Selección de Modelos
Selección de las ordenes (p, q)y(P, Q)12. Para lo cual, utilizaremos la librería “TSstudio” y la función ts_cor().
> ts_cor(diff(Yt,12), lag.max = 50)
Una vez finalizada la fase de identificación y tras
realizar diversas pruebas con diferentes
combinaciones de órdenes regular y estacional, se
determina que los modelos propuestos son:
Mo
Mo
mod1 <- Arima(Yt, order = c(0,0,0), seasonal = list(order=c(2,1,0)), include.constant = F)
mod2 <- Arima(Yt, order = c(0,0,0), seasonal = list(order=c(3,1,0)), include.constant = F)
ESTIMACIÓN DE PARÁMETROS
Se realiza el análisis de los dos modelos propuestos.
Modelo 1: SARIMA (0, 0, 0)x(2, 1, 0)12 =
mod1 <- Arima(Yt, order = c(0,0,0), seasonal = list(order=c(2,1,0)), include.constant = F)
coeftest(mod1)
z test of coefficients:
Estimate Std.Error z value Pr(>|z|) Los resultados sugieren que el modelo
propuesto captura efectivamente la
sar1 -0.528935 0.090505 -5.8443 5.088e-09 *** estacionalidad en la serie de tiempo, y
los coeficientes estacionales para
sar2 -0.305888 0.094092 -3.2510 0.00115 ** describir el comportamiento de la serie.
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
El modelo estimado es:
Modelo 2: SARIMA (0, 0, 0)x(3, 1, 0) =
12
mod2 <- Arima(Yt, order = c(0,0,0), seasonal = list(order=c(3,1,0)), include.constant = F)
coeftest(mod2)
z test of coefficients:
Estimate Std. Error z value Pr(>|z|) Los resultados sugieren que el modelo
sar1 -0.621312 0.089040 -6.9779 2.996e-12 *** propuesto captura efectivamente la
estacionalidad en la serie de tiempo, y
sar2 -0.483895 0.099508 -4.8629 1.157e-06 *** los coeficientes estacionales para
sar3 -0.366663 0.096428 -3.8024 0.0001433 *** describir el comportamiento de la
serie.
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
El modelo estimado es:
Modelo con la función de auto.arima
auto.arima(Yt)
Series: Yt
ARIMA(0,0,0)(2,1,0)[12]
Coefficients:
sar1 sar2
-0.5289 -0.3059
s.e. 0.0905 0.0941
sigma^2 = 17.6: log likelihood = -377.83
AIC=761.66 AICc=761.84 BIC=770.3
Modelo Auto.arima: SARIMA (0, 0, 0)x(2, 1, 0)12 =
El modelo estimado es:
