Dpto. de Estadística ,[Link].y O.E.I.

Universidad de Alcalá de Henares.

PREDICIÓN ÓPTIMA DEL MODELO

ARIMA(p,d,q).

1. La esperanza condicional como predictor óptimo.

2. Predicción óptima del modelo ARIMA(p,d,q)

Técnicas avanzadas de series temporales

Dpto. de Estadística ,[Link].y O.E.I.

Universidad de Alcalá de Henares.

1. La esperanza condicional como predictor óptimo.

Objetivo: Predecir Yt+k con información hasta el

momento t

Conjunto de información
(Y ,L, Yt ) si univariante
Xt =  1
(Y1 ,L, Yt , X 1 ,L, X t )
'
si incluye una variable explicativa
Criterio de optimalidad
ECM (Yt + k , g ) = E (Yt + k − g t (k ) ) .
2

Predictor óptimo: Esperanza condicionada a la

información disponible. g t (k ) = Yˆt + k ,t = EY t + k |Xt
(Yt + k ).
Técnicas avanzadas de series temporales

1
 Dpto. de Estadística ,[Link].y O.E.I.
Universidad de Alcalá de Henares.

Predictores lineales: Yˆt + k ,t = b 'k X t

(
ECML (Yt + k | X t ) = E Yt + k − b 'k X t )2

Minimizando con respecto al vector de parámetros bk

(( ) )
E Yt + k − b 'k X t X t = 0

Observaciones:
• el predictor óptimo debe estar incorrelado (ser ortogonal) con el conjunto de
variables observadas. Esta propiedad sugiere la interpretación de las
predicciones lineales como proyecciones.

• En general, se tiene que, ECM (Yt + k | X t ) ≤ ECML(Yt + k | X t )

pero para procesos normales la esperanza condicionada es siempre función
lineal de las observaciones, y por tanto, el mejor predictor lineal coincide con
el mejor predictor global
Técnicas avanzadas de series temporales

Dpto. de Estadística ,[Link].y O.E.I.

Universidad de Alcalá de Henares.

2. Predicción óptima del modelo ARIMA(p,d,q).

2.1 Procesos de ruido blanco con elementos deterministas

2.2 Procesos ARMA(p,q) estacionarios
2.2.1 MA(1), MA(2), MA(q)
2.2.2 AR(1), AR(2), AR(p)
2.2.3 ARMA(1,1), ARMA(p,q)
2.3 Procesos ARIMA(p,1,q)
2.4 Procesos ARIMA(p,2,q)

Técnicas avanzadas de series temporales

2
 Dpto. de Estadística ,[Link].y O.E.I.
Universidad de Alcalá de Henares.

2.1 Procesos de ruido blanco con elementos

deterministas

Técnicas avanzadas de series temporales

Dpto. de Estadística ,[Link].y O.E.I.

Universidad de Alcalá de Henares.

Predicciones y errores de predicción cometidos con un Ruido Blanco con

constante
Yt = b + at
Información conocida: (Y1 , Y2 ,L, Yt , a1 , a 2 ,L, at )
1º) Extrapolar el modelo Yt + h = b + at + h
2º) Tomar esperanzas condicionadas a la información disponible

Yˆt + h ,t = Et (Yt + h ) = b + aˆt + h ,t = b

3º) Cálculo de los errores de predicción

et , h = Yt + h − Yˆt + h ,t = at + h
4º) Cálculo de la varianza del error de predicción V (et ,h ) = σ a2

5º) Intervalos de confianza al 95% para las predicciones:

- a h períodos: (bTécnicas
± 1.96 σ a ) de series temporales
avanzadas

3
 Dpto. de Estadística ,[Link].y O.E.I.
Universidad de Alcalá de Henares.

Predicciones y errores de predicción cometidos con un ruido blanco más

una tendencia determinista

Modelo Yt=a+bt+at
Información conocida: (Y1 , Y2 ,L, Yt , a1 , a 2 ,L, at )
1º) Extrapolar el modelo Yt +1 = a + b(t + 1) + at
Yt + 2 = a + b(t + 2) + at + 2
L
Yt + h = a + b(t + h) + at + h
2º) Tomar esperanzas condicionadas a la información disponible
Yˆt +1,t = Et (Yt +1 ) = a + b(t + 1) + aˆt +1,t = a + b(t + 1)
Yˆt + 2,t = Et (Yt + 2 ) = a + b(t + a ) + aˆt + 2,t = a + b(t + 2)
L
Yˆt + h ,t = Et (Yt + h ) = a + b(t + h) + aˆt + h ,t = a + b(t + h)
Técnicas avanzadas de series temporales

Dpto. de Estadística ,[Link].y O.E.I.

