Estadstica Industrial

Universidad Carlos III de Madrid

Series temporales
Prctica 5
Objetivo:
Anlisis descriptivo, estudio de funciones de autocorrelacin simple y parcial de series
temporales estacionales. Formulacin, prediccin y estimacin de modelos ARIMA
estacionales. Diagnosis y validacin.
Fichero de datos: Practica5Series.sf
Series temporales estacionales:
En la prctica 1 vimos series temporales que presentaban pautas que se repetan en
forma de ciclos. Es habitual que muchas series tengan patrones estacionales cada s
periodos.
En series mensuales, en general, el orden de la estacionalidad es s=12; en series
trimestrales s=4, cuatrimestral s=3, etc
La metodologa ARIMA tambin nos permite estudiar estas series estacionales. En
este caso la formulacin ARIMA es:

ARIMA ( p, d , q ) ( P, D, Q ) s

 

parte regular

parte estacional

Ejemplo: IPI Inglaterra

Importar datos: FILE -> OPEN -> OPEN DATA FILE

Representacin de la serie temporal: SPECIAL -> TIME-SERIES ANALYSIS

-> DESCRIPTIVE METHODS

Al introducir la serie a analizar: debemos especificar que la periodicidad de

la serie:

SAMPLING INTERVAL -> MONTH -> STARTING AT -> SEASONALITY

Si la serie es mensual s=12

Figura 1. Grfico temporal de la serie original IPI Inglaterra

132
122
112
102
92
82
1/50

1/53

1/56

1/59

1/62

1/65

La Figura 1, presenta el grfico de la serie IPI Inglaterra. Se observa la falta de

estacionariedad, ya que la serie tiene tendencia y ciclo. La variabilidad no presenta
problemas y podemos concluir que la serie es homocedstica. Se puede estudiar algo
ms detalladamente las caractersticas del ciclo estacional mediante el grfico de
descomposicin estacional visto en la prctica 1.

La FAS y FAP de la serie original se muestra en la siguiente figura:

FAP IPI Inglaterra

FAS IPI Inglaterra

1

0,6

0,6

0,2

0,2

-0,2

-0,2

-0,6

-0,6

-1

-1
0

10

15

lag

20

25

10

15

20

25

lag

Como puede observarse hay mucha estructura en ambas funciones. Esto es debido a
la falta de estacionariedad de la serie. Como se estudi en prcticas anteriores es
preciso tomar una diferencia para quitar la tendencia (parte regular, Non-seasonal
order), para eliminar la estacionalidad tomaremos diferencias estacionales (Seasonal
order). Para ello, en el botn derecho en ANALYSIS OPTIONS, podemos comenzar
tomando una diferencia regular (1) y posteriormente una diferencia estacional (1).
NOTA: como al especificar la serie con periodicidad mensual (s=12), la diferencia
estacional que tomemos la tomaremos como 1.

Figura 2. Serie IPI Inglaterra con una diferencia regular (

IPI )

25
15
5
-5
-15
1/50

1/53

1/56

1/59

1/62

1/65

La figura 2 muestra la serie IPI Inglaterra una vez eliminada la tendencia con una
diferencia regular, sin embargo observamos que an existe estacionalidad. El ciclo se
aprecia en el grfico de la serie, y en la FAS en la que las autocorrelaciones
separadas por 12 retardos son significativas y decrecen lentamente, esto se refleja en
su FAS y FAP (Figura 3),

Figura 3. FAS (izquierda) y FAP (derecha) de la serie IPI

1

0,6

0,6

0,2

0,2

-0,2

-0,2

-0,6

-0,6

-1

-1
0

10

15

lag

20

25

10

15

20

25

lag

Para eliminar los ciclos aplicaremos una diferencia estacional, es decir IPI , en
ANALYSIS OPTIONS-> DIFFERENCING -> SEASONAL ORDER (1).
1

12

El resultado de se presenta en la Figura 4, donde ya tenemos una serie estacionaria

(sin tendencia ni ciclos), adems podemos asegurar que es homocedstica.

