INDICE

INDICE.......................................................................................................................1
1. MODELO ARIMA................................................................................................2
1.1 DEFINICION:...................................................................................................2
1.2

TECNICA DE BOX-JENKINS......................................................................4

1.3

AUTOCORRELACIONES PARCIALES......................................................5

1.4 Modelo autorregresivo................................................................................10

1.5 Modelos de promedio mvil.......................................................................10
1.6 Modelos autorregresivos de promedio mvil...........................................10
1.7 APLICACION DE LA METODOLOGIA.........................................................11
1.7.1 Etapa 1: identificacin del modelo..........................................................11
1.7.2. Etapa 2: Estimacin del modelo y prueba de su adecuacin.............12
1.7.3. Etapa 3: Pronstico con el modelo........................................................13
Bibliografa.............................................................................................................14

1. MODELO ARIMA
1.1 DEFINICION:
Segn autor (Jenkins, 2015) tcnicamente conocida como metodologa ARIMA, el
inters de estos mtodos de pronsticos no est en la construccin de modelos
uniecuacionales o de ecuaciones simultneas, sino en el anlisis de las
propiedades probabilsticas, o estocsticas, de las series de tiempo econmicas
por s mismas segn la losofa de que los datos hablen por s mismos. A
diferencia de los modelos de regresin, en los cuales Yt se explica por las k
regresoras X1, X2, X3, . . . , Xk, en los modelos de series de tiempo del tipo BJ, Yt
se explica por valores pasados o rezagados de s misma y por los trminos de
error estocsticos. Por esta razn, los modelos ARIMA reciben algunas veces el
nombre de modelos atericos porque no se derivan de teora econmica alguna
, y las teoras econmicas a menudo son la base de los modelos de ecuaciones
simultneas. la atencin se centra en los modelos ARIMA univariados, es decir, en
los modelos ARIMA que pertenecen a una sola serie de tiempo. No obstante, el
anlisis puede extenderse a modelos ARIMA multivariados.
Proceso autorregresivo integrado de promedios mviles (ARIMA) Los modelos de
series de tiempo analizados se basan en el supuesto de que las series de tiempo
consideradas son (dbilmente). En pocas palabras, la media y la varianza de una
serie de tiempo dbilmente estacionaria son constantes y su covarianza es
invariante en el tiempo. Pero sabemos que muchas series de tiempo econmicas
son no estacionarias, es decir, son integradas; si una serie de tiempo es integrada
de orden 1 [es decir, si es I(1)], sus primeras diferencias son I(0), es decir,
estacionarias. En forma similar, si una serie de tiempo es I(2), sus segundas
diferencias son I(0). En general, si una serie de tiempo es I(d), despus de
diferenciarla d veces se obtiene una serie I(0).
Por consiguiente, si debemos diferenciar una serie de tiempo d veces para hacerla
estacionaria y luego aplicarle el modelo ARMA(p,q), decimos que la serie de
tiempo original es ARIMA(p, d, q), es decir, es una serie de tiempo autorregresiva
integrada de promedios mviles, donde p denota el nmero de trminos

autorregresivos, d el nmero de veces que la serie debe diferenciarse para

hacerse estacionaria y q el nmero de trminos de promedios mviles. As, una
serie de tiempo ARIMA(2, 1, 2) tiene que diferenciarse una vez (d 1) antes de que
se haga estacionaria, y la serie de tiempo estacionaria (en primeras diferencias)
puede modelarse como un proceso ARMA(2, 2), es decir, tiene dos trminos AR y
dos trminos MA. Desde luego, si d 0 (es decir, si para empezar la serie es
estacionaria), ARIMA(p, d 0, q) ARMA(p, q). Observe que un proceso ARIMA(p,
0, 0) signi ca un proceso estacionario AR(p) puro; un ARIMA (0, 0, q) signica un
proceso estacionario MA(q) puro. Con los valores de p, d y q sabemos de qu
proceso se est haciendo el modelo. El punto importante es que, para utilizar la
metodologa Box-Jenkins, debemos tener una serie de tiempo estacionaria o una
serie de tiempo que sea estacionaria despus de una o ms diferenciaciones. La
razn para suponer estacionariedad se explica de la siguiente manera:
Segn autor (Pokorny, 1987) El objetivo de BJ [Box-Jenkins] es identicar y
estimar un modelo estadstico que se interprete como generador de los datos
mustrales. Entonces, si se va a pronosticar con este modelo estimado, debe
suponerse que sus caractersticas son constantes a travs del tiempo y, en
particular, en periodos futuros. As, la sencilla razn para requerir datos
estacionarios es que todo modelo que se inera a partir de estos datos pueda
interpretarse como estacionario o estable en s mismo, y proporcione, por
consiguiente, una base vlida para pronosticar.
Segn autor (Gras, 2001) se describen en trminos de los parmetros
estructurales p, d y q. Por esta razn se utiliza, con frecuencia, la notacin ARIMA
(p,d,q). Esto significa que los modelos ARIMA combinan como muchos tres tipos
de procesos, Autorregresion (AR), Diferenciacin para modelar la Integracin de la
serie (I), y Media mvil (MA). A su vez, los parmetros p,d y q representan
respectivamente

