        La principal desventaja de estos modelos es que la determinación del modelo
que mejor se adecua a la serie de datos no es trivial y, por tanto, se requiere que la
persona que realice predicciones tenga amplios conocimientos sobre esta metodología.
Esto ha inhibido el uso de esta metodología para realizar predicciones en el mundo de la
empresa, ya que el aumento de precisión de las mismas no compensaba el coste de
implantación. No obstante, es posible manejar algoritmos automáticos, que permiten
que la persona que utilice estas técnicas no tenga que tener conocimientos extensos
sobre esta materia. Así se lograrán mejores modelos y, por tanto, mejores predicciones,
sin necesidad de ese aumento del coste de implantación.




                                                                          © Carlos Maté
Expresión General de un Modelo ARMA


          El acrónimo ARIMA significa modelo autorregresivo integrado de media
móvil (AutoRegresive Integrated Moving Average). Cada una de las tres partes del
acrónimo se le denomina componente y modela un comportamiento distinto de la serie.
                                 { }
          Sea la serie temporal Yt . La expresión típica de un modelo ARMA en

notación algebraica es la siguiente.


Yt = C + φ1·Yt −1 + K + φ p·Yt − p + θ1·ε t −1 + K + θ q ·ε t − q + ε t     (10.8)
         1444 24444
                  4            3 1444 24444    4              3
             Comp. Autorregresiva         Comp. de Media Móvil


      Este modelo se nota abreviadamente ARMA (p,q).
      Un modelo ARMA es un modelo lineal. Esto significa que la variable que define
la serie temporal Yt depende de una constante C, linealmente de valores pasados de la
misma variable y linealmente de una ponderación de errores de ajuste realizados en el
pasado.
          A continuación se definen algunos términos de común uso sobre modelos
ARMA.
          A la dependencia de la serie temporal con los valores pasados de la misma
serie temporal se le denomina componente autorregresiva del modelo (AR). El
número de retrasos de la serie temporal Yt que se introducen en el modelo se denomina

orden autorregresivo del modelo y se denota mediante la letra p. La palabra
autorregresivo viene de que se modela este comportamiento como una regresión lineal
múltiple (regresivo) con valores propios de la misma serie temporal (auto) retrasados un
periodo de muestreo T (T=1,2,...,p).
          Siguiendo un desarrollo paralelo al anterior, se denomina componente de
media móvil de un modelo ARMA a la dependencia de la serie temporal Yt con


                                                                          © Carlos Maté
valores pasados de los errores (MA). El número de errores pasados que se introducen
en el modelo se llama orden de media móvil, y se nota con la letra q.


10.1.     Expresión General de un Modelo ARIMA

        Los modelos ARIMA se construyen a partir de los modelos ARMA, pero
considerando que la serie en estudio para que sea estacionaria en media tendrá que
diferenciarse una serie de veces.
        Un modelo ARIMA (p,d,q) es un modelo ARMA(p,q) sobre la serie diferenciada
d veces. Es decir, su expresión algebraica, (10.9), será



Yt (d ) = C + φ1·Yt −1(d ) + K + φ p·Yt − p(d ) + θ1·ε t −1(d ) + K + θ q ·ε t − q(d ) + ε t (d )
              144444 44444   2              3 144444 44444        2                3
                        Comp. Autorregresiva                Comp. de Media Móvil


        donde Yt
                 (d )   es la serie de las diferencias de orden d y   ε td ) es la serie de los
                                                                        (
errores que se cometen en la serie anterior.
        Habitualmente el orden de diferenciación d, entero, oscila entre 0 y 2.
           Una vez hemos visto el comportamiento de un modelo ARIMA, podemos
afirmar que éste se puede definir como un modelo de regresión lineal múltiple, donde
la variable dependiente es la propia serie (diferenciada o no) y las variables
independientes son valores de la serie y valores de los errores de ajuste retrasados hasta
unos órdenes p y q, respectivamente.
           De hecho, una vez hemos identificado el modelo, que equivale a identificar los
órdenes p, q y el orden de diferenciación (si es requerido), la determinación de los p+q
parámetros usados en el modelo (φ’s y θ’s) se realiza de igual forma que en el caso de la
regresión múltiple, es decir, mediante minimización del error cuadrático.
           Como se ha comentado previamente, la gran ventaja de los modelos ARIMA
con respecto a los ARMA es la incorporación de esta diferenciación dentro del modelo,
dentro de la parte de integración.



                                                                                © Carlos Maté
Para calcular tanto el orden de diferenciación óptimo como el cambio de
variable necesario para estabilizar la serie se dispone de varios algoritmos. El lector
interesado puede consultar el proyecto fin de carrera García-Alcalde (1999), “Desarrollo
de una herramienta metodológica para el análisis y predicción de la información
asociada al mercado diario español de generación eléctrica”.



10.2.   Otras cuestiones sobre Modelos ARIMA


1. Algunas Propiedades de un modelo ARIMA óptimo
         A continuación se verán las características generales que ha de tener un buen
modelo ARIMA. Estas características nos servirán para posteriormente poder
identificar, estimar y verificar el comportamiento de un modelo ARIMA que ha sido
optimizado.


         •    Parsimonia (Parquedad)
         Box y Jenkins ponen énfasis en que la clave de un buen modelo ARIMA es que
cumpla el principio de parsimonia, que significa sencillez. Así, un modelo se dice que es
parsimonioso si se ajusta a la serie de forma adecuada sin usar coeficientes innecesarios.
Por ejemplo, si un modelo AR(1) y un modelo AR(2) se comportan de forma
prácticamente idéntica, elegiremos el modelo AR(1) ya que así tendremos que estimar
un coeficiente menos.




         El principio de parsimonia es importante porque, en la práctica, un modelo
parsimonioso suele generar mejores predicciones. La idea de la parsimonia nos da una
fuerte orientación práctica a la hora de modelar e identificar una modelo ARIMA. Así,
no tendremos que buscar el proceso ARIMA que realmente genera la serie temporal,
sino que nos conformaremos con encontrar un modelo que se aproxime correctamente,


                                                                            © Carlos Maté
tanto práctica como estadísticamente, al comportamiento de la serie temporal que
estudiamos.
         Una idea importante es que el principio de parsimonia no tiene que ser
sobrevalorado. También tenemos que tener en cuenta el resto de propiedades de un buen
modelo ARIMA y valorarlas equitativa y proporcionalmente.


         •    Estacionariedad
         Otra condición de gran importancia para lograr un buen modelo ARIMA es que
la serie sea estacionaria.
         Asumir que una serie sea estacionaria nos permite desarrollar un marco de
trabajo bastante simple y usar herramientas estadísticas de muestreo de gran potencia.
Así, si la media de un proceso es constante, podremos usar N observaciones para
estimarla, mientras que sería mucho más complicado si la media no fuese estacionaria.
         Las técnicas más comunes para conocer si una serie temporal es estacionaria
son los contrastes de existencia de raíces unidad.
         Si una serie no es estacionaria podemos modificar dicha serie para convertirla
en estacionaria. Dado que las modificaciones son conocidas, podemos posteriormente
invertirlas para obtener las predicciones en la misma métrica que la serie original.
         Existen distintas técnicas para estabilizar la media y la varianza, como ya se ha
comentado.




         •    Buenos coeficientes estimados
         Que un modelo tenga unos buenos coeficientes estimados, está relacionado con
dos vertientes distintas.
          La primera es que los coeficientes, tanto los de la componente autorregresiva
(φ’s) como los de la componente de media móvil (θ’s) sean significativamente
distintos de cero. Esto se realiza mediante contrastes de hipótesis.




                                                                             © Carlos Maté
La segunda es que las estimaciones de los coeficientes φ’s y θ’s no deben estar
altamente correladas entre sí. Si están muy correladas, tienden a ser inestables,
incluso siendo estadísticamente significativos.


         •   Los residuos son ruido blanco
         Esta proposición es muy importante a la hora de verificar un modelo ARIMA,
una vez se han realizado las etapas de identificación y ajuste.
         La hipótesis crítica es la de incorrelación. Para comprobar esta hipótesis se
utilizan distintos métodos de inferencia estadística (típicamente contrastes t y chi-
cuadrado) aplicados a cada coeficiente de la función de autocorrelación y a la función
de autocorrelación completa.


         •   Debe ajustarse bien a los datos
         Que un modelo se ajuste todo lo bien posible a los datos de los que es
generado, es una hipótesis asumible y lógica. Esta bondad del ajuste se mide en
términos de error. Distintas medidas de error son computables en la etapa de ajuste y se
han analizado previamente.
         Los márgenes asumibles del valor de estos errores de ajuste depende,
ciertamente, de la naturaleza de la serie, por lo que no hay un criterio unívoco de
comprobación de la adecuación del ajuste.




         •   Debe dar buenas predicciones
         Aunque el modelo haya sido ajustado y prediga el pasado de una forma
suficientemente correcta, lo que realmente se requiere de cualquier modelo de
predicción es que realice predicciones satisfactorias.
         La evaluación de un modelo según este criterio se debe realizar mediante el uso
durante un periodo de prueba o de verificación.




                                                                          © Carlos Maté
2. Esquema de Identificación − Optimización- Comprobación


        Nuestro fin a la hora de emplear un modelo ARIMA es obtener un modelo que
cumpla las hipótesis formuladas en el apartado anterior.
        Box y Jenkins proponen un procedimiento práctico en tres etapas para hallar el
modelo ARIMA óptimo. Su esquema simplificado se muestra en la Figura 10-5.
        Analicemos de manera más pormenorizada cada etapa.


Etapa1.- Identificación
        En esta etapa analizamos mediante distintas técnicas cual es el modelo ARIMA
que, a priori, mejor se puede ajustar a la serie. Según la metodología clásica, las
herramientas que permiten identificar el patrón que sigue la serie son las funciones de
autocorrelación.
        La idea básica para utilizar estas funciones de autocorrelación es la siguiente:
cada modelo ARIMA tiene asociadas unas funciones de autocorrelación teóricas. En
esta etapa comparamos las funciones de autocorrelación estimadas con las teóricas y
elegimos como modelo tentativo aquel al que más se aproximen ambas. El modelo que
obtengamos es, como se ha dicho anteriormente, tentativo y debemos realizar el resto de
las etapas para comprobar que realmente es el adecuado.




                                                                          © Carlos Maté
Elegir uno a más modelos
   Etapa               1.-       ARIMA como candidatos




                                 Estimar los parámetros del
   Etapa 2.- Estimación               modelo elegido




                                Comprobar la adecuación del
   Etapa               3.-          modelo candidato




                                      Es el modelo            NO
                                      satisfactorio



                                                SI


                                    Realizar
                                    Predicciones

                                    Figura 10-5


Etapa 2.- Estimación
        En esta etapa obtenemos las estimaciones de los parámetros del modelo
ARIMA, una vez hemos fijados en la etapa de identificación los órdenes autorregresivo
y de media móvil. Esta estimación se realiza mediante minimización cuadrática del
error de ajuste. Esta etapa nos proporciona señales de aviso sobre si el modelo es
adecuado o no. En particular, si los coeficientes no cumplen ciertas inecuaciones
derivadas de la invertibilidad y la estacionariedad, el modelo ajustado debe ser
rechazado.



                                                                        © Carlos Maté
Etapa 3.- Comprobación
         Box y Jenkins proponen algunas comprobaciones de hipótesis que deben ser
realizadas para comprobar que el modelo estimado es estadísticamente adecuado.
Algunas de las comprobaciones que se deben realizar son que los residuos cumplen las
hipótesis de ruido blanco o que no existen coeficientes no significativos.
         Una vez hemos comprobado que el modelo es correcto, podemos realizar
predicciones usando el mismo.


         Para solventar el problema de la identificación mediante comparación de
funciones de autocorrelación, hay desarrollos de algoritmos que unen la etapa de
identificación y estimación. Así se logra poder orientar el desarrollo del algoritmo a
medidas de error y comprobación de hipótesis del modelo. Mediante estos algoritmos
podemos ajustar de una manera correcta modelos ARIMA con órdenes altos.


3. Equivalencia de modelos ARIMA con alisados exponenciales


         La formulación ARIMA permite incluir algunos de los modelos de alisado
exponencial. Sus predicciones son idénticas a las del modelo ARIMA asociado.
Consultar McKenzie, E. (1984), General exponential smoothing and the equivalent
ARIMA process, Journal of Forecasting, 3, 333-334. Las equivalencias más importantes
son:
         •   La predicción de un alisado exponencial simple es equivalente a la de un
             ARIMA(0,1,1). El parámetro de media móvil θ coincide con 1 − α, siendo
             α el parámetro de alisado.
         •   El método de Holt lineal es equivalente a un modelo ARIMA(0,2,2). Los
             valores de los parámetros de media móvil serán θ1 = 2 − α − β y θ2 = α − 1,
             siendo α y β los parámetros de alisado.




                                                                             © Carlos Maté
La gran ventaja de estas equivalencias es que permiten calcular intervalos de
predicción mediante los modelos ARIMA. Dado que ningún alisado exponencial es un
modelo estadístico, el cálculo de los intervalos de predicción es tarea muy complicada.
De hecho, se dice que los alisados exponenciales dan predicciones punto a punto. Debe
quedar claro que estas equivalencias son en el sentido de que las predicciones que
generan ambas metodologías son las mismas, pero esto no implica que los modelos que
generan esas predicciones sean iguales.


4. Predicción mediante un modelo ARIMA


         Para realizar predicciones puntuales mediante un modelo ARIMA, se utiliza la
notación algebraica. Se resuelve la ecuación para Yt. Para ello se introducen las
estimaciones de la constante del modelo y de los parámetros φ y θ y se asigna cero
como valor esperado del error εt. Lo que se realiza a continuación es insertar los valores
pasados de Yt y de los errores. En la práctica debemos usar como errores los obtenidos
en la etapa de estimación y, si el periodo de predicción es mayor que el orden de media
móvil, asignaremos a las estimaciones de los errores el valor nulo. De igual modo
utilizaremos las predicciones de Yt en el caso de que el periodo de predicción sea mayor
al orden autorregresivo.




                                                                            © Carlos Maté

Más contenido relacionado

La actualidad más candente

Ejercicios resueltos io 1 parte 2
Ejercicios resueltos io 1   parte 2Ejercicios resueltos io 1   parte 2
Ejercicios resueltos io 1 parte 2
fzeus
 
Pruebas de bondad de ajuste y pruebas no parametricas
Pruebas de bondad de ajuste y pruebas no parametricasPruebas de bondad de ajuste y pruebas no parametricas
Pruebas de bondad de ajuste y pruebas no parametricas
Alez Escandón
 
Evaluación de proyectos
Evaluación de proyectosEvaluación de proyectos
Evaluación de proyectos
Leonardo Gabriel Hernandez Landa
 
Aplicaciones de series de tiempo
Aplicaciones de series de tiempoAplicaciones de series de tiempo
Aplicaciones de series de tiempo
Brenda Aguirre
 
Simulacion-unidad 1
Simulacion-unidad 1Simulacion-unidad 1
U5 ANÁLISIS DE REEMPLAZO
U5 ANÁLISIS DE REEMPLAZOU5 ANÁLISIS DE REEMPLAZO
U5 ANÁLISIS DE REEMPLAZO
Alberto Carranza Garcia
 
Simulación - Unidad 2 numeros pseudoaleatorios
Simulación - Unidad 2 numeros pseudoaleatoriosSimulación - Unidad 2 numeros pseudoaleatorios
Simulación - Unidad 2 numeros pseudoaleatorios
José Antonio Sandoval Acosta
 
Estadística: Prueba de Medias
Estadística: Prueba de MediasEstadística: Prueba de Medias
Estadística: Prueba de Medias
Luis Fernando Aguas Bucheli
 
Prueba de hipotesis y intervalos de confianza
Prueba de hipotesis y intervalos de confianzaPrueba de hipotesis y intervalos de confianza
Prueba de hipotesis y intervalos de confianza
Iselitaa Hernadez
 
Analisis de valor anual
Analisis de valor anualAnalisis de valor anual
Analisis de valor anual
Javier Aguilar Cruz
 
FORMULAS DEL SISTEMA DE COLA M/M/1
FORMULAS DEL SISTEMA DE COLA M/M/1FORMULAS DEL SISTEMA DE COLA M/M/1
FORMULAS DEL SISTEMA DE COLA M/M/1
Justin Guerrero Delahoz
 
Tamaño de muestra para diferencia de dos medias y dos proporciones
Tamaño de muestra para diferencia de dos medias  y dos proporcionesTamaño de muestra para diferencia de dos medias  y dos proporciones
Tamaño de muestra para diferencia de dos medias y dos proporciones
Domingo de la Cerda
 
6993547 analisis-de-autocorrelacion
6993547 analisis-de-autocorrelacion6993547 analisis-de-autocorrelacion
6993547 analisis-de-autocorrelacion
Erika Romero
 
Tazas de rendimiento
Tazas de rendimientoTazas de rendimiento
Tazas de rendimiento
DanielaMillan13
 
Ejercicios resueltos programacion lineal
Ejercicios resueltos programacion linealEjercicios resueltos programacion lineal
Ejercicios resueltos programacion lineal
Johana Rios Solano
 
Multicolinealidad
MulticolinealidadMulticolinealidad
Multicolinealidad
UTPL UTPL
 
5.4 flujo maximo
5.4 flujo maximo5.4 flujo maximo
5.4 flujo maximo
ADRIANA NIETO
 
Ingenieria economica y la toma de decisiones
Ingenieria economica  y la toma de decisionesIngenieria economica  y la toma de decisiones
Ingenieria economica y la toma de decisiones
BRENDA LORENA
 
Procesos de Nacimiento y muerte - Teoria de colas
Procesos de Nacimiento y muerte - Teoria de colasProcesos de Nacimiento y muerte - Teoria de colas
Procesos de Nacimiento y muerte - Teoria de colas
Carlos Eduardo Martinez Padilla
 
Metodo o Simulacion de Montecarlo
Metodo o Simulacion de MontecarloMetodo o Simulacion de Montecarlo
Metodo o Simulacion de Montecarlo
Henri Emmanuel Lopez Gomez
 

La actualidad más candente (20)

Ejercicios resueltos io 1 parte 2
Ejercicios resueltos io 1   parte 2Ejercicios resueltos io 1   parte 2
Ejercicios resueltos io 1 parte 2
 
Pruebas de bondad de ajuste y pruebas no parametricas
Pruebas de bondad de ajuste y pruebas no parametricasPruebas de bondad de ajuste y pruebas no parametricas
Pruebas de bondad de ajuste y pruebas no parametricas
 
Evaluación de proyectos
Evaluación de proyectosEvaluación de proyectos
Evaluación de proyectos
 
Aplicaciones de series de tiempo
Aplicaciones de series de tiempoAplicaciones de series de tiempo
Aplicaciones de series de tiempo
 
Simulacion-unidad 1
Simulacion-unidad 1Simulacion-unidad 1
Simulacion-unidad 1
 
U5 ANÁLISIS DE REEMPLAZO
U5 ANÁLISIS DE REEMPLAZOU5 ANÁLISIS DE REEMPLAZO
U5 ANÁLISIS DE REEMPLAZO
 
Simulación - Unidad 2 numeros pseudoaleatorios
Simulación - Unidad 2 numeros pseudoaleatoriosSimulación - Unidad 2 numeros pseudoaleatorios
Simulación - Unidad 2 numeros pseudoaleatorios
 
Estadística: Prueba de Medias
Estadística: Prueba de MediasEstadística: Prueba de Medias
Estadística: Prueba de Medias
 
Prueba de hipotesis y intervalos de confianza
Prueba de hipotesis y intervalos de confianzaPrueba de hipotesis y intervalos de confianza
Prueba de hipotesis y intervalos de confianza
 
Analisis de valor anual
Analisis de valor anualAnalisis de valor anual
Analisis de valor anual
 
FORMULAS DEL SISTEMA DE COLA M/M/1
FORMULAS DEL SISTEMA DE COLA M/M/1FORMULAS DEL SISTEMA DE COLA M/M/1
FORMULAS DEL SISTEMA DE COLA M/M/1
 
Tamaño de muestra para diferencia de dos medias y dos proporciones
Tamaño de muestra para diferencia de dos medias  y dos proporcionesTamaño de muestra para diferencia de dos medias  y dos proporciones
Tamaño de muestra para diferencia de dos medias y dos proporciones
 