Figura 4. Serie IPI Inglaterra sin tendencia ni ciclo,

112 IPI

8
4
0
-4
-8
1/50

1/53

1/56

1/59

1/62

Figura 5. FAS y FAP de la serie

1/65

112 IPI

FAS

FAP

0,6

0,6

0,2

0,2

-0,2

-0,2

-0,6

-0,6

-1

-1
0

10

15

20

25

10

lag

15

20

25

lag

Estudiaremos los primeros retardos para analizar la parte regular: se observa en la

FAS que existen en decaimiento lento hasta el quinto retardo. En la FAP hay dos
retardos significativos. Podemos por tanto, estar ante un AR(2) en la parte regular.
Si analizamos los retardos estacionales: en la FAS vemos que el retardo 12 es
significativo, pero no los son ni el 24 ni el 36. Por otro lado, en la FAP se aprecian que
los retardos 12 y 24 son significativos. Es posible por tanto que estemos ante un
MA(1)12 en la parte estacional.
Alternativamente,

podramos

tomando la diferencia estacional

haber

eliminado

primeramente

la

estacionalidad,

IPI .
12

Figura 6. Grfico de la serie IPI Inglaterra con una diferencia estacional

10
7
4
1
-2
-5
-8
1/50

1/53

1/56

1/59

1/62

1/65

Figura 7. FAS y FAP de la serie IPI Inglaterra con una diferencia estacional

FAS

FAP

0,6

0,6

0,2

0,2

-0,2

-0,2

-0,6

-0,6

-1

-1
0

10

15

20

25

10

lag

15

20

25

lag

Aunque hemos eliminado los ciclos, la serie no es estacionaria, puesto que an se

observa tendencia (Figura 6). La FAS presenta un decaimiento lineal, pero no hay
retardos estacionales significativos.

Estimacin de un modelo ARIMA(p,d,q)x(P,D,Q)s

Un vez que la serie IPI
ARIMA(2,1,0)x(0,1,1)12.
1

12

es estacionaria, podemos

estimar un modelo

En SPECIAL-> TIMES-SERIES ANALYSIS -> FORECASTING, introducimos la serie IPI

Inglaterra. Por defecto, el nmero de periodos a predecir (Number of forecasts) es
12.
Para estimar el modelo ARIMA, procedemos de la misma forma que hicimos en la
prctica anterior. Ahora, como hemos especificado la serie como mensual. El modelo
ARIMA permite ajustar diferencias y parmetros AR y MA estacionales.

Figura 8. Especificacin de un modelo ARIMA(2,1,0)x(0,1,1)12

En ARIMA Model, podemos ahora especificar (Figura 8):

o
o
o
o
o
o

Nonseasonal order: Nmero de diferencias regulares d

Seasonal order: Numero de diferencias estacionales D
AR: Orden del autorregresivo regular p
MA: Orden de la media mvil regular q
SAR: Orden del autorregresivo estacional P
SMA: Orden de la media mvil estacional Q

Los parmetros estimados los podemos obtener en el ANALYSIS SUMMARY,

ARIMA Model Summary
Parameter
Estimate
Stnd. Error
t
P-value
---------------------------------------------------------------------------AR(1)
-0,563995
0,0894862
-6,3026
0,000000
AR(2)
-0,271194
0,0897455
-3,02182
0,003092
SMA(1)
0,891669
0,0305606
29,1771
0,000000
Mean
-0,0199986
0,0259359
-0,771075
0,442230
Constant
-0,0367011
----------------------------------------------------------------------------

En la tabla observamos que los parmetros son significativos, ya que el valor de la tstudent es mayor que 2 en valor absoluto y los p-valores menores a 0.05.
El modelo se puede escribir como:

yt = c 0.5639 yt 1 0.2712 yt 2 + at 0.8917 at 12

(-6.30)
donde yt es la serie estacionaria

(-3.021)

(29,177)

112 IPI y entre parntesis se indica el valor crtico

de la t-student.
Alternativamente, en trmino del operador de retardos B.