el

orden

del

componente

autorregresivo,

el

grado

de

diferenciacin para la estacionalidad y el orden del componente de media mvil. El

anlisis de la serie temporal consiste, por tanto, en identificar los valores enteros
correspondientes a cada uno de estos tres parmetros.

Segn autor (Perez, 2001) Un proceso estocstico es una sucesin de variables

aleatorias Yt ordenadas, pudiendo tomar T cualquier valor entre menos infinito e
Infinito.

1.2 TECNICA DE BOX-JENKINS

El mtodo BoxJenkins de pronstico es diferente de la mayora de los mtodos.
Esta tcnica no asume ningn patrn particular en los datos histricos de la serie a
pronosticar. Utilizan un enfoque iterativo de identificacin de un modelo til a partir
de modelos de tipo general. El modelo elegido se verifica contra los datos
histricos para ver si describe Ia serie con precisin. El modelo se ajusta bien silos
residuos entre el modelo de pronstico y los puntos de datos histricos son
reducidos, distribuidos de manera aleatoria e independientes. Si el modelo
especificado no es satisfactorio, se repite el proceso utilizando otro modelo
diseado para mejorar el original. Este proceso se repite hasta encontrar un
modelo satisfactorio. La fig. 1 ilustra el enfoque. Los modelos ARIMA o modelos de
promedio mvil autorregresivo integrado son un tipo general de los modelos de
Box-Jenkins para series de tiempo estacionarias. Recuerde que una serie histrica
estacionaria es aquella cuyo valor promedio no cambia a travs del tiempo. Este
grupo incluye a los modelos AR solo con trminos autorregresivos, los modelos
MA solo con trminos de promedio mvil y los modelos ARIMA que comprenden
tanto trminos autorregresivos como de promedio mvil.
La metodologa de BoxJenkins permite al analista seleccionar el modelo que mejor
se ajuste a sus datos. Se puede efectuar la seleccin del modelo apropiado
comparando la distribucin de los coeficientes de autocorrelacin de la serie
histrica que se est ajustando, con las distribuciones tericas para los distintos
modelos. En las figs. 2, 3 y 4 se muestran distribuciones tericas de los
coeficientes de autocorrelacin para algunos de los modelos ARIMA ms
comunes.

Las tcnicas de Box-Jenkins aplican mtodos autorregresivos y de promedio mvil

a los problemas de pronstico de series de tiempo.

Figura 1 Diagrama de flujo del Metodo BoxJenkins

Al seleccionar un modelo, recuerde que las distribuciones que se muestran son

tericas y que es muy improbable que las autocorrelaciones de datos reales sean
idnticas exactamente a cualquiera de las distribuciones tericas. Sin embargo,
usted debe, mediante prueba y error, poder ubicar en forma adecuada Ia mayora
de las series de tiempo de datos, y al ganar experiencia, la tarea se har ms fcil.
1.3 AUTOCORRELACIONES PARCIALES
Al principio, el analista pudiera no darse cuenta del orden apropiado del proceso
autorregresivo para ajustarlo a una serie histrica. A este mismo tipo de problema
se enfrent al decidir el numero de variables independientes a incluir en un modelo
de regresin mltiple. Las autocorrelaciones parciales se emplean para ayudar a
1 Fuente: G. P. Boxy G. M. Jenkins, Time Series Analysis Forecasting and Control
(San Francisco: Holden-Day, 1970), p. 19. Reimpreso con autorizacin

identificar el grado de relacin entre los valores reales de una variable y valores
anteriores de la misma, mientras que se mantienen constantes los efectos de las
otras variables (periodos retrasados). La exposicin de Ia derivacin de
autocorrelaciones parciales rebasa el alcance de este texto.1 En su lugar, esta
seccin se concentrar en Ia forma totalmente mecnica en Ia cual puede
aplicarse a cada grupo de modelos.