6993547 analisis-de-autocorrelacion
6993547 analisis-de-autocorrelacion6993547 analisis-de-autocorrelacion
6993547 analisis-de-autocorrelacion
 
Tazas de rendimiento
Tazas de rendimientoTazas de rendimiento
Tazas de rendimiento
 
Ejercicios resueltos programacion lineal
Ejercicios resueltos programacion linealEjercicios resueltos programacion lineal
Ejercicios resueltos programacion lineal
 
Multicolinealidad
MulticolinealidadMulticolinealidad
Multicolinealidad
 
5.4 flujo maximo
5.4 flujo maximo5.4 flujo maximo
5.4 flujo maximo
 
Ingenieria economica y la toma de decisiones
Ingenieria economica  y la toma de decisionesIngenieria economica  y la toma de decisiones
Ingenieria economica y la toma de decisiones
 
Procesos de Nacimiento y muerte - Teoria de colas
Procesos de Nacimiento y muerte - Teoria de colasProcesos de Nacimiento y muerte - Teoria de colas
Procesos de Nacimiento y muerte - Teoria de colas
 
Metodo o Simulacion de Montecarlo
Metodo o Simulacion de MontecarloMetodo o Simulacion de Montecarlo
Metodo o Simulacion de Montecarlo
 

Similar a Modelo arima

Arima
Arima Arima
Arima
Juan Velez
 
MODELO ARIMA - UPT - ECONOMETRIA - HUMBERTO ESPADA SANCHEZ
MODELO ARIMA - UPT - ECONOMETRIA - HUMBERTO ESPADA SANCHEZMODELO ARIMA - UPT - ECONOMETRIA - HUMBERTO ESPADA SANCHEZ
MODELO ARIMA - UPT - ECONOMETRIA - HUMBERTO ESPADA SANCHEZ
Luz Mamani
 
Principios De Econometria - ARIMA
Principios De Econometria - ARIMAPrincipios De Econometria - ARIMA
Principios De Econometria - ARIMA
Gabriel Leandro
 
Presentacion Math 6400
Presentacion Math 6400Presentacion Math 6400
Presentacion Math 6400
Sullinette
 
Serie Cronológica y Modelos de Pronósticos
Serie Cronológica y Modelos de PronósticosSerie Cronológica y Modelos de Pronósticos
Serie Cronológica y Modelos de Pronósticos
Alexis José González
 
UNIDAD TEMÁTICA 5.pdf
UNIDAD TEMÁTICA 5.pdfUNIDAD TEMÁTICA 5.pdf
UNIDAD TEMÁTICA 5.pdf
JhonDavidFernndezRod
 
C03.pdf
C03.pdfC03.pdf
Revista eia 14 art. 9
Revista eia 14 art. 9Revista eia 14 art. 9
Revista eia 14 art. 9
Edison Dominguez
 
Lenguaje de simulacion
Lenguaje de simulacionLenguaje de simulacion
Lenguaje de simulacion
lilijessica
 
Modelo de garch
Modelo de garchModelo de garch
Modelo de garch
ucmc
 
Modelo de garch
Modelo de garchModelo de garch
Modelo de garch
ucmc
 
Introduction to R by David Lucy Cap 12-16
Introduction to R by David Lucy Cap 12-16Introduction to R by David Lucy Cap 12-16
Introduction to R by David Lucy Cap 12-16
Luis Pons
 
Machine Learning para la Optimización y Mejora de Procesos
Machine Learning para la Optimización y Mejora de ProcesosMachine Learning para la Optimización y Mejora de Procesos
Machine Learning para la Optimización y Mejora de Procesos
Miguel Angel Patiño Antonioli
 
distribucion-de-weibull
 distribucion-de-weibull distribucion-de-weibull
distribucion-de-weibull
metal_javier
 
SIMUago-dic23.pptx
SIMUago-dic23.pptxSIMUago-dic23.pptx
SIMUago-dic23.pptx
JannyaPancardo
 
Simulacion uam
Simulacion uamSimulacion uam
1.2 Definición de simulación
1.2 Definición de simulación   1.2 Definición de simulación
1.2 Definición de simulación
avengers92
 
1.2 definiciòn de simulaciòn exposicion
1.2 definiciòn de simulaciòn   exposicion1.2 definiciòn de simulaciòn   exposicion
1.2 definiciòn de simulaciòn exposicion
Jose Hernandez Landa
 
⭐⭐⭐⭐⭐ Systems identification using #MATLAB
⭐⭐⭐⭐⭐ Systems identification using #MATLAB⭐⭐⭐⭐⭐ Systems identification using #MATLAB
⭐⭐⭐⭐⭐ Systems identification using #MATLAB
Victor Asanza
 
EL ALGORITMO
EL ALGORITMOEL ALGORITMO
EL ALGORITMO
Erika Jimenez
 

Similar a Modelo arima (20)

Arima
Arima Arima
Arima
 
MODELO ARIMA - UPT - ECONOMETRIA - HUMBERTO ESPADA SANCHEZ
MODELO ARIMA - UPT - ECONOMETRIA - HUMBERTO ESPADA SANCHEZMODELO ARIMA - UPT - ECONOMETRIA - HUMBERTO ESPADA SANCHEZ
MODELO ARIMA - UPT - ECONOMETRIA - HUMBERTO ESPADA SANCHEZ
 
Principios De Econometria - ARIMA
Principios De Econometria - ARIMAPrincipios De Econometria - ARIMA
Principios De Econometria - ARIMA
 
Presentacion Math 6400
Presentacion Math 6400Presentacion Math 6400
Presentacion Math 6400
 
Serie Cronológica y Modelos de Pronósticos
Serie Cronológica y Modelos de PronósticosSerie Cronológica y Modelos de Pronósticos
Serie Cronológica y Modelos de Pronósticos
 
UNIDAD TEMÁTICA 5.pdf
UNIDAD TEMÁTICA 5.pdfUNIDAD TEMÁTICA 5.pdf
UNIDAD TEMÁTICA 5.pdf
 
C03.pdf
C03.pdfC03.pdf
C03.pdf
 
Revista eia 14 art. 9
Revista eia 14 art. 9Revista eia 14 art. 9
Revista eia 14 art. 9
 
Lenguaje de simulacion
Lenguaje de simulacionLenguaje de simulacion
Lenguaje de simulacion
 
Modelo de garch
Modelo de garchModelo de garch
Modelo de garch
 
Modelo de garch
Modelo de garchModelo de garch
Modelo de garch
 
Introduction to R by David Lucy Cap 12-16
Introduction to R by David Lucy Cap 12-16Introduction to R by David Lucy Cap 12-16
Introduction to R by David Lucy Cap 12-16
 
