Scribd
Cargar
368 vistas2 páginas

Metodología Box-Jenkins para ARIMA

La metodología Box-Jenkins proporciona un método iterativo para identificar, ajustar y verificar modelos ARIMA utilizando datos de series de tiempo. Consiste en cuatro pasos: 1) identificar si la serie es estacionaria, 2) estimar los parámetros de un modelo tentativo, 3) evaluar el modelo mediante análisis de residuales, y 4) realizar pronósticos y actualizaciones continuas con nuevos datos. El objetivo es encontrar el modelo más sencillo que explique adecuadamente los datos.

Cargado por

Valeria Gallardo
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
368 vistas2 páginas

Metodología Box-Jenkins para ARIMA

La metodología Box-Jenkins proporciona un método iterativo para identificar, ajustar y verificar modelos ARIMA utilizando datos de series de tiempo. Consiste en cuatro pasos: 1) identificar si la serie es estacionaria, 2) estimar los parámetros de un modelo tentativo, 3) evaluar el modelo mediante análisis de residuales, y 4) realizar pronósticos y actualizaciones continuas con nuevos datos. El objetivo es encontrar el modelo más sencillo que explique adecuadamente los datos.

Cargado por

Valeria Gallardo
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd

Pronsticos y Presupuestos.

Metodologa BOX- JENKINS.


La metodologa Box-Jenkins se refiere a una serie de procedimientos para identificar, ajustar
y verificar los modelos de promedio mvil autorregresivo (ms conocido por sus siglas en
ingls ARIMA) con los datos de serie de tiempo.

EN QUE CONSISTE?
Usa un mtodo iterativo para identificar un modelo posible de una clase general de modelos.
Enseguida, el modelo seleccionado se ajusta correctamente si los residuales son pequeos,
estn distribuidos aleatoriamente y no contienen informacin til. Si el modelo especificado
no es satisfactorio, el proceso se repite mediante un nuevo modelo diseado para mejorar el
original. Se sigue aplicando hasta que se encuentra un procedimiento satisfactorio.

PASOS DEL MTODO.


PASO 1: identificacin del modelo.
El primer paso en la identificacin del modelo es determinar si la serie es estacionaria; es
decir, si la serie de tiempo aparenta variar alrededor de un nivel fijo. Si la serie no es
estacionaria con frecuencia puede convertirse en una serie estacionaria al tomar sus
diferencias.

Una vez que se ha obtenido una serie estacionaria, el analista debe identificar la forma del
modelo que habr que utilizar.

PASO 2: estimacin de modelos.


Una vez se ha seleccionado un modelo tentativo, debern estimarse los parmetros para
dicho modelo.

Adems se calcula el error cuadrado medio de los residuales, un estimado de la varianza del
error.

PASO 3: evaluacin del modelo.


Muchas de las grficas de los residuales que son tiles para el anlisis de regresin pueden
desarrollarse para los residuales de un modelo ARIMA.

Las autocorrelaciones residuales individuales debern ser pequeas y, por lo general, estar
dentro de cero. Las autocorrelaciones residuales significativas en retrasos cortos o
estacionales sugieren que el modelo no es adecuado y que se debe elegir un modelo nuevo
o modificado.
Pronsticos y Presupuestos.

Como un grupo, las autocorrelaciones residuales debern ser coherentes con aquellas
producidas por los errores aleatorios.

PASO 4: realizacin del pronstico.


Despus de que se ha encontrado un modelo adecuado, se pueden llevar a cabo los
pronsticos para un periodo, o varios, en el futuro. Tambin pueden construirse intervalos de
predicciones con base en los pronsticos.

A medida que se tienen ms datos disponibles, se puede usar el mismo modelo ARIMA para
generar pronsticos revisados que procedan de otro origen de tiempo.

Si el patrn de la serie parece cambiar con el tiempo, los nuevos datos podran usarse para
volver a estimar los parmetros del modelo o de ser necesario, desarrollar un modelo
completamente nuevo.

CRITERIOS PARA LA SELECCIN DE UN MODELO.


Si los modelos contienen el mismo nmero de parmetros, se preferir el modelo con el error
cuadrado ms pequeo.

Si los modelos contienen distintos nmeros de parmetros, el principio de parsimonia


conduce a la seleccin del modelo ms sencillo. No obstante, es posible que el modelo con
ms parmetros tenga un error cuadrado medio apreciablemente ms pequeo.

Se ha desarrollado una metodologa para la seleccin de los modelos que considera el ajuste
del modelo y el nmero de parmetros.

También podría gustarte