Figura 2 Coeficientes de autocorrelacin y de autocorrelacin parcial de los

modelos AR(1) y AR(2).
2 Pronsticos en los negocios (Quinta Edicin), John E. Hanke, 2013.

Figura 3 Coeficientes de autocorrelacin y de autocorrelacin parcial de los

modelos MA(1) y MA(2)

3 Pronsticos en los negocios (Quinta Edicin), John E. Hanke, 2013.

Figura 4 Coeficientes de autocorrelacin y de autocorrelacin parcial de un

modelo mixto ARIMA(1,1).
1.4 Modelo autorregresivo
4 Pronsticos en los negocios (Quinta Edicin), John E. Hanke, 2013.

Los coeficientes de regresin se estiman mediante el mtodo lineal de mnimos

cuadrados. Los coeficientes de regresin se encuentran por medio de un mtodo
de mnimos cuadrados no lineal. Por lo regular el mtodo de mnimos cuadrados
no lineal utiliza una tcnica de solucin iterativa para calcular los parmetros en
vez de usar un clculo directo. Se emplean estimaciones preliminares corno
puntos iniciales; luego estas estimaciones se mejoran sistemticamente hasta
encontrar valores ptimos. Adems, la varianza para la ecuacin se calcula de una
forma distinta que toma en cuenta el hecho de que las variables independientes
estn relacionadas entre s. Por ltimo pudiera o no contener un trmino
constante. No se emplea el trmino constante cuando los valores de la variable
dependiente (las Y) se expresan como derivaciones de su media (Y' = Y= Y).
1.5 Modelos de promedio mvil
La ecuacin de promedio mvil es similar a Ia ecuacin autorregresivo excepto
que la variable dependiente Y depende de los valores previos de los residuos, en
vez de Ia misma variable. Los modelo de promedio mvil (MA) proporcionan
pronsticos de Y, con base en una combinacin lineal de errores anteriores,
mientras que los modelos autorregresivos (AR) expresan Y como una funcin
lineal de cierto nmero de valores anteriores reales de Y, . Es una costumbre
presentar los pesos especficos con coeficientes negativos, aun cuando los pesos
pueden ser positivos o negativos. La suma de w1 + w-, + . . + no necesita ser igual
a 1, y los valores de w1 no se "mueven" con las nuevas observaciones, como
sucede con los clculos de promedio mvil en el cap. 5. Ntese que el nivel
promedio u de una serie MA(q) es igual a un trmino constante, w0, en el modelo,
ya que E(e) = 0 para todos los valores de t. El nombre promedio mvil pudiera
parecer inadecuado ya que de hecho el modelo es similar a la atenuacin
exponencial.
1.6 Modelos autorregresivos de promedio mvil
Adems de los modelos AR y MA, ambos se pueden combinar en tm tercer tipo de
modelo general denominado ARIMA.

Los modelos ARIMA (p, q) utilizan combinaciones de errores anteriores y valores

anteriores y ofrecen una potencial para ajustar modelos que no pudieron ajustarse
en forma adecuada mediante los modelos AR y MA por si solos. La fig. 4 muestra
la ecuacin de un modelo ARIMA(1, 1) y el comportamiento terico de los
coeficientes de autocorrelacin y de autocorrelacin parcial. Una diferencia
importante entre la metodologa de BoxJenkins y los mtodos previos consiste en
que BoxJenkins no hace suposiciones acerca del rnmero de trminos o de los
pesos especficos a asignar a los trminos. El analista selecciona el modelo
apropiado, incluyendo el ni'iniero de trminos; despus el programa calcula los
coeficientes, utilizando un mtodo no lineal de mininos cuadrados. Se pueden
hacer pronsticos de periodos futuros y se pueden construir intervalos de
confianza para estas estimaciones.
1.7 APLICACION DE LA METODOLOGIA
El enfoque de BoxJenkins comprende tres etapas separadas. Estas son:
identificacin del modelo, estimacin y prueba del modelo y aplicacin del modelo.

1.7.1 Etapa 1: identificacin del modelo

El primer paso en la identificacin del modelo consiste en determinar Si la
serie es estacionaria, es decir, si el valor de la media varia a travs del
tiempo.
Si la serie no es estacionaria, en general se puede convertir a una serie
estacionaria mediante el mtodo de diferenciacin. El analista especifica el
grado de diferenciacin y el algoritmo de BoxJenkins convierte los datos en
una serie estacionaria y realiza los clculos subsecuentes utilizando los
datos convertidos.
Una vez obtenida una serie estacionaria, el analista debe identificar la forma
del modelo a utilizar.

Este paso se logra mediante la comparacin de los coeficientes de

autocorrelacin y de autocorrelacin parcial de los datos a ajustar con las
correspondientes distribuciones de los diversos modelos ARIMA. Para
ayudar en la seleccin de un modelo apropiado, en las figs. 2, 3 y 4, se
muestran las distribuciones tericas para los modelos ARIMA ms
comunes. Como puede verse, cada modelo tiene un conjunto nico de
autocorrelaciones y de autocorrelaciones parciales, y el analista debe ser
capaz de poder ubicar los coeficientes correspondientes a los datos, a una
de las distribuciones tericas. Aun cuando en general no ser posible hacer
coincidir exactamente los datos con las distribuciones tericas, se pueden
efectuar pruebas durante la etapa 2 para determinar si el modelo es
adecuado. Entonces, si el modelo no es satisfactorio, se puede intentar un
modelo alterativo. Despus de un poco de prctica, el analista se har ms
apto en la identificacin de un modelo adecuado. En trminos generales, el
analista debe identificar las autocorrelaciones que caen exponencialmente a
cero. Si las autocorrelaciones descienden exponencialmente a cero, el
proceso indicado es el AR; si son las autocorrelaciones parciales las que
descienden a cero, entonces el proceso indicado es el MA; y, si tanto los
coeficientes de autocorrelacin como los coeficientes de autocrrelacin
parcial descienden a cero, el indicado es un proceso mixto ARIMA. El
analista puede determinar ci orden de los procesos AR y MA contando el
nmero de coeficientes de autocorrelacin y de autocorreiacin parcial que
son diferentes de cero en forma significativa.

1.7.2. Etapa 2: Estimacin del modelo y prueba de su adecuacin

1. Una vez seleccionado un modelo tentativo, se deben estimar los
parmetros para ese modelo.
Este paso se realiza revisando los trminos de error, = Y. - 1', para
asegurarse de que son aleatorios. Esta verificacin puede hacerse
revisando que las autocorrelaciones de los trminos de error para estar

seguros de que no son diferentes de cero en forma significativa. Si algunos

retrasos de orden menor o estacionales son diferentes de cero de manera
significativa, entonces el modelo resulta inadecuado. El analista debe
regresar a la etapa 1, paso 2, seleccionar un modelo alternativo y despus
continuar el anlisis.

1.7.3. Etapa 3: Pronstico con el modelo

1. Una vez que se encontr un modelo adecuado, se pueden realizar
pronsticos para uno o varios periodos a futuro.
Tambin se pueden formular intervalos de confianza sobre estas
estimaciones. En general, entre ms a futuro se pronostica, mayor ser el
intervalo de confianza. Estos pronsticos e intervalos de confianza se
calculan mediante el programa de BoxJenkins a solicitud del analista.
2. Al haber ms datos disponibles, se puede utilizar el mismo modelo para
revisar los pronsticos, seleccionando otro periodo de origen.
3. Si la serie parece cambiar a travs del tiempo, pudiera ser necesario
recalcular los parmetros, o incluso desarrollar un modelo nuevo por
completo.
Si se aprecian pequeas diferencias en los errores de pronstico, pudieran
indicar que es necesario recalcular los parmetros, y el analista deber
regresar a la etapa 2, paso 1. Cuando se aprecian grandes diferencias en la
dimensin de los errores de pronstico, pudieran indicar que se requiere un
modelo completamente nuevo, y el analista deber regresar a la etapa 1,
paso 2, o inclusive a la etapa 1, paso 1 y repetir el proceso de ajustar un
nuevo modelo a la serie histrica. La siguiente notacin se utiliza con
frecuencia en las tcnicas de Box-Jenkins. Se identifica un modelo como
ARIIVIA(p, d, q), en donde p es el orden del trmino autorregresivo, d es el
nivel de diferenciacin y q es el orden del trmino del promedio mvil. En la

prctica, cuando no hay diferenciacin, el modelo apropiado es ARIMA(p,

q).

Bibliografa
A, P. (2001). Modelos Econometricos. Piramide, Madrid 2001.
Gras, J. A. (2001). Diseos de series temporales: Tecnicas de Analisis.
Ediciones Universal Barcelona.
Jenkins, G. B. (2015). Time Series Analysis: Forecasting and Control (5th
Edition).
Perez, P. y. (2001). Modelos Econometricos. Piramide, Madrid 2001.
Pokorny, M. (1987). Introduction to Econometrics. New York: Basil Blackwell.