ESTADSTICA ESPAOLA

Vol. 40, Nm. 143, 1998, pgs. 269 a 291

Un algoritmo rpido para evaluar la
verosimilitud exacta de modelos
VARMAX peridicos
por
JOS CASALS, SONIA SOTOCA Y MIGUEL JEREZ (1)
Departamento de Fundamentos del Anlisis Econmico II
Universidad Complutense de Madrid
E-Mail: eccua06@sis.ucm.es
RESUMEN
En este trabajo se deriva un algoritmo rpido y estable para eva-
luar la funcin de verosimilitud exacta de procesos VARMAX peridi-
cos. Su estabilidad numrica y eficiencia computacional se consiguen
combinando a) una formulacin de dimensin mnima en espacio de
los estados, en forma steady-state innovations con b) un procedi-
miento computacional que aprovecha las propiedades de esta repre-
sentacin. El algoritmo es aplicable a modelos estacionarios y no es-
tacionarios y facilita el clculo de los segundos momentos exactos de
las estimaciones. Algunas pruebas de simulacin y un caso real
muestran su buen funcionamiento.
Palabras clave: modelos VARMAX peridicos, mxima verosimilitud
exacta, filtro de Kalman, modelos en espacio de los estados.
Clasificacin AMS: 62M10
(1) Sonia Sotoca agradece el apoyo financiero de la CICYT, proyecto PB95-0912/95 (n
5290806) y de Fundacin Caja de Madrid. Todos los autores agradecen las sugerencias recibidas
en las sesiones sobre series temporales del XXIV Congreso Nacional de Estadstica e Investiga-
cin Operativa, as como los comentarios de un evaluador annimo.
270 ESTADSTICA ESPAOLA
1. INTRODUCCIN
Como es conocido, la estimacin por mxima verosimilitud exacta de modelos
economtricos de series temporales puede abordarse aplicando el filtro de Kalman
a su representacin equivalente en espacio de los estados (EE) (ver Gardner et al.,
1980 y Terceiro, 1990). En este trabajo se aplica este enfoque a la estimacin por
mxima verosimilitud exacta de modelos peridicos.
Los modelos peridicos son tiles para modelizar y predecir series estacionales
(Noakes et al., 1985). Sin embargo su estimacin es ms compleja y costosa que la
de los modelos ARMA estacionales, debido a su elevado nmero de parmetros.
Como indica Vecchia (1985), una manera de estimar un proceso ARMA peridi-
co (PARMA) consiste en aplicar un algoritmo estndar de mxima verosimilitud a su
representacin VARMA equivalente. Esto supone un elevado coste computacional,
tanto en trminos de almacenamiento como de tiempo de clculo. Por ello, este
autor sugiere un mtodo eficiente que, sin embargo, no proporciona estimaciones
exactas cuando el proceso incluye factores autorregresivos. Li y Hui (1988) resuel-
ven esta deficiencia derivando un algoritmo de mxima verosimilitud exacta para
modelos PARMA estacionarios, que extiende los resultados de McLeod (1975) al
caso peridico.
Otros trabajos recientes proponen algoritmos rpidos para la estimacin de mo-
delos PARMA utilizando un enfoque recursivo. As, Adams y Goodwin (1995)
plantean un mtodo que proporciona estimaciones consistentes pero no eficientes.
Boshnakov (1996) adapta el procedimiento de Hannan y Rissanen (1982) y Hannan
y Kavalieris (1984) al caso de modelos PARMA estacionarios. Estos mtodos
presentan los siguientes inconvenientes:
a) Slo contemplan el caso univariante y estacionario,
b) No consideran la posible existencia de variables exgenas en el modelo,
c) Cuando no todas las estaciones presentan la misma estructura dinmica in-
curren en ineficiencia, ya que amplan innecesariamente la dinmica del sistema.
En este trabajo se propone una formulacin generalizada -proceso VARMAX
peridico o PVARMAX- que evita estas limitaciones y desarrolla un algoritmo de
mxima verosimilitud exacta. Este mtodo es computacionalmente eficiente y
numricamente estable gracias a la combinacin de:
a) Una representacin de dimensin mnima en EE en forma steady-state inno-
vations.
UN ALGORITMO RPIDO PARA EVALUAR LA VEROSIMILITUD EXACTA DE MODELOS VARMAX PERIDICOS 271
b) Un algoritmo para evaluar la funcin de verosimilitud que aprovecha las pro-
piedades del filtro de Kalman cuando se aplica a esta representacin. Plantear el
problema en EE tiene ventajas adicionales, ya que facilita la aplicacin de resulta-
dos existentes para tratar modelos estacionarios o no estacionarios, con variables
explicativas estocsticas y/o deterministas (Casals y Sotoca, 1997), detectar races
unitarias sin necesidad de clculos adicionales y obtener los segundos momentos
exactos de las estimaciones (Terceiro, 1990).
La estructura del artculo es la siguiente. En la seccin 2 se define el proceso
generalizado PVARMAX. En la seccin 3 se deriva su formulacin de dimensin
mnima en EE y se caracterizan las situaciones de no estacionariedad y no inverti-
bilidad. La seccin 4 desarrolla el algoritmo para evaluar la funcin de verosimilitud
exacta del modelo PVARMAX en EE. En la seccin 5 se resume la estructura del
algoritmo y sus principales propiedades. La validez del procedimiento se comprue-
ba en la seccin 6, simulando modelos anlogos a los utilizados por Vecchia (1985)
y Li y Hui (1988) en el caso univariante y una estructura multivariante similar a las
anteriores. En la seccin 7 se muestra un caso real y en la seccin 8 se resumen
las principales conclusiones.
2. PROCESO PVARMAX
Sean }
z
{
t
un vector (m1) de series temporales estacionales y }
u
{
t
un vector
(r1) de variables exgenas de tamao N. Se dice que }
z
{
t
sigue un proceso
PVARMAX
s
(p
i
,q
i
,g
i
), ( s 1,2,..., = i ), donde s es el nmero de perodos muestrales
que forman una estacin completa, si
) , 0 ( IID
a
;
a
) B ( +
u
) B (
G
=
z
) B (
F t t t t t t t t

[1]
siendo
B F
+ +
B F
+ B
F
+ I = ) B (
F
p
p , t
2
2 , t 1 , t t
i
[2]
B
+ +
B
+ B + I = ) B (
q
q , t
2
2 , t 1 , t t
i

[3]
B G
+ +
B G
+ B
G
+
G
= ) B (
G
g
g , t
2
2 , t 1 , t 0 , t t
i
[4]
y las matrices de coeficientes cambian de acuerdo con la siguiente ley de variacin
determinista de perodo s
) B (
F
= ) B (
F s + t t
; ) B (
G
= ) B (
G s + t t
; ) B ( = ) B (
s + t t
[5]
272 ESTADSTICA ESPAOLA
s + t t
= N , , 2 , 1 = t [6]
A los parmetros de ) B (
Ft
se les denomina parmetros AR estacionales, los
de ) B (
t
son los parmetros MA estacionales y los de
t
son las varianzas
estacionales del error. Por tanto, un proceso PVARMAX puede interpretarse como
un modelo VARMAX cuyos coeficientes cambian en el tiempo de forma peridica
(ver Ltkepohl, 1993).
El modelo [1]-[6] incluye como casos particulares las formulaciones peridicas
convencionales. Por ejemplo, un proceso PARMA
s
(p
i
,q
i
) ( s 1,2,..., = i ), es un caso
particular de [1]-[6] con m=1 y 0 = g
i
. Es decir
a
) B ( =
z
) B (
f t t t t
[7]
B f
+ +
B f
+ B
f
+ 1 = ) B (
f
p
p , t
2
2 , t 1 , t t
i
[8]
i
q
q , t
2
2 , t 1 , t t
B + +
B
+ B + 1 = ) B (

[9]
) B (
f
= ) B (
f s + t t
; ) B ( = ) B (
s + t t
;

2
t
T
t t
= )
a a
( E ,

2
s + t
2
t
= , N , , 2 , 1 = t [10]
3. FORMULACIN EN ESPACIO DE LOS ESTADOS DE UN PROCESO
PVARMAX
Estimar un proceso PVARMAX en la forma [1]-[6] incurrira en la misma inefi-
ciencia computacional que los mtodos ya existentes cuando no todas las estacio-
nes presentan la misma estructura. Por ello, en esta seccin se propone una repre-
sentacin en EE que garantiza que la dimensin del vector de estado es la mnima
imprescindible.
Las expresiones [1]-[6] pueden representarse en forma de EE como
a E
+
u
+
x
=
x t t t t t t 1 + t
[11]
a
+
u D
+
x H
=
z t t t t t t
[12]
donde el vector de perturbaciones
at
tiene una matriz de covarianzas
Q
t
y
t
,
t
,
Et
,
Ht
y D
t
son matrices de tamao (n
t+1
n
t
), (n
t+1
r), (n
t+1
m), (mn
t
) y (mr), respec-
tivamente, que cambian en el tiempo de acuerdo con la ley de variacin peridica
s + t t
= ,
s + t t
= ,
E
=
E s + t t
,
H
=
H s + t t
,
D
=
D s + t t
y
Q
=
Q
s + t t
, N , 2, 1, = t . Ntese
que la dimensin del vector de estado
x 1 + t
tambin cambia con la estacin.
UN ALGORITMO RPIDO PARA EVALUAR LA VEROSIMILITUD EXACTA DE MODELOS VARMAX PERIDICOS 273
Las expresiones [11]-[12] caracterizan un modelo en EE en forma steady-state
innovations. Como se ver en la seccin 4, esta estructura garantiza determinadas
propiedades de convergencia del filtro de Kalman que pueden aprovecharse para
mejorar su estabilidad numrica y eficiencia computacional.
Para determinar la relacin entre el modelo [1]-[6] y las matrices de [11]-[12]
conviene distinguir entre el caso en que los s modelos tienen una misma estructura
dinmica de aqul en que distintas estaciones tienen estructuras diferentes.
3.1. Formulacin cuando todas las estaciones tienen la misma estruc-
tura dinmica
Cuando todas las estaciones tienen la misma estructura dinmica, se cumple
que ) s , , 2 1, = i ( , k =
ki
, siendo } g , q , p { max =
k
i i i
i
. En este caso, la norma de
conversin del modelo [1]-[6] a la forma [11]-[12] es
]
]
]
]
]
]
]
]
]
]
,
,
,
,
,
,
,
,

]
]
]
]
]
]
]
]
]
]
,
,
,
,
,
,
,
,

G F
-
G
G F
-
G
G F
-
G
G F
-
G
= ;
0 0 0
F
-
I 0 0
F
-
0 I 0
F
-
0 0 I
F
-
=
0 , t k -1, k + t k -1, k + t
0 , t -1 k 2, - k + t -1 k 2, - k + t
0 , t 2,2 + t 2,2 + t
0 , t 1,1 + t 1,1 + t
t
k -1, k + t
-1 k 2, - k + t
2,2 + t
1,1 + t
t

[13]
[ ] )
a a
( E =
S
=
R
=
Q
;
G
=
D
; 0 0 I =
H
;
F
-
F
-
F
-
F
-
=
E
T
t t t t t 0 , t t t
k 1, - k + t k 1, - k + t
1 - k 2, - k + t 1 - k 2, - k + t
2,2 + t 2,2 + t
1,1 + t 1,1 + t
t

]
]
]
]
]
]
]
]
]
]
,
,
,
,
,
,
,
,

[14]
donde
F
=
F 1 + j s, + j + t 1 + j j, + t
;
G
=
G 1 + j s, + j + t 1 + j j, + t
;
1 + j s, + j + t 1 + j j, + t
= , 1 - k 0,1,..., = j .
Ejemplo. Si s = 3 y cada estacin sigue un proceso AR(1), la representacin
convencional del modelo PAR
3
(1) resultante es
, 6 , 3 , 0 = t
a
+
z f
=
z
a
+
z f
=
z
a
+
z f
=
z
3 + t 2 + t 1 , 3 3 + t
2 + t 1 + t 1 , 2 2 + t
1 + t t 1 , 1 1 + t
[15]
y la representacin de cada uno de estos modelos en EE es, respectivamente
274 ESTADSTICA ESPAOLA
a f
+
x f
=
x
a
+
x
=
z
1 + t 1 , 2 1 + t 1 , 2 2 + t
1 + t 1 + t 1 + t
[16]
a f
+
x f
=
x
a
+
x
=
z
2 + t 1 , 3 2 + t 1 , 3 3 + t
2 + t 2 + t 2 + t
[17]
a f
+
x f
=
x
a
+
x
=
z
3 + t 1 , 1 3 + t 1 , 1 4 + t
3 + t 3 + t 3 + t
[18]
3.2. Formulacin cuando no todas las estaciones tienen la misma es-
tructura dinmica
Cuando los s modelos no tienen la misma estructura dinmica (es decir,
k k k s 2 1
), la norma de conversin [13]-[14] sigue siendo vlida, pero da lugar
a un vector de estado de dimensin no mnima. En la representacin de dimensin
mnima, el nmero de filas de
t
es )
k
+
k
( m =
n
-
j
+
j
s
1 j=
1 + t
, donde
k
+
j
es la parte entera de
s
kj

contrario caso en 0
t j cuando t - s + j s
k
-
k
si 1
t > j cuando t - j s
k
-
k
si 1
=
k
+
j j
+
j j
-
j
[19]
y es fcil comprobar que
n
=
n s + 1 + t 1 + t
, N , 1,2, = t . La norma de conversin para
obtener una formulacin de dimensin mnima consiste en eliminar los estados
redundantes, es decir, aqullos que no estn afectados por ningn input observable
(
ut
) o no observable (
at
). La forma de construir las matrices
t
,
t
y
Et
es la
siguiente. Sea }
k
{ max = k
i
, ( s 1,2,..., = i ). Entonces, si j
k j + i
para k 1,2,..., = j
1) La matriz
t
se construye aadiendo los bloques de filas ]
G F
-
G
[
i,0 j j, + i j j, + i
.
2) La matriz
Et
se construye aadiendo los bloques de filas ]
F
- [
j j, + i j j, + i
.
3) La matriz
t
se construye aadiendo los bloques de filas ] 0 ... 0
F
- [
j j, + i
.
Si j >
k j + i
para k 1,2,..., = j , se aaden a la matriz
t
las columnas ] I ... 0 0 [
T
.
UN ALGORITMO RPIDO PARA EVALUAR LA VEROSIMILITUD EXACTA DE MODELOS VARMAX PERIDICOS 275
Ejemplo: Sea un modelo donde s = 3, k
1
= 6, k
2
= 1 y k
3
= 1. Siguiendo la norma
de conversin [13]-[14], la representacin en EE de dimensin no mnima es
]
]
]
]
]
]
]
]
]
]
]
]
,
,
,
,
,
,
,
,
,
,

]
]
]
]
]
]
]
]
]
]
]
]
,
,
,
,
,
,
,
,
,
,

]
]
]
]
]
]
]
]
]
]
]
]
,
,
,
,
,
,
,
,
,
,

0 0 0 0 0
F
-
I 0 0 0 0
F
-
0 I 0 0 0
F
-
0 0 I 0 0
F
-
0 0 0 I 0
F
-
0 0 0 0 I
F
-
= ;
0 0 0 0 0
F
-
I 0 0 0 0
F
-
0 I 0 0 0
F
-
0 0 I 0 0
F
-
0 0 0 I 0
F
-
0 0 0 0 I
F
-
= ;
0 0 0 0 0
F
-
I 0 0 0 0
F
-
0 I 0 0 0
F
-
0 0 I 0 0
F
-
0 0 0 I 0
F
-
0 0 0 0 I
F
-
=
36
25
14
33
22
11
3
26
15
34
23
12
31
2
16
35
24
13
32
21
1
[20]
y la aplicacin de la regla [19] elimina los estados redundantes, proporcionando las
siguientes matrices de dimensin mnima
]
]
]
]
,
,

]
]
]
]
]
]
,
,
,
,

]
]
]
]
]
]
,
,
,
,

I 0
F
-
0 I
F
-
= ;
I 0
F
-
0 I
F
-
0 0
F
-
= ;
0
F
-
I
F
-
0
F
-
=
14
11
3
15
12
31
2
16
13
21
1
[21]
donde la dimensin del vector de estado
x 1 + t
ha pasado de ser 6, igual a la mxima
dinmica 6 =
k1
, a ser cambiante con la estacin y nunca mayor que 3.
3.3. Condiciones de estacionariedad e invertibilidad
Las condiciones de estacionariedad e invertibilidad de un proceso peridico
suelen caracterizarse a partir de su representacin VARMA equivalente de par-
metros fijos (ver, por ejemplo, Franses y Paap, 1994; Boswijk y Franses, 1995).
Procediendo de la misma forma, para caracterizar las condiciones de estacionarie-
dad de un proceso PVARMAX es necesario escribir la ecuacin de estado [11] en
la forma equivalente
] )
a E
+
u
( ) ( [ +
x
) ( =
x 1 - i + t 1 - i + t 1 - i + t 1 - i + t j - s + t
i - s
1 = j
s
1 = i
t t 2 - s + t 1 - s + t s + t

[22]
cuyas matrices no cambian cada s perodos debido a la ley de variacin:
s + t t
= ,
s + t t
= ,
E
=
E s + t t
, N , 2, 1, = t . Una vez descrito el modelo en la forma [12]-[22],
se dice que es ciclo-estacionario si todos los autovalores de la matriz

1 + j - s
s
1 = j
*
=
son, en mdulo, menores que la unidad (ver Anderson y Moore, 1979).
276 ESTADSTICA ESPAOLA
Anlogamente, para caracterizar las condiciones de invertibilidad del modelo
PVARMAX conviene utilizar su representacin VARX( ). De esta forma, el modelo
[11]-[12] puede escribirse como
]
]
]
]
]
]
]
]
,
,
,
,
,
,

,
]
]
]
]
]
]
]
]
,
,
,
,
,
,

,


z
z
z

E
+
u
u
u
+
x
=
x
s - 1 + t
1 - t
t
*
s - 1 + t
1 - t
t
*
s - 1 + t
*
1 + t

[23]
a
+
u D
+
z
z
z

E
H
+
u
u
u

H
+
x

H
=
z 1 + t t t
s - 1 + t
1 - t
t
*
1 + t
s - 1 + t
1 - t
t
*
1 + t s - 1 + t
*
1 + t 1 + t
]
]
]
]
]
]
]
]
,
,
,
,
,
,

,
]
]
]
]
]
]
]
]
,
,
,
,
,
,

,


[24]
en donde
)
H E
- ( )
H E
- ( )
H E
- ( =
s + 1 - t s + 1 - t s + 1 - t 1 - t 1 - t 1 - t t t t
*

[25]
]
E
)
H E
- (
, ,
E
)
H E
- ( )
H E
- ( ,
E
)
H E
- ( ,
E
[ =
E
s - 1 + t i - t i - t i - t
2 - s
0 = i
2 - t 1 - t 1 - t 1 - t t t t 1 - t t t t t
*

[26]
D E
- = con , ] )
H E
- (
, , )
H E
- ( )
H E
- ( , )
H E
- ( , [ =
t t t
t s - 1 + t
i - t i - t i - t
2 - s
0 = i
2 - t
1 - t 1 - t 1 - t t t t
1 - t
t t t
t
*

[27]
Puesto que la ecuacin [24] puede interpretarse como un proceso ) ( VARX
sustituyendo recursivamente
x s - 1 + t
por su expresin segn [23], resulta inmediato
ver que para que los valores pasados de }
z
{
t
tengan un efecto decreciente sobre
el valor actual (concepto habitual de invertibilidad) es necesario que los autovalores
de

*
sean menores en mdulo que la unidad. Esta es la misma condicin necesa-
ria y suficiente de invertibilidad obtenida por Bentarzi y Hallin (1994).
4. LA FUNCIN DE VEROSIMILITUD EXACTA DE UN MODELO PVARMAX
Supongamos que a) la matriz de observaciones ]
z
, ,
z
,
z
[ = Z
N 2 1
ha sido gene-
rada por el modelo [11]-[12], b) las perturbaciones
at
y el estado inicial x
1
son
independientes y siguen una distribucin normal y c) x
1
tiene una esperanza desco-
UN ALGORITMO RPIDO PARA EVALUAR LA VEROSIMILITUD EXACTA DE MODELOS VARMAX PERIDICOS 277
nocida,
x1
, y una matriz de covarianzas,
P1
, tambin desconocida. Entonces (ver
De Jong, 1988) la funcin soporte de verosimilitud puede expresarse como
]
w
+
x
P
[ ]
W
+
P
[ ]
w
+
x
P
[ - |
W
+
P
| log +
+
z
~
B z
~
+ |
B
| log +
x
P
x
+ |
P
| log = ) , U / Z ( l
N
1
1 -
1
1 -
N
1 -
1
T
N
1
1 -
1 N
1 -
1
t
1 -
t
T
t
N
1 = t
t
N
1 = t
1
1 -
1
T
1
1

[28]
y la evaluacin de [28] puede realizarse en tres fases claramente diferenciadas: a)
clculo de
z
~
t
y
Bt
, b) clculo de w
N
y W
N
y c) determinacin de las condiciones
iniciales
x1
y
P1
.
Los valores de
z
~
t
y
Bt
pueden obtenerse propagando un filtro de Kalman a
partir de un estado inicial y una incertidumbre asociada nulos, proceso que denota-
remos a partir de ahora FK(0,0). Esto da lugar al siguiente filtro recursivo
z
~
K
+
u
+
x
=
x

t t t t 1 - t/t t 1/t + t
[29]
u D
-
x

H
-
z
=
z
~
t t 1 - t/t t t t
[30]
Q
=
B
t t
[31]
E
=
K t t
[32]
0 =
P 1/t + t
[33]
en donde [29] propaga la estimacin ptima del vector de estado contando con la
informacin disponible hasta el instante anterior. Las ecuaciones [30] y [31] calcu-
lan las innovaciones, interpretables como errores de prediccin a horizonte un
perodo, y su matriz de covarianzas, respectivamente. La ganancia ptima del filtro
viene dada por [32]. La ecuacin [33] indica que 0 = P es la nica solucin de la
ecuacin de Riccati del filtro de Kalman, propiedad asociada a los modelos en
forma steady-state innovations (ver Anderson y Moore, 1979) y que cumplen, por
tanto, los modelos PVARMAX expresados en la forma [11]-[12]. Aprovechar esta
propiedad supone una ganancia computacional al evitar el clculo recursivo de
P 1/t + t
y una importante ganancia en estabilidad numrica, ya que esta propagacin
es la principal fuente de errores numricos del Filtro de Kalman.
Por otra parte, el vector w
N
y la matriz W
N
se calculan mediante las recursiones
278 ESTADSTICA ESPAOLA
z
~
B H
+
w
=
w
t
-1
t
T
t
T
1 - t
1 - t t
[34]
1 - t
t
-1
t
T
t
T
1 - t
1 - t t

H B H
+
W
=
W
[35]

1 - t
t t t
t
)
H K
- ( = [36]
donde w
t
y W
t
se inicializan a cero, I =
0
y K
t
es la ganancia de un FK(0,0).
La eleccin adecuada de condiciones iniciales (
x1
y
P1
) para la evaluacin de
[28] depender de si a) el modelo es estacionario o no y b) si contiene variables
exgenas deterministas y/o estocsticas (ver De Jong y Chu-Chun-Lin, 1994;
Casals y Sotoca, 1997).
4.1. Modelos PVARMAX estacionarios
Si el modelo es estacionario y no tiene variables exgenas, la inicializacin ade-
cuada del filtro de Kalman es 0 =
x1
y P
1
es la solucin de la ecuacin de Lyapunov
correspondiente a [22]. Por tanto, la expresin [28] se convierte en
w
]
W
+
P
[
w
- |
W
+
P
| log
+
z
~
Q z
~
+ |
Q
| log + |
P
| log = ) , U / Z ( l

N
1 -
N
1 -
1
T
N N
1 -
1
t
1 -
t
T
t
N
1 = t
N
1 t
t 1
+

[37]
donde w
N
y W
N
se calculan a partir de las recursiones
z
~
Q H
+
w
=
w
t
-1
t
T
t
T
1 - t
1 - t t
y
1 - t
t
-1
t
T
t
T
1 - t
1 - t t

H Q H
+
W
=
W
, siendo

1 - t
t t t
t
)
H E
- ( = (con I =
0
).
Denotando por M al factor Cholesky de P
1
, sabemos que
M
M =
P
T
1
,
| M | = |
M
M | = |
P
|
2
T
1
y | M
W M
+ I | log = |
W
+
P
| log + |
P
| log
N
T
N
-1
1 1
. Por tanto, [37] puede
escribirse como
w M
] M
W M
+ I [ M
w
-
z
~
Q z
~
+ |
Q
| log + | M
W M
+ I | log = ) , U / Z ( l
N
T
1 -
N
T T
N t
1 -
t
T
t
N
1 = t
t
N
1 = t
N
T
+

[38]
Si L es el factor Cholesky de M
W M
+ I
N
T
, tal que )
L
L ( = ) M
W M
+ I (
-1
T
-1
N
T
, es
fcil obtener recursivamente el vector que satisface el sistema triangular de
ecuaciones
w M
= L
N
T
y, consecuentemente, [38] puede escribirse de forma
simplificada como
UN ALGORITMO RPIDO PARA EVALUAR LA VEROSIMILITUD EXACTA DE MODELOS VARMAX PERIDICOS 279

-
z
~
Q z
~
+ |
Q
| log + | L | log = ) , U / Z ( l
T
t
1 -
t
T
t
N
1 = t
t
N
1 = t
2
[39]
Asimismo, si N es el nmero total de observaciones en la muestra y
Ni
es el
nmero de observaciones de la estacin i-sima, de forma que N =
Ni
s
1 = i

, el trmino
|
Q
| log
t
N
1 = t

de [39] puede calcularse como |

Q
| log
N
i i
s
1 = i

.
4.2. Modelos PVARMAX no estacionarios
Si el modelo no es estacionario y no tiene variables exgenas, el filtro [29]-[33]
debe inicializarse con 0 =
x1
y 0 =
P
-1
1
, lo que supone asociar al estado inicial una
incertidumbre infinita. En este caso, slo es posible evaluar una aproximacin a la
funcin soporte de verosimilitud, definida como el lmite de la distancia
|
P
| log - ) , U / Z ( l
1
cuando
P1
tiende a infinito, que es
w W w
- |
W
| log +
z
~
Q z
~
+ |
Q
| log
N N
1 -
N
T
N N t
1 -
t
T
t
N
1 = t
i i
s
1 = i

[40]
donde w
N
y W
N
se obtienen a partir de [34]-[36], teniendo en cuenta que
Q
=
B
t t
y
E
=
K t t
N , , 2 , 1 = t .
4.3. Modelos PVARMAX parcialmente no estacionarios
Si el modelo es parcialmente no estacionario y no contiene variables exgenas,
algunas races de

1 + j - s
s
1 = j
*
= son, en mdulo, mayores o iguales a la unidad y
otras, menores que la unidad. En esta situacin, las condiciones iniciales adecua-
das son 0 =
x1
y
P
-1
1
es una matriz finita y distinta de cero (ver De Jong y Chu-
Chun-Lin, 1994).
La posible presencia de variables exgenas en el modelo (estacionario, no es-
tacionario o parcialmente no estacionario) y su carcter determinista o estocstico
modifica las condiciones iniciales del filtro de Kalman (ver Casals y Sotoca, 1997) .
280 ESTADSTICA ESPAOLA
5. ESTRUCTURA DEL ALGORITMO Y PROPIEDADES
5.1. Caso estacionario
La evaluacin de la funcin de verosimilitud [39] para un proceso PVARMAX
estacionario puede estructurarse en los siguientes pasos:
1) Calcular la factorizacin de Cholesky de las s matrices
Q
i
, denotada por
Q
1
i
, su
determinante ( | Q
| = |
Q
|
2 1
i i
) y una matriz
Ri
tal que I =
R Q R
T
i i i
( ] Q
[ =
R
-1 1
i i
).
2) Calcular la matriz
P1
a partir de la solucin de la ecuacin de Lyapunov
Q
+ ) (
P
=
P
* T
*
1
*
1
y su factor Cholesky M.
3) Calcular las secuencias
z
~
t
,
wt
y
Wt
, a partir de las expresiones [29]-[33] y [34]-
[36], respectivamente.
4) Evaluar el vector
w M N
T
.
5) Calcular la matriz M
W M
+ I
N
T
, su factor Cholesky L y su determinante
| L | = | M
W M
+ I |
2
N
T
.
6) Usar un procedimiento de sustitucin recursiva para resolver en el sistema
triangular
w M
= L
N
T
.
7) Calcular los trminos
z
~
Q z
~
t
1 -
t t
N
1 = t

T
t
1 -
t t
N
1 = t
-
z
~
Q z
~
. Para ello no es necesario
invertir explcitamente la matriz
Q
t
, sino que conviene utilizar las inversas de los s
factores de Cholesky calculadas en el paso 1) ( s , 1,2, = i ,
Ri
).
5.2. Caso no estacionario
En el caso no estacionario, los pasos necesarios para evaluar la funcin de ve-
rosimilitud [40] son los siguientes:
1) Idntico al caso estacionario.
2) No es necesario, ya que [40] no depende de
P1
.
3) Idntico al caso estacionario.
4), 5) y 6) Se calculan los trminos |
Q
| log
N
i i
s
1 = i

y |
W
| log
N
a partir de la factoriza-
cin de Cholesky de
WN
.
UN ALGORITMO RPIDO PARA EVALUAR LA VEROSIMILITUD EXACTA DE MODELOS VARMAX PERIDICOS 281
7) Se evala el trmino
w W w
-
z
~
Q z
~
N
1 -
N
T
N t
1 -
t
T
t
N
1 = t

aprovechando nuevamente los

factores de Cholesky previamente calculados.
Consecuentemente, las diferencias fundamentales entre este caso y el caso
estacionario consisten en que no se calcula el factor Cholesky de
P1
(denotado por
M) ya que tiende a infinito. En cambio, s se evala el trmino |
W
+
P
| log
N
-1
1
y la
parte de
P1
asociada a los componentes estacionarios del sistema.
5.3. Propiedades del algoritmo
Las principales propiedades del algoritmo desarrollado en las secciones 5.1 y
5.2 son las siguientes:
1) Evita el clculo del trmino |
W
+
P
| log + |
P
| log
N
-1
1 1
que aparece en [28], usando
la descomposicin de Cholesky de la matriz P
1
. Esto mejora la estabilidad numrica
en la evaluacin de la funcin de verosimilitud.
2) Permite detectar situaciones de no estacionariedad sin necesidad de clculos
adicionales. Segn la seccin 3.3, la estacionariedad del proceso se comprueba
calculando el mdulo de los autovalores de

*
. Para ello, lo ms eficiente es
resolver la ecuacin de Lyapunov
Q
+ ) (
P
=
P
* T
*
1
*
1
mediante una descomposi-
cin Schur compleja de

*
(ver Petkov et al., 1991) lo que proporciona, como
subproducto del proceso de clculo, los autovalores de

*
.
3) Permite detectar situaciones de no invertibilidad sin necesitar clculos adiciona-
les. De acuerdo con la seccin 3.3, si el modelo es invertible la matriz

1 - t
t t t
t
)
H E
- ( = converge a cero cuando N t , siendo N el tamao
muestral, y esta secuencia se evala en la recursin [36].
4) Si
at
y
x1
son variables aleatorias normales independientes, las innovaciones
del filtro [29]-[33] se distribuyen como una normal con esperanza nula y, cuando
N t , convergen en media cuadrtica a las perturbaciones
at
(Shea, 1989, pg.
162). Por tanto estas innovaciones son instrumentos adecuados para la diagnosis
del modelo.
282 ESTADSTICA ESPAOLA
6. RESULTADOS CON DATOS SIMULADOS
En este apartado se presenta un conjunto de resultados de simulacin que ilus-
tran las propiedades del procedimiento desarrollado en el apartado 4. En el primer
ejercicio se utiliza la misma estructura PARMA
2
(1,1) que en Vecchia (1985) y Li y
Hui (1988):
a
) B + 1 ( =
z
) B
f
+ 1 (
t 1 , t t 1 , t
, con
f
=
f 1 , s + t 1 , t
,
1 , s + t 1 , t
= y