Machine Learning para la Optimización y Mejora de Procesos
Machine Learning para la Optimización y Mejora de ProcesosMachine Learning para la Optimización y Mejora de Procesos
Machine Learning para la Optimización y Mejora de Procesos
 
distribucion-de-weibull
 distribucion-de-weibull distribucion-de-weibull
distribucion-de-weibull
 
SIMUago-dic23.pptx
SIMUago-dic23.pptxSIMUago-dic23.pptx
SIMUago-dic23.pptx
 
Simulacion uam
Simulacion uamSimulacion uam
Simulacion uam
 
1.2 Definición de simulación
1.2 Definición de simulación   1.2 Definición de simulación
1.2 Definición de simulación
 
1.2 definiciòn de simulaciòn exposicion
1.2 definiciòn de simulaciòn   exposicion1.2 definiciòn de simulaciòn   exposicion
1.2 definiciòn de simulaciòn exposicion
 
⭐⭐⭐⭐⭐ Systems identification using #MATLAB
⭐⭐⭐⭐⭐ Systems identification using #MATLAB⭐⭐⭐⭐⭐ Systems identification using #MATLAB
⭐⭐⭐⭐⭐ Systems identification using #MATLAB
 
EL ALGORITMO
EL ALGORITMOEL ALGORITMO
EL ALGORITMO
 

Último

Mundo ABC Examen 1 Grado- Tercer Trimestre.pdf
Mundo ABC Examen 1 Grado- Tercer Trimestre.pdfMundo ABC Examen 1 Grado- Tercer Trimestre.pdf
Mundo ABC Examen 1 Grado- Tercer Trimestre.pdf
ViriEsteva
 
el pensamiento critico de paulo freire en basica .pdf
el pensamiento critico de paulo freire en basica .pdfel pensamiento critico de paulo freire en basica .pdf
el pensamiento critico de paulo freire en basica .pdf
almitamtz00
 
Examen de la EvAU 2024 en Navarra Latín.
Examen de la EvAU 2024 en Navarra Latín.Examen de la EvAU 2024 en Navarra Latín.
Examen de la EvAU 2024 en Navarra Latín.
amayaltc18
 
El Cerebro se Cambia a si Mismo-Norman Doidge.pdf
El Cerebro se Cambia a si Mismo-Norman Doidge.pdfEl Cerebro se Cambia a si Mismo-Norman Doidge.pdf
El Cerebro se Cambia a si Mismo-Norman Doidge.pdf
Robert Zuñiga Vargas
 
El ensayo mexicano en el siglo XX LITERATURA
El ensayo mexicano en el siglo XX LITERATURAEl ensayo mexicano en el siglo XX LITERATURA
El ensayo mexicano en el siglo XX LITERATURA
Armando920824
 
pueblos originarios de chile presentacion twinkl.pptx
pueblos originarios de chile presentacion twinkl.pptxpueblos originarios de chile presentacion twinkl.pptx
pueblos originarios de chile presentacion twinkl.pptx
RAMIREZNICOLE
 
Lecciones 10 Esc. Sabática. El espiritismo desenmascarado docx
Lecciones 10 Esc. Sabática. El espiritismo desenmascarado docxLecciones 10 Esc. Sabática. El espiritismo desenmascarado docx
Lecciones 10 Esc. Sabática. El espiritismo desenmascarado docx
Alejandrino Halire Ccahuana
 
Presidencias radicales (1916 – 1930) (1) (1).pdf
Presidencias radicales (1916 – 1930) (1) (1).pdfPresidencias radicales (1916 – 1930) (1) (1).pdf
Presidencias radicales (1916 – 1930) (1) (1).pdf
MARIANA110300
 
PANDERETAS DECORADAS CON MOTIVOS DE LA RIOJA
PANDERETAS DECORADAS CON MOTIVOS DE LA RIOJAPANDERETAS DECORADAS CON MOTIVOS DE LA RIOJA
PANDERETAS DECORADAS CON MOTIVOS DE LA RIOJA
estroba5
 
Biografía de Gregor Mendel y sus 3 leyes.pptx
Biografía de Gregor Mendel y sus 3 leyes.pptxBiografía de Gregor Mendel y sus 3 leyes.pptx
Biografía de Gregor Mendel y sus 3 leyes.pptx
ar5498718
 
UNA VISITA A SAN PEDRO EN EL VATICANO.pdf
UNA VISITA A SAN PEDRO EN EL VATICANO.pdfUNA VISITA A SAN PEDRO EN EL VATICANO.pdf
UNA VISITA A SAN PEDRO EN EL VATICANO.pdf
Joan Ribes Gallén
 
Elites municipales y propiedades rurales: algunos ejemplos en territorio vascón
Elites municipales y propiedades rurales: algunos ejemplos en territorio vascónElites municipales y propiedades rurales: algunos ejemplos en territorio vascón
Elites municipales y propiedades rurales: algunos ejemplos en territorio vascón
Javier Andreu
 
2° año LA VESTIMENTA-ciencias sociales 2 grado
2° año LA VESTIMENTA-ciencias sociales 2 grado2° año LA VESTIMENTA-ciencias sociales 2 grado
2° año LA VESTIMENTA-ciencias sociales 2 grado
GiselaBerrios3
 
Manual de procedimiento para gráficos HC
Manual de procedimiento para gráficos HCManual de procedimiento para gráficos HC
Manual de procedimiento para gráficos HC
josseanlo1581
 
EVALUACION ESTUDIANTIL 2023-2024 Ecuador - Costa.pptx
EVALUACION ESTUDIANTIL 2023-2024 Ecuador - Costa.pptxEVALUACION ESTUDIANTIL 2023-2024 Ecuador - Costa.pptx
EVALUACION ESTUDIANTIL 2023-2024 Ecuador - Costa.pptx
Victor Elizalde P
 
Todo sobre el acta constitutiva de la empresa.pdf
Todo sobre el acta constitutiva de la empresa.pdfTodo sobre el acta constitutiva de la empresa.pdf
Todo sobre el acta constitutiva de la empresa.pdf
La Paradoja educativa
 
Examen Lengua y Literatura EVAU Andalucía.pdf
Examen Lengua y Literatura EVAU Andalucía.pdfExamen Lengua y Literatura EVAU Andalucía.pdf
Examen Lengua y Literatura EVAU Andalucía.pdf
20minutos
 
El espiritismo desenmascarado.pdf. Lec. 10
El espiritismo desenmascarado.pdf. Lec. 10El espiritismo desenmascarado.pdf. Lec. 10
El espiritismo desenmascarado.pdf. Lec. 10
Alejandrino Halire Ccahuana
 
RETROALIMENTACIÓN PARA EL EXAMEN ÚNICO AUXILIAR DE ENFERMERIA.docx
RETROALIMENTACIÓN PARA EL EXAMEN ÚNICO AUXILIAR DE ENFERMERIA.docxRETROALIMENTACIÓN PARA EL EXAMEN ÚNICO AUXILIAR DE ENFERMERIA.docx
RETROALIMENTACIÓN PARA EL EXAMEN ÚNICO AUXILIAR DE ENFERMERIA.docx
100078171
 
