Professional Documents
Culture Documents
ARIMA ( p, d , q ) ( P, D, Q ) s
parte regular
parte estacional
132
122
112
102
92
82
1/50
1/53
1/56
1/59
1/62
1/65
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.
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),
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
112 IPI
8
4
0
-4
-8
1/50
1/53
1/56
1/59
1/62
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
podramos
haber
eliminado
primeramente
la
estacionalidad,
IPI .
12
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
12
es estacionaria, podemos
estimar un modelo
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:
(-3.021)
(29,177)
de la t-student.
Alternativamente, en trmino del operador de retardos B.
(1 1 B 2 B 2 ) yt = (1 12 B12 )at
FAS
FAP
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
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
------------------------------------------------------------------------------
10