Universidad de Alcalá de Henares.

3º) Cálculo de los errores de predicción

et , h = Yt + h − Yˆt + h ,t = at + h

4º) Cálculo de la varianza del error de predicción

V (et ,h ) = σ a2

5º) Intervalos de confianza al 95% para las predicciones:

a h períodos: (Yt ± 1.96σ a )

Resumiendo:
- Las predicciones son crecientes y siguen un crecimiento lineal
siendo los coeficientes de la recta fijos e inmutables
- La incertidumbre permanece constante en el horizonte de
predicción. Técnicas avanzadas de series temporales

4
 Dpto. de Estadística ,[Link].y O.E.I.
Universidad de Alcalá de Henares.

2.2 Procesos ARMA (p,q)

Técnicas avanzadas de series temporales

Dpto. de Estadística ,[Link].y O.E.I.

Universidad de Alcalá de Henares.

Predicciones y errores de predicción cometidos con un modelo MA(1)

Información conocida: (Y1 , Y2 ,L, Yt , a1 , a 2 ,L, at )

1º) Extrapolar el modelo Yt +1 = at +1 − θ1at
Yt + 2 = at + 2 − θ1at +1
L
Yt + h = at + h − θ1at + h −1
2º) Tomar esperanzas condicionadas a la información disponible

Yˆt +1,t = Et (Yt +1 ) = aˆt +1,t − θ1aˆt ,t = −θ1at

Yˆt + 2,t = Et (Yt + 2 ) = aˆt + 2,t − θ1aˆt +1,t = 0
L
Yˆt + h ,t = Et (Yt + h ) = aˆt + h ,t − θ1aˆt + h −1,t = 0
Técnicas avanzadas de series temporales

5
 Dpto. de Estadística ,[Link].y O.E.I.
Universidad de Alcalá de Henares.

3º) Cálculo de los errores de predicción

et ,1 = Yt +1 − Yˆt +1,t = at +1
et , 2 = Yt + 2 − Yˆt + 2,t = at + 2 − θ1at +1
L
et ,h = Yt + h − Yˆt + h ,t = at + h − θ1at + h −1

4º) Cálculo de la varianza del error de predicción

V (et ,1 ) = σ a2
( )
V (et , 2 ) = 1 + θ 12 σ a2
L
( )
V (et ,h ) = 1 + θ 12 σ a2
Técnicas avanzadas de series temporales

Dpto. de Estadística ,[Link].y O.E.I.

Universidad de Alcalá de Henares.

5º) Intervalos de confianza al 95% para las predicciones:

- a 1 período: (− θ1at ± 1.96σ a )

- a 2 períodos: (0 ± 1.96 1 + θ σ ) 1
2
a

- a h períodos: (0 ± 1.96 1 + θ σ ) 1
2
a

Resumiendo:
- La función de predicción tiene un aspecto similar a la función de
autocorrelación, en el sentido que sólo una predicción es distinta de
cero.
- La incertidumbre hacia el futuro es acotada.

Técnicas avanzadas de series temporales

6
 Dpto. de Estadística ,[Link].y O.E.I.
Universidad de Alcalá de Henares.

Yt = at − 0.5at −1 , σ a = 1 Yt = at + 0.5at −1 , σ a = 1

3 3

2 2

1 1

0 0

-1 -1

-2 -2

-3 -3
280 285 290 295 300 270 275 280 285 290

SERIE LIM. INFERIOR LIM. SUPERIOR SERIE LIM. INFERIOR LIM. SUPERIOR

Técnicas avanzadas de series temporales

Dpto. de Estadística ,[Link].y O.E.I.