Horarios y fechas de la PAU 2024 en la Comunidad Valenciana.
Horarios y fechas de la PAU 2024 en la Comunidad Valenciana.Horarios y fechas de la PAU 2024 en la Comunidad Valenciana.
Horarios y fechas de la PAU 2024 en la Comunidad Valenciana.
20minutos
 

Último (20)

Mundo ABC Examen 1 Grado- Tercer Trimestre.pdf
Mundo ABC Examen 1 Grado- Tercer Trimestre.pdfMundo ABC Examen 1 Grado- Tercer Trimestre.pdf
Mundo ABC Examen 1 Grado- Tercer Trimestre.pdf
 
el pensamiento critico de paulo freire en basica .pdf
el pensamiento critico de paulo freire en basica .pdfel pensamiento critico de paulo freire en basica .pdf
el pensamiento critico de paulo freire en basica .pdf
 
Examen de la EvAU 2024 en Navarra Latín.
Examen de la EvAU 2024 en Navarra Latín.Examen de la EvAU 2024 en Navarra Latín.
Examen de la EvAU 2024 en Navarra Latín.
 
El Cerebro se Cambia a si Mismo-Norman Doidge.pdf
El Cerebro se Cambia a si Mismo-Norman Doidge.pdfEl Cerebro se Cambia a si Mismo-Norman Doidge.pdf
El Cerebro se Cambia a si Mismo-Norman Doidge.pdf
 
El ensayo mexicano en el siglo XX LITERATURA
El ensayo mexicano en el siglo XX LITERATURAEl ensayo mexicano en el siglo XX LITERATURA
El ensayo mexicano en el siglo XX LITERATURA
 
pueblos originarios de chile presentacion twinkl.pptx
pueblos originarios de chile presentacion twinkl.pptxpueblos originarios de chile presentacion twinkl.pptx
pueblos originarios de chile presentacion twinkl.pptx
 
Lecciones 10 Esc. Sabática. El espiritismo desenmascarado docx
Lecciones 10 Esc. Sabática. El espiritismo desenmascarado docxLecciones 10 Esc. Sabática. El espiritismo desenmascarado docx
Lecciones 10 Esc. Sabática. El espiritismo desenmascarado docx
 
Presidencias radicales (1916 – 1930) (1) (1).pdf
Presidencias radicales (1916 – 1930) (1) (1).pdfPresidencias radicales (1916 – 1930) (1) (1).pdf
Presidencias radicales (1916 – 1930) (1) (1).pdf
 
PANDERETAS DECORADAS CON MOTIVOS DE LA RIOJA
PANDERETAS DECORADAS CON MOTIVOS DE LA RIOJAPANDERETAS DECORADAS CON MOTIVOS DE LA RIOJA
PANDERETAS DECORADAS CON MOTIVOS DE LA RIOJA
 
Biografía de Gregor Mendel y sus 3 leyes.pptx
Biografía de Gregor Mendel y sus 3 leyes.pptxBiografía de Gregor Mendel y sus 3 leyes.pptx
Biografía de Gregor Mendel y sus 3 leyes.pptx
 
UNA VISITA A SAN PEDRO EN EL VATICANO.pdf
UNA VISITA A SAN PEDRO EN EL VATICANO.pdfUNA VISITA A SAN PEDRO EN EL VATICANO.pdf
UNA VISITA A SAN PEDRO EN EL VATICANO.pdf
 
Elites municipales y propiedades rurales: algunos ejemplos en territorio vascón
Elites municipales y propiedades rurales: algunos ejemplos en territorio vascónElites municipales y propiedades rurales: algunos ejemplos en territorio vascón
Elites municipales y propiedades rurales: algunos ejemplos en territorio vascón
 
2° año LA VESTIMENTA-ciencias sociales 2 grado
2° año LA VESTIMENTA-ciencias sociales 2 grado2° año LA VESTIMENTA-ciencias sociales 2 grado
2° año LA VESTIMENTA-ciencias sociales 2 grado
 
Manual de procedimiento para gráficos HC
Manual de procedimiento para gráficos HCManual de procedimiento para gráficos HC
Manual de procedimiento para gráficos HC
 
EVALUACION ESTUDIANTIL 2023-2024 Ecuador - Costa.pptx
EVALUACION ESTUDIANTIL 2023-2024 Ecuador - Costa.pptxEVALUACION ESTUDIANTIL 2023-2024 Ecuador - Costa.pptx
EVALUACION ESTUDIANTIL 2023-2024 Ecuador - Costa.pptx
 
Todo sobre el acta constitutiva de la empresa.pdf
Todo sobre el acta constitutiva de la empresa.pdfTodo sobre el acta constitutiva de la empresa.pdf
Todo sobre el acta constitutiva de la empresa.pdf
 
Examen Lengua y Literatura EVAU Andalucía.pdf
Examen Lengua y Literatura EVAU Andalucía.pdfExamen Lengua y Literatura EVAU Andalucía.pdf
Examen Lengua y Literatura EVAU Andalucía.pdf
 
El espiritismo desenmascarado.pdf. Lec. 10
El espiritismo desenmascarado.pdf. Lec. 10El espiritismo desenmascarado.pdf. Lec. 10
El espiritismo desenmascarado.pdf. Lec. 10
 
RETROALIMENTACIÓN PARA EL EXAMEN ÚNICO AUXILIAR DE ENFERMERIA.docx
RETROALIMENTACIÓN PARA EL EXAMEN ÚNICO AUXILIAR DE ENFERMERIA.docxRETROALIMENTACIÓN PARA EL EXAMEN ÚNICO AUXILIAR DE ENFERMERIA.docx
RETROALIMENTACIÓN PARA EL EXAMEN ÚNICO AUXILIAR DE ENFERMERIA.docx
 
Horarios y fechas de la PAU 2024 en la Comunidad Valenciana.
Horarios y fechas de la PAU 2024 en la Comunidad Valenciana.Horarios y fechas de la PAU 2024 en la Comunidad Valenciana.
Horarios y fechas de la PAU 2024 en la Comunidad Valenciana.
 

Modelo arima

  • 1. MODELOS ARIMA Los modelos ARIMA fueron popularizados en los años 70 por George Box y Gwilym Jenkins, y sus nombres se utilizan, frecuentemente, como sinónimos de la metodología ARIMA aplicada a análisis y predicción de series. Esta familia de modelos ha sido utilizada ampliamente a partir de los 80, debido a los avances de recursos de cálculo y de optimización. La principal ventaja de esta metodología es que proporciona predicciones óptimas en el plazo inmediato y en el corto plazo. Esto se debe a que la metodología Box-Jenkins (BJ en adelante) nos permite elegir entre un amplio rango de distintos modelos según represente mejor el comportamiento de los datos. El sentido de predicciones óptimas significa que ningún modelo univariante puede ofrecer mejores predicciones que un modelo ARIMA. Esto no se cumple si ampliamos el modelo ARIMA con regresión múltiple o utilizamos metodología multivariante. La principal desventaja de estos modelos es que la determinación del modelo que mejor se adecua a la serie de datos no es trivial y, por tanto, se requiere que la persona que realice predicciones tenga amplios conocimientos sobre esta metodología. Esto ha inhibido el uso de esta metodología para realizar predicciones en el mundo de la empresa, ya que el aumento de precisión de las mismas no compensaba el coste de implantación. No obstante, es posible manejar algoritmos automáticos, que permiten que la persona que utilice estas técnicas no tenga que tener conocimientos extensos sobre esta materia. Así se lograrán mejores modelos y, por tanto, mejores predicciones, sin necesidad de ese aumento del coste de implantación. © Carlos Maté
  • 2. Expresión General de un Modelo ARMA El acrónimo ARIMA significa modelo autorregresivo integrado de media móvil (AutoRegresive Integrated Moving Average). Cada una de las tres partes del acrónimo se le denomina componente y modela un comportamiento distinto de la serie. { } Sea la serie temporal Yt . La expresión típica de un modelo ARMA en notación algebraica es la siguiente. Yt = C + φ1·Yt −1 + K + φ p·Yt − p + θ1·ε t −1 + K + θ q ·ε t − q + ε t (10.8) 1444 24444 4 3 1444 24444 4 3 Comp. Autorregresiva Comp. de Media Móvil Este modelo se nota abreviadamente ARMA (p,q). Un modelo ARMA es un modelo lineal. Esto significa que la variable que define la serie temporal Yt depende de una constante C, linealmente de valores pasados de la misma variable y linealmente de una ponderación de errores de ajuste realizados en el pasado. A continuación se definen algunos términos de común uso sobre modelos ARMA. A la dependencia de la serie temporal con los valores pasados de la misma serie temporal se le denomina componente autorregresiva del modelo (AR). El número de retrasos de la serie temporal Yt que se introducen en el modelo se denomina orden autorregresivo del modelo y se denota mediante la letra p. La palabra autorregresivo viene de que se modela este comportamiento como una regresión lineal múltiple (regresivo) con valores propios de la misma serie temporal (auto) retrasados un periodo de muestreo T (T=1,2,...,p). Siguiendo un desarrollo paralelo al anterior, se denomina componente de media móvil de un modelo ARMA a la dependencia de la serie temporal Yt con © Carlos Maté
  • 3. valores pasados de los errores (MA). El número de errores pasados que se introducen en el modelo se llama orden de media móvil, y se nota con la letra q. 10.1. Expresión General de un Modelo ARIMA Los modelos ARIMA se construyen a partir de los modelos ARMA, pero considerando que la serie en estudio para que sea estacionaria en media tendrá que diferenciarse una serie de veces. Un modelo ARIMA (p,d,q) es un modelo ARMA(p,q) sobre la serie diferenciada d veces. Es decir, su expresión algebraica, (10.9), será Yt (d ) = C + φ1·Yt −1(d ) + K + φ p·Yt − p(d ) + θ1·ε t −1(d ) + K + θ q ·ε t − q(d ) + ε t (d ) 144444 44444 2 3 144444 44444 2 3 Comp. Autorregresiva Comp. de Media Móvil donde Yt (d ) es la serie de las diferencias de orden d y ε td ) es la serie de los ( errores que se cometen en la serie anterior. Habitualmente el orden de diferenciación d, entero, oscila entre 0 y 2. Una vez hemos visto el comportamiento de un modelo ARIMA, podemos afirmar que éste se puede definir como un modelo de regresión lineal múltiple, donde la variable dependiente es la propia serie (diferenciada o no) y las variables independientes son valores de la serie y valores de los errores de ajuste retrasados hasta unos órdenes p y q, respectivamente. De hecho, una vez hemos identificado el modelo, que equivale a identificar los órdenes p, q y el orden de diferenciación (si es requerido), la determinación de los p+q parámetros usados en el modelo (φ’s y θ’s) se realiza de igual forma que en el caso de la regresión múltiple, es decir, mediante minimización del error cuadrático. Como se ha comentado previamente, la gran ventaja de los modelos ARIMA con respecto a los ARMA es la incorporación de esta diferenciación dentro del modelo, dentro de la parte de integración. © Carlos Maté
  • 4. Para calcular tanto el orden de diferenciación óptimo como el cambio de variable necesario para estabilizar la serie se dispone de varios algoritmos. El lector interesado puede consultar el proyecto fin de carrera García-Alcalde (1999), “Desarrollo de una herramienta metodológica para el análisis y predicción de la información asociada al mercado diario español de generación eléctrica”. 10.2. Otras cuestiones sobre Modelos ARIMA 1. Algunas Propiedades de un modelo ARIMA óptimo A continuación se verán las características generales que ha de tener un buen modelo ARIMA. Estas características nos servirán para posteriormente poder identificar, estimar y verificar el comportamiento de un modelo ARIMA que ha sido optimizado. • Parsimonia (Parquedad) Box y Jenkins ponen énfasis en que la clave de un buen modelo ARIMA es que cumpla el principio de parsimonia, que significa sencillez. Así, un modelo se dice que es parsimonioso si se ajusta a la serie de forma adecuada sin usar coeficientes innecesarios. Por ejemplo, si un modelo AR(1) y un modelo AR(2) se comportan de forma prácticamente idéntica, elegiremos el modelo AR(1) ya que así tendremos que estimar un coeficiente menos. El principio de parsimonia es importante porque, en la práctica, un modelo parsimonioso suele generar mejores predicciones. La idea de la parsimonia nos da una fuerte orientación práctica a la hora de modelar e identificar una modelo ARIMA. Así, no tendremos que buscar el proceso ARIMA que realmente genera la serie temporal, sino que nos conformaremos con encontrar un modelo que se aproxime correctamente, © Carlos Maté