2
s + t
2
t
= , s=2 para N , , 2 , 1 = t . Por tanto, para la primera estacin se tiene
a
) B + 1 ( =
z
) B
f
+ 1 (
t , 1 1 , 1 t 1 , 1
, ) q , 0 ( IID
a
1 , 1
t , 1
, , 5 , 3 , 1 = t [41]
mientras que el modelo de la segunda estacin es
a
) B + 1 ( =
z
) B
f
+ 1 (
t , 2 1 , 2 t 1 , 2
, ) q , 0 ( IID
a
1 , 2
t , 2
, , 6 , 4 , 2 = t [42]
A partir de esta formulacin, se simulan muestras de 100 y 200 observaciones,
con 150 repeticiones para cada tamao muestral. En el Cuadro 1 se ofrece, para
cada tamao muestral, la media de las estimaciones, la raz cuadrada del error
cuadrtico medio (RMSE), la desviacin tpica muestral (DTM) y la desviacin tpica
exacta (DTE), calculada sustituyendo los valores tericos de los parmetros en la
matriz de informacin exacta (ver Terceiro, 1990). Comparando esta cifra con la
desviacin tpica muestral, se obtiene una idea de la eficiencia de la estimacin y
se puede comprobar si las desviaciones tpicas muestrales convergen a las exac-
tas, calculadas a partir de la cota de Cramer-Rao.
Tanto el RMSE como el sesgo de nuestras estimaciones son menores, y en al-
gunos casos mucho menores, que los presentados por Vecchia (1985) y prctica-
mente iguales a los de Li y Hui (1988). Por ejemplo, segn Vecchia, el RMSE del
parmetro
f1,1
con N =100 es .825, mientras que con nuestro procedimiento es
.200, ver Cuadro 1. Tambin cabe destacar cmo mejora la eficiencia del estima-
dor, medida por el RMSE, al aumentar el tamao muestral. En cuanto a la eficiencia
computacional, el nmero de flops (operaciones aritmticas de punto flotante)
usado en la estimacin del PARMA
2
(1,1) es similar al usado en la estimacin de un
ARMA(1,1) no peridico.
UN ALGORITMO RPIDO PARA EVALUAR LA VEROSIMILITUD EXACTA DE MODELOS VARMAX PERIDICOS 283
Cuadro 1
RESULTADOS DE LA ESTIMACIN DEL MODELO [41]-[42]
.8 -
=
f 1 , 1
.3 -
=
1 , 1
1.0
= q
1 , 1
.6 -
=
f 1 , 2
.5 -
=
1 , 2
1.0
= q
1 , 2
N=100 Media -0.754 -0.239 0.960 -0.649 -0.548 0.968
RMSE 0.200 0.217 0.213 0.217 0.288 0.218
DTM 0.195 0.208 0.209 0.211 0.284 0.216
DTE 0.383 0.394 0.201 0.275 0.304 0.200
N=200 Media -0.753 -0.257 0.961 -0.636 -0.538 0.990
RMSE 0.147 0.144 0.144 0.168 0.193 0.136
DTM 0.139 0.138 .138 0.164 0.190 0.136
DTE 0.269 0.277 0.142 0.194 0.214 0.141
Para validar el comportamiento del algoritmo cuando las estructuras estocsti-
cas de cada estacin son diferentes, se ha simulado el proceso:
a
) B + 1 ( =
z
)
B f
+ B
f
+ 1 (
t 1 , t t
2
2 , t 1 , t
, con s=2 y N , , 2 , 1 = t , de forma que
para la primera estacin se tiene un modelo ARMA(1,1)
a
) B + 1 ( =
z
) B
f
+ 1 (
t , 1 1 , 1 t 1 , 1
, ) q , 0 ( IID
a
1 , 1
t , 1
, , 5 , 3 , 1 = t [43]
mientras que el modelo de la segunda estacin es un AR(2)
a
=
z
)
B f
+ B
f
+ 1 (
t , 2 t
2
2 , 2 1 , 2
, ) q , 0 ( IID
a
1 , 2
t , 2
, , 6 , 4 , 2 = t [44]
En el Cuadro 2 se muestran los resultados correspondientes a la estimacin de
[43]-[44], para los mismos tamaos muestrales y el mismo nmero de repeticiones
que el ejercicio anterior. Las conclusiones son anlogas a las del caso anterior.
284 ESTADSTICA ESPAOLA
Cuadro 2
RESULTADOS DE LA ESTIMACIN DEL MODELO [43]-[44]
.5 -
=
f 1 , 1
.9 -
=
1 , 1
16.0
= q
1 , 1
.2 -
=
f 2 , 1
.7 -
=
f 2 , 2
64.0
= q
1 , 2
N=100 Media -0.555 -0.958 14.903 -0.183 -0.663 62.278
RMSE 0.158 0.174 3.408 0.094 0.096 12.509
DTM 0.168 0.184 3.580 0.095 0.103 13.036
DTE 0.138 0.154 3.256 0.088 0.093 12.714
N=200
Media -0.526 -0.932 15.581 -0.184 -0.685 64.275
RMSE 0.125 0.136 2.299 0.064 0.075 9.714
DTM 0.127 0.140 2.336 0.066 0.077 9.718
DTE 0.098 0.110 2.282 0.062 0.067 9.019
Por ltimo en el Cuadro 3 se muestran los resultados de la estimacin de un modelo
bivariante definido, siguiendo [1]-[4], como:
a
) B + I ( =
z
) B
F
+ I (
t 1 , t t 1 , t
, con s=2
y N , , 2 , 1 = t , de forma que para la primera estacin el modelo es
]
]
]
]
,
,

,
]
]
]
]
,
,

,

]
]
]
]
,
,

,
]
]
]
]
,
,

,
a
a

1 0
0
B + 1
=
y
y

B
f
+ 1
0
B
f
B
f
+ 1
t , 2
t , 1
1
11
t , 2
t , 1
1
22
1
12
1
11
,
[ ]
]
]
]
]
]
,
,
,

]
]
]
]
,
,

,

q
0
0
q
=
a a

a
a
E
1
2 2
1
1 1
t , 2 t , 1
t , 2
t , 1
, , 5 , 3 , 1 = t [45]
mientras que para la segunda estacin se tiene
]
]
]
]
,
,

,
]
]
]
]
,
,

]
]
]
]
,
,

,
]
]
]
]
,
,

,
a
a

B + 1
0
0 1
=
y
y

B
f
+ 1 B
f
0
B
f
+ 1
t , 2
t , 1
2
22
t , 2
t , 1
2
22
2
21
2
11
,
[ ]
]
]
]
]
]
,
,
,