Universidad de Alcalá de Henares.

Predicciones y errores de predicción cometidos con un modelo AR(1)

Información conocida: (Y1 , Y2 ,L, Yt , a1 , a 2 ,L, at )

1º) Extrapolar el modelo Yt +1 = φ1Yt + at
Yt + 2 = φ1Yt +1 + at + 2 = φ 12Yt + φ1at +1 + at + 2
L
Yt + h = φ1Yt + h −1 + at + h = φ 1hYt + φ 1h −1at +1 + L + at + h
2º) Tomar esperanzas condicionadas a la información disponible

Yˆt +1,t = Et (Yt +1 ) = φ1Yˆt ,t + aˆt +1,t = φ1Yt

Yˆt + 2,t = Et (Yt + 2 ) = φ 12Yˆt ,t + φ1aˆt + 2,t + aˆt +1,t = φ 12Yt
L
Yˆt + h ,t = Et (Yt + h ) = φ 1hYˆt ,t + φ 1h −1aˆt +1,t + L + aˆt + h ,t = φ 1hYt
Técnicas avanzadas de series temporales

7
 Dpto. de Estadística ,[Link].y O.E.I.
Universidad de Alcalá de Henares.

3º) Cálculo de los errores de predicción

et ,1 = Yt +1 − Yˆt +1,t = at +1
et , 2 = Yt + 2 − Yˆt + 2,t = φ1at +1 + at + 2
L
et ,h = Yt + h − Yˆt + h ,t = φ 1h −1at +1 + φ 1h − 2 at + 2 + L + at + h

4º) Cálculo de la varianza del error de predicción

V (et ,1 ) = σ a2
( )
V (et , 2 ) = 1 + φ 12 σ a2
L
(
V (et ,h ) = 1 + φ 12 + φ 14 + φ 16 + L σ a2 )
Técnicas avanzadas de series temporales

Dpto. de Estadística ,[Link].y O.E.I.

Universidad de Alcalá de Henares.

5º) Intervalos de confianza al 95% :

- a 1 período: (φ1Yt ± 1.96σ a )

- a 2 períodos: (φ Y ± 1.96 1 + φ σ )
2
1 t 1
2
a

 h 
- a h períodos:
 φ1 Yt ± 1.96 φ1 2 σ a 
 1 − φ1 
 
Resumiendo: Si el parámetro es inferior a la unidad en valor absoluto:
- La función de predicción tiene un aspecto similar a la función de
autocorrelación, en el sentido que hay infinitas distintas de cero, pero
con decrecimiento exponencial hacia 0.
- Las predicciones siguen la misma ecuación en diferencias que el
proceso AR(1) original y su función de autocorrelación.
- La incertidumbre hacia el futuro es acotada.

Técnicas avanzadas de series temporales

8
 Dpto. de Estadística ,[Link].y O.E.I.
Universidad de Alcalá de Henares.

Predicciones y errores de predicción cometidos con un modelo

AR(p)

• Las predicciones se comportan de acuerdo con la ecuación en

diferencias que define el proceso
Yˆt + h ,t = φ1Yˆt + h −1,t + L + φ pYˆt + h − p ,t
• El comportamiento también es similar al reflejado por los coeficientes
de autocorrelación, puesto que son las mismas raíces inversas del
polinomio las que caracterizan el mismo.
• Las predicciones tienden a cero puesto que el proceso es
estacionario.
• La incertidumbre es acotada, dado que el proceso es estacionario.

Técnicas avanzadas de series temporales

Dpto. de Estadística ,[Link].y O.E.I.

Universidad de Alcalá de Henares.