(1 1 B 2 B 2 ) yt = (1 12 B12 )at

Reemplazando los valores estimados:

(1 + 0.5639 B + 0.2712 B 2 ) yt = (1 0.8917 B12 )at

La FAS y FAP de los residuos del modelo ajustado se muestran en la figura 9.
Figura 9. FAS y FAP de los residuos del modelo ARIMA(2,1,0)x(0,1,1)12

FAS

FAP

ARIMA(2,1,0)x(0,1,1)12 with constant

ARIMA(2,1,0)x(0,1,1)12 with constant

0,6

0,6

0,2

0,2

-0,2

-0,2

-0,6

-0,6

-1
0

10

15

lag

20

25

-1
0

10

15

20

25

lag

En la Figura 9, observamos que aparentemente no existen retardos significativos ni

en FAS ni FAP de los residuos del modelo ajustado, por lo que tenemos evidencia de
que pueden ser ruido blanco.
Para ver si hay evidencia suficiente de que son ruido blanco, analizamos el test de
Box-Pierce. En TABULAR OPTIONS, marcamos las opciones de RESIDUAL TEST OF
RANDOMNESS y de MODEL COMPARISONS si queremos comparar el modelo con otros
alternativos. El resultado del test de Box-Pierce es de 0.82907 y por tanto tenemos
evidencias de que los residuos s son ruido blanco.
Prediccin y validacin:
Una vez ajustado un modelo paramtrico a la serie original podemos utilizarlo para
realizar predicciones futuras.
En TABULAR OPTIONS, la opcin FORECAST TABLE, nos permite obtener la prediccin
del modelo para los periodos siguientes.
Lower 95,0%
Upper 95,0%
Period
Forecast
Limit
Limit
-----------------------------------------------------------------------------2/61
121,243
117,797
124,689
3/61
123,095
119,335
126,854
4/61
111,843
107,732
115,954
5/61
110,098
105,482
114,714
6/61
112,787
107,828
117,745
7/61
105,346
100,051
110,64
8/61
101,928
96,3004
107,556
9/61
115,466
109,536
121,395
10/61
118,947
112,728
125,166
11/61
123,111
116,614
129,609
12/61
111,011
104,248
117,774
1/62
111,576
104,557
118,594
------------------------------------------------------------------------------

Por defecto la prediccin se realizar para 12 periodos.

En la primera columna tenemos los periodos que predecimos, en la segunda columna,
la prediccin de nuestro modelo y por ltimo los lmites superior e inferior de los
intervalos de prediccin.
La Figura siguiente muestra las predicciones y sus intervalos.

ARIMA(2,1,0)x(0,1,1)12 with constant

132
actual
forecast
95,0% limits

122
112
102
92
82
1/50

1/53

1/56

1/59

1/62

1/65

El modelo ARIMA propuesto, presenta los valores ms bajos para el Error Cuadrtico
Medio (MSE), y para el Error Medio Absoluto (MAE).

-----------------------------------------------------------------------Models
-----(A) ARIMA(2,1,0)x(0,1,1)12 with constant
(B) Constant mean = 106,045
(C) Linear trend = 96,3582 + 0,144581 t
(D) Simple moving average of 5 terms
(E) Simple exponential smoothing with alpha = 0,1521
Estimation Period
Model MSE
MAE
MAPE
ME
MPE
-----------------------------------------------------------------------(A)
2,70114
1,30257
1,2257
-0,139977
-0,154921
(B)
88,9745
7,69823
7,41176
3,00244E-14 -0,81525
(C)
58,3711
6,30245
5,99201
3,25888E-14 -0,523815
(D)
60,1705
6,81859
6,45562
0,432344
-0,0166134
(E)
52,2074
6,22291
5,87358
0,816373
0,36154
Model RMSE
RUNS RUNM AUTO MEAN VAR
----------------------------------------------(A)
1,64352
OK
OK
OK
OK
OK
(B)
9,43263
***
***
***
*** OK
(C)
7,6401
***
***
***
OK
OK
(D)
7,75696
***
***
***
OK
OK
(E)
7,22547
***
**
***
OK
OK
------------------------------------------------------------------------

Otro posible anlisis que permite validar el modelo ARIMA propuesto, consiste en
realizar predicciones sobre la muestra. Este procedimiento consiste en coger del total
de n observaciones de la serie temporal, las n-k primeras. Y una vez elegido el
modelo validar su capacidad predictiva sobre la submuestra formada por las k ltimas
observaciones.
, introducimos en la casilla de WITHHOLD FOR
En la opcin de INPUT DIALOG,
VALIDATION el tamao de submuestra que deseamos , en el caso de series
mensuales para que este anlisis sea vlido cogeremos un ciclo completo de k=12
observaciones.
Con este anlisis la tabla de predicciones (FORECAST TABLE), incluye el residuo de la
prediccin sobre esta submuestra.
-----------------------------------------------------------------------------Period
Data
Forecast
Residual

2/60
117,3
116,651
V0,648852
3/60
119,5
118,988
V0,511876
4/60
107,7
107,844
V-0,144126
5/60
108,9
105,914
V2,9865
6/60
109,1
110,035
V-0,935361
7/60
103,3
102,039
V1,26059
8/60
100,0
99,5207
V0,479278
9/60
112,6
112,938
V-0,337917
10/60
117,7
116,379
V1,32145
11/60
123,2
120,996
V2,20382
12/60
110,3
109,785
V0,514985
1/61
110,6
110,914
V-0,313729
------------------------------------------------------------------------------

La tabla de comparacin de modelos (MODELS COMPARISON), incluye una tabla

adicional para los valores del MSE y MAE o de la raz cuadrada del MSE (RMSE).
Models
-----(A) ARIMA(2,1,0)x(0,1,1)12 with constant
(B) Constant mean = 105,486
(C) Linear trend = 95,6334 + 0,161517 t
(D) Simple moving average of 5 terms
(E) Simple exponential smoothing with alpha = 0,1573
Estimation Period
Model MSE
MAE
MAPE
ME
MPE
-----------------------------------------------------------------------(A)
2,86055
1,33577
1,26573
-0,250186
-0,261454
(B)
90,1904
7,73979
7,47792
3,25323E-14 -0,830492
(C)
58,5864
6,2433
5,96621
3,55859E-14 -0,528323
(D)
60,3762
6,84534
6,51942
0,372931
-0,0730557
(E)
52,3767
6,26727
5,95175
0,71585
0,268722
Model RMSE
RUNS RUNM AUTO MEAN VAR
----------------------------------------------(A)
1,69132
OK
*
OK
OK
OK
(B)
9,49686
***
***
***
*** OK
(C)
7,65418
***
***
***
OK
OK
(D)
7,77021
***
***
***
OK
OK
(E)
7,23717
***
**
***
OK
OK
Validation Period
Model MSE
MAE
MAPE
ME
MPE
-----------------------------------------------------------------------(A)
1,61646
0,971541
0,864741
0,683018
0,602253
(B)
80,2806
7,47603
6,49719
6,19738
5,23018
(C)
62,7841
6,78328
6,2743
-4,54348
-4,41941
(D)
58,1818
6,56
5,83885
1,00667
0,528996
(E)
50,5692
5,98881
5,29789
1,56345
1,04989

Este procedimiento nos permitir de una manera ms precisa discriminar entre

modelos ARIMA alternativos, en el caso de tener modelos que cumplan todas las
hiptesis de manera satisfactoria (significatividad de los parmetros, test de Boxpierce), nos intereser ms tener un modelo cuya capacidad predictiva sea mejor
(menores valores del RMSE, MSE y/o MAE).
Cuestiones:
Analiza el resto de las series del fichero Practica5Series.sf3. Propn uno o varios
modelos ARIMA. Formula la ecuacin del modelo y su representacin en trminos del
operador de retardos. Realiza una validacin del modelo ARIMA en funcin de la
capacidad predictiva de cada uno de ellos.

10