]
]
]
]
,
,

,

q
0
0
q
=
a a

a
a
E
2
2 2
2
1 1
t , 2 t , 1
t , 2
t , 1
, , 6 , 4 , 2 = t [46]
Los resultados del Cuadro 3 muestran nuevamente que las estimaciones son
adecuadas, tanto en trminos de sesgo como de RMSE.
UN ALGORITMO RPIDO PARA EVALUAR LA VEROSIMILITUD EXACTA DE MODELOS VARMAX PERIDICOS 285
Cuadro 3
RESULTADOS DE LA ESTIMACIN DEL MODELO [45]-[46]
=
f
1
1 1
-.8
=
f
1
2 1
-.3
=
f
1
2 2
-.5
=
1
1 1
-0.4
= q
1
1 1
1.0
= q
1
2 2
.5
N= 100 Media -0.787 -0.295 -0.498 -0.371 0.923 0.490
RMSE 0.177 0.143 0 .087 0.248 0.217 0.099
DTM 0.176 0.143 0.087 0.246 0.203 0.098
DTE 0.162 0.135 0.083 0.260 0.201 0.100
N= 200 Media -0.805 -0.290 -0.499 -0.415 0.975 0.499
RMSE 0.113 0.098 0.061 0.176 0.141 0.071
DTM 0.113 0.097 0.061 0.176 0.139 0.017
DTE 0.114 0.095 0.058 0.183 0.142 0.071
N= 500 Media -0.795 -0.294 -0.499 -0.405 0.987 0.496
RMSE 0.073 0.062 0.043 0.118 0.071 0.041
DTM 0.073 0.062 0.043 0.118 0.070 0.041
DTE 0.072 0.060 0.037 0.115 .090 0.045
RESULTADOS DE LA ESTIMACIN DEL MODELO [45]-[46] (continuacin)
=
f
2
1 1
-.7
=
f
2
1 2
-.3
=
f
2
2 2
-.5
=
2
2 2
-.8
= q
2
1 1
.5
= q
2
2 2
1.0
N= 100
Media
-0.688 -0.291 -0.483 -0.791 0.483 0.953
RMSE
0.072 0.130 0.281 0.359 0.092 0.206
DTM
0.071 0.130 0.280 0.359 0.091 0.200
DTE
0.067 0.112 0.305 0.366 0.100 0.200
N= 200
Media
-0.693 -0.305 -0.494 -0.825 0.503 0.968
RMSE
0.049 0.076 0.234 0.282 0.073 0.140
DTM
0.048 0.076 0.234 0.281 0.073 0.137
DTE
0.048 0.079 0.215 0.258 0.071 0.141
N= 500
Media
-0.700 -0.306 -0.497 -0.797 0.496 0.991
RMSE
0.029 0.052 0.141 0.164 0.046 0.093
DTM
0.029 0.052 0.141 0.164 0.045 0.093
DTE
0.030 0.050 0.136 0.163 0.045 0.089
286 ESTADSTICA ESPAOLA
7. PREDICCIN DE LA DEMANDA DE EFECTIVO DE LA RED COMERCIAL
DE UNA ENTIDAD FINANCIERA
El objetivo de una entidad financiera es cubrir la demanda diaria de efectivo de
la red de oficinas del mismo. Para ello, se dispone de una muestra de demanda
agregada (
Dt
) de lunes a viernes desde Enero de 1996 hasta Marzo de 1998 en
millones de pesetas. El primer paso en el anlisis es depurar la serie de un con-
junto de irregularidades predecibles como son, por ejemplo, los das principio y fin
de mes o el viernes anterior a Navidad.
El siguiente paso ha sido modelizar la demanda usando un modelo no peridico.
Un anlisis univariante estndar sugiere representar esta variable mediante un
proceso ARIMA ) 1 , 1 , 0 )x( 0 , 0 , 1 (
5
. Los resultados de la estimacin por mxima
verosimilitud exacta de este modelo son
(0.02) (0.03)

a
)
B
0.88 - 1 ( =
D
) B 0.63 - 1 (
t
5
t 5
[47]
506.69 =

a
donde B es el operador retardo,
B
- 1 =
5
5
y el perodo estacional es 5 = s . Entre
parntesis, se ofrece la desviacin tpica de cada parmetro y

a
es la desviacin
tpica residual en millones de pesetas. Los residuos no muestran estructura dinmi-
ca adicional.
La estimacin del modelo peridico identificado para esta misma variable pro-
porciona los siguientes resultados
Lunes:

(0.09) (0.09) (0.14) (0.13) (0.08)

a
=
D
)
B
0.41 +
B
0.08 - 1 ( )
B
0.24 +
B
0.79 - B 0.15 - 1 (
t , 1 t , 1
10 5 3 2
[48]
595.99 =

1
Martes:
(0.05) (0.05)
a
)
B
0.85 - 1 ( =
D
) B 0.54 - 1 (
t , 2
5
t , 2 5
[49]
457.25 =

2
UN ALGORITMO RPIDO PARA EVALUAR LA VEROSIMILITUD EXACTA DE MODELOS VARMAX PERIDICOS 287
Mircoles:
(0.05) (0.11) (0.06) (0.08)
a
)
B
0.93 - 1 ( =
D
)
B
0.33 - 1 ( )
B
0.19 + B 0.55 - 1 (
t , 3
5
t , 3 5
5 2