Predicciones y errores de predicción cometidos con un modelo

ARMA(1,1)
Información conocida: (Y1 , Y2 ,L, Yt , a1 , a 2 ,L, at )
1º) Extrapolar el modelo Yt +1 = φ1Yt + at +1 − θ1at
Yt + 2 = φ1Yt +1 + at + 2 − θ1at +1
L
Yt + h = φ1Yt + h −1 + at + h − θ1at + h −1
2º) Tomar esperanzas condicionadas a la información disponible

Yˆt +1|t = Et (Yt +1 ) = φ1Yˆt + aˆt +1|t − θ 1aˆt|t = φ1Yt − θ1at

Yˆt + 2|t = Et (Yt + 2 ) = φ1Yˆt +1 + aˆt + 2|t − θ1aˆt +1|t = φ12Yt
L
Yˆt + h|t = Et (Yt + h ) = φ1Yˆt + h −1 + aˆt + h|t − θ1aˆt + h −1|t = φ1hYt
Técnicas avanzadas de series temporales

9
 Dpto. de Estadística ,[Link].y O.E.I.
Universidad de Alcalá de Henares.

3º) Cálculo de los errores de predicción

et ,1 = Yt +1 − Yˆt +1|t = at +1
et , 2 = Yt + 2 − Yˆt + 2|t = at + 2 + (φ1 − θ1 )at +1
L
et ,h = Yt + h − Yˆt + h|t = at + h + L + φ h −3 (φ1 − θ1 )at + 2 + φ h − 2 (φ1 − θ1 )at +1

4º) Cálculo de la varianza del error de predicción

La expresión general de la varianza es complicada. Es importante

resaltar que es una cantidad finita por ser un proceso estacionario

Técnicas avanzadas de series temporales

Dpto. de Estadística ,[Link].y O.E.I.

Universidad de Alcalá de Henares.

2.2 Procesos ARIMA (p,1,q)

Técnicas avanzadas de series temporales

10
 Dpto. de Estadística ,[Link].y O.E.I.
Universidad de Alcalá de Henares.

Predicciones y errores de predicción cometidos con un Recorrido

Aleatorio
Información conocida: (Y1 , Y2 ,L, Yt , a1 , a 2 ,L, at )
1º) Extrapolar el modelo Yt +1 = Yt + at
Yt + 2 = Yt +1 + at + 2 = Yt + at +1 + at + 2
L
Yt + h = Yt + h −1 + at + h = Yt + at +1 + L + at + h
2º) Tomar esperanzas condicionadas a la información disponible

Yˆt +1,t = Et (Yt +1 ) = Yˆt ,t + aˆt +1,t = Yt

Yˆt + 2,t = Et (Yt + 2 ) = Yˆt ,t + aˆt + 2,t + aˆt +1,t = Yt
L
Yˆt + h ,t = Et (Yt + h ) = Yˆt ,t + aˆt +1,t + L + aˆt + h ,t = Yt
Técnicas avanzadas de series temporales

Dpto. de Estadística ,[Link].y O.E.I.

Universidad de Alcalá de Henares.

3º) Cálculo de los errores de predicción

et ,1 = Yt +1 − Yˆt +1,t = at +1
et , 2 = Yt + 2 − Yˆt + 2,t = at +1 + at + 2
L
et ,h = Yt + h − Yˆt + h ,t = at +1 + at + 2 + L + at + h

4º) Cálculo de la varianza del error de predicción

V (et ,1 ) = σ a2
V (et , 2 ) = 2σ a2
L
V (et ,h ) = tσ a2
Técnicas avanzadas de series temporales

11
 Dpto. de Estadística ,[Link].y O.E.I.
Universidad de Alcalá de Henares.

5º) Intervalos de confianza al 95% para las predicciones:

- a 1 período: (Yt ± 1.96σ a )

- a 2 períodos: (Y ± 1.96
t 2σ a )
- a h períodos: (Y ± 1.96
t hσ a )
Resumiendo:
- Las predicciones son constantes, coincidiendo esta constante con el
último dato observado. Es decir, las predicciones se adaptan a la
última información disponible.
- La incertidumbre aumenta con el horizonte de predicción.

Técnicas avanzadas de series temporales

Dpto. de Estadística ,[Link].y O.E.I.

Universidad de Alcalá de Henares.