  • 5. tanto práctica como estadísticamente, al comportamiento de la serie temporal que estudiamos. Una idea importante es que el principio de parsimonia no tiene que ser sobrevalorado. También tenemos que tener en cuenta el resto de propiedades de un buen modelo ARIMA y valorarlas equitativa y proporcionalmente. • Estacionariedad Otra condición de gran importancia para lograr un buen modelo ARIMA es que la serie sea estacionaria. Asumir que una serie sea estacionaria nos permite desarrollar un marco de trabajo bastante simple y usar herramientas estadísticas de muestreo de gran potencia. Así, si la media de un proceso es constante, podremos usar N observaciones para estimarla, mientras que sería mucho más complicado si la media no fuese estacionaria. Las técnicas más comunes para conocer si una serie temporal es estacionaria son los contrastes de existencia de raíces unidad. Si una serie no es estacionaria podemos modificar dicha serie para convertirla en estacionaria. Dado que las modificaciones son conocidas, podemos posteriormente invertirlas para obtener las predicciones en la misma métrica que la serie original. Existen distintas técnicas para estabilizar la media y la varianza, como ya se ha comentado. • Buenos coeficientes estimados Que un modelo tenga unos buenos coeficientes estimados, está relacionado con dos vertientes distintas. La primera es que los coeficientes, tanto los de la componente autorregresiva (φ’s) como los de la componente de media móvil (θ’s) sean significativamente distintos de cero. Esto se realiza mediante contrastes de hipótesis. © Carlos Maté
  • 6. La segunda es que las estimaciones de los coeficientes φ’s y θ’s no deben estar altamente correladas entre sí. Si están muy correladas, tienden a ser inestables, incluso siendo estadísticamente significativos. • Los residuos son ruido blanco Esta proposición es muy importante a la hora de verificar un modelo ARIMA, una vez se han realizado las etapas de identificación y ajuste. La hipótesis crítica es la de incorrelación. Para comprobar esta hipótesis se utilizan distintos métodos de inferencia estadística (típicamente contrastes t y chi- cuadrado) aplicados a cada coeficiente de la función de autocorrelación y a la función de autocorrelación completa. • Debe ajustarse bien a los datos Que un modelo se ajuste todo lo bien posible a los datos de los que es generado, es una hipótesis asumible y lógica. Esta bondad del ajuste se mide en términos de error. Distintas medidas de error son computables en la etapa de ajuste y se han analizado previamente. Los márgenes asumibles del valor de estos errores de ajuste depende, ciertamente, de la naturaleza de la serie, por lo que no hay un criterio unívoco de comprobación de la adecuación del ajuste. • Debe dar buenas predicciones Aunque el modelo haya sido ajustado y prediga el pasado de una forma suficientemente correcta, lo que realmente se requiere de cualquier modelo de predicción es que realice predicciones satisfactorias. La evaluación de un modelo según este criterio se debe realizar mediante el uso durante un periodo de prueba o de verificación. © Carlos Maté
  • 7. 2. Esquema de Identificación − Optimización- Comprobación Nuestro fin a la hora de emplear un modelo ARIMA es obtener un modelo que cumpla las hipótesis formuladas en el apartado anterior. Box y Jenkins proponen un procedimiento práctico en tres etapas para hallar el modelo ARIMA óptimo. Su esquema simplificado se muestra en la Figura 10-5. Analicemos de manera más pormenorizada cada etapa. Etapa1.- Identificación En esta etapa analizamos mediante distintas técnicas cual es el modelo ARIMA que, a priori, mejor se puede ajustar a la serie. Según la metodología clásica, las herramientas que permiten identificar el patrón que sigue la serie son las funciones de autocorrelación. La idea básica para utilizar estas funciones de autocorrelación es la siguiente: cada modelo ARIMA tiene asociadas unas funciones de autocorrelación teóricas. En esta etapa comparamos las funciones de autocorrelación estimadas con las teóricas y elegimos como modelo tentativo aquel al que más se aproximen ambas. El modelo que obtengamos es, como se ha dicho anteriormente, tentativo y debemos realizar el resto de las etapas para comprobar que realmente es el adecuado. © Carlos Maté
  • 8. Elegir uno a más modelos Etapa 1.- ARIMA como candidatos Estimar los parámetros del Etapa 2.- Estimación modelo elegido Comprobar la adecuación del Etapa 3.- modelo candidato Es el modelo NO satisfactorio SI Realizar Predicciones Figura 10-5 Etapa 2.- Estimación En esta etapa obtenemos las estimaciones de los parámetros del modelo ARIMA, una vez hemos fijados en la etapa de identificación los órdenes autorregresivo y de media móvil. Esta estimación se realiza mediante minimización cuadrática del error de ajuste. Esta etapa nos proporciona señales de aviso sobre si el modelo es adecuado o no. En particular, si los coeficientes no cumplen ciertas inecuaciones derivadas de la invertibilidad y la estacionariedad, el modelo ajustado debe ser rechazado. © Carlos Maté
  • 9. Etapa 3.- Comprobación Box y Jenkins proponen algunas comprobaciones de hipótesis que deben ser realizadas para comprobar que el modelo estimado es estadísticamente adecuado. Algunas de las comprobaciones que se deben realizar son que los residuos cumplen las hipótesis de ruido blanco o que no existen coeficientes no significativos. Una vez hemos comprobado que el modelo es correcto, podemos realizar predicciones usando el mismo. Para solventar el problema de la identificación mediante comparación de funciones de autocorrelación, hay desarrollos de algoritmos que unen la etapa de identificación y estimación. Así se logra poder orientar el desarrollo del algoritmo a medidas de error y comprobación de hipótesis del modelo. Mediante estos algoritmos podemos ajustar de una manera correcta modelos ARIMA con órdenes altos. 3. Equivalencia de modelos ARIMA con alisados exponenciales La formulación ARIMA permite incluir algunos de los modelos de alisado exponencial. Sus predicciones son idénticas a las del modelo ARIMA asociado. Consultar McKenzie, E. (1984), General exponential smoothing and the equivalent ARIMA process, Journal of Forecasting, 3, 333-334. Las equivalencias más importantes son: • La predicción de un alisado exponencial simple es equivalente a la de un ARIMA(0,1,1). El parámetro de media móvil θ coincide con 1 − α, siendo α el parámetro de alisado. • El método de Holt lineal es equivalente a un modelo ARIMA(0,2,2). Los valores de los parámetros de media móvil serán θ1 = 2 − α − β y θ2 = α − 1, siendo α y β los parámetros de alisado. © Carlos Maté
  • 10. La gran ventaja de estas equivalencias es que permiten calcular intervalos de predicción mediante los modelos ARIMA. Dado que ningún alisado exponencial es un modelo estadístico, el cálculo de los intervalos de predicción es tarea muy complicada. De hecho, se dice que los alisados exponenciales dan predicciones punto a punto. Debe quedar claro que estas equivalencias son en el sentido de que las predicciones que generan ambas metodologías son las mismas, pero esto no implica que los modelos que generan esas predicciones sean iguales. 4. Predicción mediante un modelo ARIMA Para realizar predicciones puntuales mediante un modelo ARIMA, se utiliza la notación algebraica. Se resuelve la ecuación para Yt. Para ello se introducen las estimaciones de la constante del modelo y de los parámetros φ y θ y se asigna cero como valor esperado del error εt. Lo que se realiza a continuación es insertar los valores pasados de Yt y de los errores. En la práctica debemos usar como errores los obtenidos en la etapa de estimación y, si el periodo de predicción es mayor que el orden de media móvil, asignaremos a las estimaciones de los errores el valor nulo. De igual modo utilizaremos las predicciones de Yt en el caso de que el periodo de predicción sea mayor al orden autorregresivo. © Carlos Maté