[50]
405.60 =

3
Jueves:
(0.07)
a
=
D
) B 0.82 - 1 (
t , 4 t , 4
[51]
429.13 =

4
Viernes:
(0.06) (0.12) (0.10)
a
)
B
0.79 - 1 ( =
D
)
B
0.43 - B 0.51 - 1 (
t , 5
5
t , 5 5
2

[52]
463.11 =

5
Obsrvese que la estructura dinmica es distinta para cada da de la semana y
que el nico modelo que coincide con la estructura no peridica es el correspon-
diente a los martes. Asimismo las desviaciones tpicas residuales son tambin muy
dispares, siendo muy voltil la demanda de los lunes en comparacin con el resto
de los das. Los parmetros del modelo peridico son significativos a un nivel de
confianza del 95% y los residuos resultantes no rechazan la hiptesis de ruido
blanco.
La equivalencia entre los modelos no peridico y peridico se rechaza mediante
un test de razn de verosimilitudes, que toma un valor de 89.41 para 17 grados de
libertad. Esto es debido a que el valor soporte de la verosimilitud del modelo [47] es
4408.44, mientras que en el modelo [48]-[52] es 4363.73. En el Cuadro 4 se mues-
tran distintos criterios de informacin que confirman el mayor poder predictivo del
modelo peridico frente al univariante.
288 ESTADSTICA ESPAOLA
Cuadro 4
Criterio
Informacin
Modelo univa-
riante [47]
Modelo peridico
[48]-[52]
AIC 1532 1522
BIC 1534 1537
HQ 1533 1522
donde AIC denota el criterio de Akaike (1974), BIC denota el criterio bayesiano de
Schwartz (1978) y HQ el de Hannan y Quinn (1979). Ntese que slo el criterio BIC
llevara a rechazar la especificacin peridica, pero esto se debe a que es el criterio
que ms penaliza el incremento de parmetros que supone la representacin
peridica.
Puesto que el objetivo de la entidad es cubrir la demanda de efectivo, la predic-
cin puntual de la demanda es tan importante como la de la desviacin tpica del
error de prediccin. Ambos valores permiten calcular el aprovisionamiento de
efectivo que permite cubrir la demanda con un determinado nivel de confianza.
Puesto que los lunes son ms voltiles que el resto de los das, el modelo no
peridico tender a generar una infracobertura de la demanda los lunes y una
sobrecobertura el resto de los das de la semana. Concretamente, para un nivel de
confianza del 95%, la infracobertura supone aproximadamente un 10% de la de-
manda media de efectivo de los lunes.
8. CONCLUSIONES
La literatura economtrica ha mostrado un inters creciente por los modelos pe-
ridicos, debido a su utilidad para predecir series temporales estacionales. Sin
embargo, su estimacin es compleja, por el elevado nmero de parmetros que los
caracterizan y costosa en trminos de tiempo de clculo. En este trabajo se propo-
ne un procedimiento eficiente y estable numricamente para estimar modelos
VARMAX peridicos por mxima verosimilitud exacta.
Los mtodos estndar adolecen de falta de flexibilidad ya que: a) tratan de for-
ma diferenciada la estimacin de modelos univariantes y multivariantes, b) slo
contemplan el caso estacionario, c) no consideran la posible existencia de variables
exgenas en el modelo y d) cuando no todas las estaciones presentan la misma
estructura dinmica incurren en ineficiencia, ya que aumentan artificialmente la
dinmica del sistema.
UN ALGORITMO RPIDO PARA EVALUAR LA VEROSIMILITUD EXACTA DE MODELOS VARMAX PERIDICOS 289
En este trabajo se formula un proceso peridico generalizado, se deriva su re-
presentacin en espacio de los estados de dimensin mnima y se propone un
algoritmo rpido y estable para calcular su funcin de verosimilitud exacta. Estas
aportaciones configuran un proceso de modelizacin y clculo que, frente a los
existentes en la literatura, presenta ventajas en trminos de flexibilidad de la repre-
sentacin, eficiencia computacional, estabilidad numrica y capacidad para aplicar
resultados conocidos en el contexto de modelos en espacio de los estados.
En cuanto al primer aspecto (flexibilidad de la representacin), se parte de la
definicin de una familia generalizada de procesos estocsticos peridicos (PVAR-
MAX). Esta representacin incluye los casos univariante y multivariante, cuando lo
habitual en la literatura es tratar ambas situaciones de forma diferenciada.
El segundo aspecto, eficiencia y estabilidad numrica, se consigue combinando
a) una representacin del proceso PVARMAX como un modelo en espacio de los
estados de dimensin mnima en forma steady-state innovations y b) un algoritmo
estable para calcular la funcin de verosimilitud exacta, que aprovecha las propie-
dades de convergencia del filtro de Kalman cuando se aplica a modelos en forma
steady-state innovations. As, se consigue que el nmero de operaciones usado en
la estimacin de un PARMAX
s
(p
i
,q
i
,g
i
), donde p = p
i
, q = q
i
, g = g
i
, ( s 1,2,..., = i ), s
es el nmero de estaciones consideradas y g el nmero de variables exgenas, no
difiera sustancialmente del correspondiente a la estimacin de una estructura
ARMAX
s
(p,q,g) univariante.
En cuanto al tercer y ltimo aspecto, capacidad para aplicar resultados conoci-
dos, el uso de una representacin en espacio de los estados facilita a) el trata-
miento de modelos estacionarios o no estacionarios, con variables explicativas
estocsticas y/o deterministas (Casals y Sotoca, 1997), b) la deteccin de situacio-
nes de no estacionariedad y no invertibilidad sin necesidad de clculos adicionales
y c) el clculo de la matriz de informacin analtica y, por tanto, de los segundos
momentos de las estimaciones (Terceiro, 1990).
290 ESTADSTICA ESPAOLA
REFERENCIAS
ADAMS, G.J. y GOODWIN, G.C. (1995): Parameter Estimation for Periodic ARMA
Models. Journal of Time Series Analysis, 16, 2, 127-145.
ANDERSON, B.D.O. y MOORE, J.B. (1979): Optimal Filtering. Prentice Hall, En-
glewood Cliffs (Nueva Jersey).
BENTARZI, M. y HALLIN, M. (1994): On the Invertibility of Periodic Moving-Average
Models. Journal of Time Series Analysis, 15, 3, 263-268.
BOSHNAKOV, G.N. (1996): Recursive Computation of the Parameters of Periodic
Autoregressive Moving-Average Processes. Journal of Time Series Analysis,
17, 4, 333-349.
BOSWIJK, P. y FRANSES, P.H. (1995): Unit roots in Periodic Autorregressions.
Journal of Time Series Analysis, 17, 3, 221-245.
CASALS, J. y SOTOCA, S. (1997): Exact Initial Conditions for Maximum Likelihood
Estimation of State Space Models with Stochastic Inputs. Economics Letters,
57, 3, 261-267.
DE JONG, P. (1988): The Likelihood for a State Space Model. Biometrika, 75, 1,
165-169.
DE JONG, P. y CHU-CHUN-LIN, S. (1994): Stationary and Non-Stationary State
Space Models. Journal of Time Series Analysis, 15, 2, 151-166.
FRANSES, P.H. y PAAP, R. (1994): Model Selection in Periodic Autorregressions.
Oxford Bulletin of Economics and Statistics, 56, 4, 421-439.
GARDNER, G., HARVEY, A.C. y PHILLIPS, G.D.A. (1980): Algorithm 154. An Algorithm
for Exact Maximum-Likelihood Estimation of Autoregressive-Moving Average
Models by Means of Kalman Filtering. Applied Statistics, 29, 311-317.
HANNAN, E.J. y KAVALIERIS, L. (1984): Multivariate Linear Time Series Models.
Advances in Applied Probability, 16, 492-561.
HANNAN, E.J. y RISSANEN, J. (1982): Recursive Estimation of Mixed Autoregressi-
ve-Moving Average Model. Biometrika, 69, 81-94.
LTKEPOHL, H. (1993): Introduction to Multiple Time Series Analysis. Springer-
Verlag, Berlin.
LI, W.K. y HUI, Y.V. (1988): An Algorithm for the Exact Likelihood of Periodic
Autorregressive Moving Average Models. Commun. Statisti.-Simula., 17, 4,
1483-1494.
UN ALGORITMO RPIDO PARA EVALUAR LA VEROSIMILITUD EXACTA DE MODELOS VARMAX PERIDICOS 291
MCLEOD, A.L. (1975): Derivation of the Theoretical Autocovariance Function of
Autorregresive-Moving Average Time Series. Applied Statistics, 24, 255-256.
NOAKES, D.J., MCLEOD, A.L. y HIPEL, K. (1985): Forecasting Monthly Riverflow
Time Series. International Journal of Forecasting, 1, 179-190.
PETKOV, P.Hr., CHRISTOV, N.D. y KONSTANTINOV, M.M. (1991): Computational
Methods for Linear Control Systems. Prentice-Hall, Englewood Cliffs (New Jer-
sey).
SHEA, B.L. (1989): Algorithm AS 242. The Exact Likelihood of a Vector Autore-
gressive-Moving Average Model. Applied Statistics, 38, 161-204.
TERCEIRO, J. (1990): Estimation of Dynamic Econometric Models with Errors in
Variables. Springer-Verlag, Heidelberg.
VECCHIA, A.V. (1985): Maximum Likelihood Estimation for Periodic Autoregressive
Moving Average Models. Technometrics, 27, 4, 375-384.
A FAST ALGORITHM TO COMPUTE THE EXACT LIKELIHOOD OF
PERIODIC VARMAX PROCESSES
SUMMARY
In this work we derive a fast algorithm to compute the exact like-
lihood of periodic VARMAX processes. Its computational efficiency
and numerical stability are achieved by combining a) a minimal dimen-
sion state-space model in steady-state innovations form with b) a
computational procedure that takes advantage of the properties of this
representation. The algorithm can be applied to stationary and nonsta-
tionary models and makes easy the calculation of the analytical se-
cond-order moments of the estimates. Simulation results and an
example with real data illustrate its good behavior.
Key words: periodic VARMAX models, exact maximum likelihood,
Kalman filter, state-space models.
AMS Classification: 62M10