Predicciones y errores de predicción cometidos con un recorrido aleatorio con

constante
Modelo (1-L)Yt=b + at
Información conocida: (
Y , Y ,L, Y , a , a ,L, a
1 2 t 1 2 t )
1º) Extrapolar el modelo Yt +1 = b + Yt + at
Yt + 2 = b + Yt +1 + at + 2
L
Yt + h = b + Yt + h −1 + at + h
2º) Tomar esperanzas condicionadas a la información disponible

Yˆt +1,t = Et (Yt +1 ) = b + Yˆt ,t + aˆt +1,t = b + Yt

Yˆt + 2,t = Et (Yt + 2 ) = b + Yˆt +1,t + aˆt + 2,t = 2b + Yt
L
Yˆt + h ,t = Et (Yt + h ) = b + Yˆt + h −1,t + aˆt + h ,t = hb + Yt
Técnicas avanzadas de series temporales

12
 Dpto. de Estadística ,[Link].y O.E.I.
Universidad de Alcalá de Henares.

3º) Cálculo de los errores de predicción

et ,1 = Yt +1 − Yˆt +1,t = at +1
et , 2 = Yt + 2 − Yˆt + 2,t = at +1 + at + 2
L
et ,h = Yt + h − Yˆt + h ,t = at +1 + at + 2 + ... + at + h

4º) Cálculo de la varianza del error de predicción

V (et ,1 ) = σ a2
V (et , 2 ) = 2σ a2
L
V (et ,h ) = hσ a2
Técnicas avanzadas de series temporales

Dpto. de Estadística ,[Link].y O.E.I.

Universidad de Alcalá de Henares.

5º) Intervalos de confianza al 95%:

- a 1 período: (b + Yt ± 1.96σ a )
- a 2 períodos: (2b + Y ± 1.96
t 2σ a )
- a h períodos: (hb + Y ± 1.96
t hσ a )
Resumiendo:
- Las predicciones son crecientes, según un esquema de crecimiento
lineal.
- La ordenada en el origen de esta recta se actualiza con la última
información disponible.
- La pendiente permanece fija e inmutable y coincide con la constante
estimada.
- La incertidumbre aumenta con el horizonte de predicción.
Técnicas avanzadas de series temporales

13
 Dpto. de Estadística ,[Link].y O.E.I.
Universidad de Alcalá de Henares.
2.4 Procesos ARIMA (p,2,q)
Predicciones y errores de predicción cometidos con un modelo Ruido
Blanco sobre la segunda diferencia
Modelo (1-L)2Yt=at

Las predicciones realizadas con este modelo también son lineales.

Yˆt + h ,t = Et (Yt + h ) = 2Yˆt + h −1,t − Yˆt + h − 2,t + aˆt + h ,t = Yt + h(Yt − Yt −1 )

Ordenada Pendiente
en el origen

Tanto la pendiente como la ordenada en el origen dependen de la

última información disponible
La incertidumbre aumenta con el horizonte de predicción más
rápidamente que en el modelo anterior.
Técnicas avanzadas de series temporales

Dpto. de Estadística ,[Link].y O.E.I.

Universidad de Alcalá de Henares.

Resumen:
1) Series con oscilaciones locales de nivel

Hay dos posibilidades de modelización:

Indicador de Confianza de
los Consumidores en la UM A) Proceso estacionario alrededor de
una constante
10

0
La predicción a largo
plazo siempre es b.
-10 Yt = b + nt La incertidumbre está
-20
acotada.

-30
B) Proceso estacionario tras diferenciar
una vez
-40
La predicción a largo
1988 1990 1992 1994 1996 1998 2000 2002
∆Yt = nt plazo depende de la
CONFIND
última información (Xt).
La
Técnicas avanzadas de series temporales incertidumbre no está
acotada.

14
 Dpto. de Estadística ,[Link].y O.E.I.
Universidad de Alcalá de Henares.

Resumen
2) Series con crecimiento sistemático

Hay tres alternativas para modelizar estas series,

- La primera consiste en un modelo ARMA más una tendencia
determinista.
Yt = a + bt + nt
- La segunda consiste en un modelo ARMA para la serie en primeras
diferencias más una constante.
∆Yt = Yt − Yt −1 = b + nt
- La tercera consiste en un modelo ARMA para la segunda diferencia.
∆2Yt = b + nt
Las implicaciones de estas alternativas son muy diferentes.
Para simplificar la exposición se supondrá que el residuo es ruido blanco,
aunque en general debería tener una estructura ARMA.

Técnicas avanzadas de series temporales

15