REGRESIONES
LINEALES SIMPLES
Mauro Delboy PhD(c)
Series de tiempo
Una
serie de tiempo es un conjunto de observaciones
donde t es el tiempo de ocurrencia de la observación
Una serie de tiempo se dice discreta cuando el
conjunto de observaciones se hace en un conjunto
discreto de periodos, por ejemplo, en intervalos fijos
de tiempo (diarias, mensuales, trimestrales, anuales,
etc.).
Series de tiempo
Una serie de tiempo es continua cuando las observaciones
se realizan sobre un intervalo continuo de tiempo, por
ejemplo, [0, T ]. Las observaciones en sí pueden seguir
siendo discretas.
A nosotros nos interesara estudiar series de tiempo discretas
con tiempo equiespaciado
Series de tiempo
Condición de estacionariedad:
Una serie será estacionaria si sus observaciones tienen media,
varianza y covarianza constantes en el tiempo.
Si la serie presenta tendencia, estos tres momentos no serán
constantes en el tiempo con lo que la serie será no estacionaria.
Para comprobar la estacionariedad de la serie habrá que realizar un
test de raíz unitaria, cuya hipótesis nula es que la serie a ser
analizada posee una raíz unitaria, esto significa, que la serie es no
estacionaria.
Series de tiempo
Condición de estacionalidad:
Si la serie presenta una tendencia determinística, la
serie mostrará patrones estacionales que se irán
cumpliendo a lo largo del tiempo. Con lo que la serie
será estacional.
Series de tiempo
Una serie no estacionaria se convertirá en estacionaria
evaluando su primera diferencia o el logaritmo de la serie.
Si la serie (en niveles) ya es estacionaria, diremos que es
integrada de orden 0 I(0), si la serie necesita diferenciarse
una vez para ser estacionaria diremos que es integrada de
orden 1 I(1) y si necesita diferenciarse n veces para ser
diferenciada diremos que es integrada de orden n I(n).
Evaluación de series temporales
Solucionar recursivamente (Ecuaciones de Yule-
Walker)
Series de tiempo
Random Walk (Caminata Aleatoria) :
Es una formalización matemática:
=> Impredecible
Series de tiempo
Series de tiempo
Función
de autocorrelación:
Lo que se quiere evaluar es si la serie influye a ; si influye a , etc.
Entonces tendremos que evaluar la correlación, y como es de una
variable con sus observaciones pasadas le llamaremos función de
autocorrelación
Si es próximo a 1 indica que hay mucha relación entre una observación
y la i posiciones posteriores, y que esa relación es positiva. Si es
próximo a -1 indica que hay mucha relación entre una observación y
las i posiciones posteriores, y que esa relación es negativa.
Series de tiempo
Modelo ARIMA (Autorregresivos Integrados de
medias móviles)
Estos modelos se utilizan para generar pronósticos
precisos con base en la descripción de patrones
históricos de datos.
Estos modelos emplean la información que se
encuentra en la misma serie para generar los
pronósticos
Series de tiempo
Pasos para la construcción de un modelo ARIMA
Postular una clase general del modelo
Identificar el modelo que se utilizará a priori.
Estimar los parámetros del modelo
Realizar un diagnóstico del modelo
Utilizarlo para generar pronósticos si es adecuado
Series de tiempo
Modelos autorregresivos
Un modelo autorregresivo de orden (p) muestra la
siguiente estructura:
Estos modelos son idóneos para series de tiempo
estacionarias
Series de tiempo
Procesos
autorregresivos de primer orden AR(1):
Si una serie sigue un proceso AR(1), cada observación se
construye a partir del anterior rezago t-1, más una perturbación
aleatoria.
El proceso AR(1) para ser estacionario debe tener un valor
absoluto de < 1. Si el valor de fuera mayor que 1, el proceso se
hace explosivo y rápidamente tiende a crecer desmesuradamente.
Series de tiempo
Ejercicio
Dados =3 =0.25
Hallar el comportamiento de la variable en el largo
plazo del proceso estacionario AR(1):
0
+ +E()
=
Series de tiempo
Media de largo plazo AR(1)
Varianza:
Series de tiempo
Procesos autorregresivos de orden AR(2)
Media de largo plazo AR(1)
Varianza:
