Análisis de series de tiempo Quinta clase. Modelos ARMA Son combinaciones de lo anterior; para un...
-
Upload
santiago-salas-ruiz -
Category
Documents
-
view
217 -
download
0
Transcript of Análisis de series de tiempo Quinta clase. Modelos ARMA Son combinaciones de lo anterior; para un...
UNIVERSIDAD
SIMON BOLIVAR
Análisis de series de tiempo
Quinta clase
UNIVERSIDAD
SIMON BOLIVAR
Modelos ARMA
• Son combinaciones de lo anterior; para un proceso estacionario con media cero
0
0
)()(
q
p
tt wBxB
)1( 1
11111
p
qtqtttptt wwwxxx
distinta de cero
UNIVERSIDAD
SIMON BOLIVAR
Identificación de modelos
UNIVERSIDAD
SIMON BOLIVAR
Predicción (Conceptos Básicos)
• Se busca pronosticar los valores de la serie {xt} (ojo, puede ser multivariada) para los tiempos T+1, ..., T+H conociendo la historia del proceso hasta el tiempo T.
• H es el horizonte de predicción
es el pronóstico.
• Teorema: La esperanza condicional de xT+h dado el pasado es un estimador insesgado de xT+h , y no hay otro predictor que condicional en el pasado tenga variancia mas pequeña. Esta variancia es el MSFE (mean-square forecast error)
• Obsérvese que el MSFE es UN criterio para escoger un pronóstico, no es el único!.
)hasta nInformació(~ Tfx hhT
UNIVERSIDAD
SIMON BOLIVAR
Predicción
• Estamos usando filtros lineales, asi que parace natural buscar la predicción basada en combinaciones lineales
• Caso AR es facil: ARMA no tanto!
1;
),,|(
predicción deia la variancMinimizar
00
1
xxx
xxxExn
kkk
nmn
nmnn
mn
UNIVERSIDAD
SIMON BOLIVAR
Error de predicción
m
jjwmnmn
nmn
mjjmnjmn
xxEP
wx
0
222)~(
~
En R se puede usar la función genérica “predict” para hacer las prediccionesy los errores de predicción
Predicción a largo plazo: va a la media ! con error constante
Ver ejemplo del GNP en R
UNIVERSIDAD
SIMON BOLIVAR
ARIMA y SARIMA
• Series integradas: – Se llaman asi por qué son las derivadas las que se comportan como
serie estacionaria
– No trabajar con la serie original sino con la serie de los incrementos de algún orden:
– Ejemplo con la serie de glacial
• SARIMA– Season = (estación)
ts
qts
P wBxB )()(
UNIVERSIDAD
SIMON BOLIVAR
Análisis espectral
Time
c
0 100 200 300 400 500
-20
12
Time
c +
w
0 100 200 300 400 500
-40
24
Time
c +
5 *
w
0 100 200 300 400 500
-10
010
• Las series presentan ‘regularidades’ que pueden interpretarse como solapamiento de ‘ondas’ periodicas.
• La idea del análisis espectral es transformar la serie al dominio de la frecuencia
• Ciclo: Un período completo de una onda sinusoidal
• Ciclos por observación es la convención que usa el libro
UNIVERSIDAD
SIMON BOLIVAR
Análisis espectral
)2sin()2cos( 21 tUtUx kkkkt
• Suponiendo las variables independientes)2sin()2cos(
)2cos(
21 tUtU
tAxt
Ui ~ N(0,) A2 ~ 2
medida en ciclos por unidad de tiempo o en ciclos por punto temporal en el caso discreto.
o Para series medidas en tiempos discretosse requiere de al menos dos puntos para obtener un ciclo, por lo que la frecuencia
másalta será 0.5 ciclos por punto.
)2cos()( 2 hh kk
UNIVERSIDAD
SIMON BOLIVAR
Superposición de sinusoidales con diferente frecuencias. ... agréguese ruido ...
freq=6/100, amp^2=13
Time
x1
0 20 40 60 80 100
-15
-55
15
freq=10/100, amp^2=41
Time
x2
0 20 40 60 80 100
-15
-55
15
freq=40/100, amp^2=85
Time
x3
0 20 40 60 80 100
-15
-55
15
sum
Time
x
0 20 40 60 80 100
-15
-55
15
UNIVERSIDAD
SIMON BOLIVAR
Periodograma
)/(ˆ)/(ˆ)/(
Energia""
)/2sin(2
)/(ˆ
)/2cos(2
)/(ˆ
donde
)/2sin()/(ˆ)/2cos()/(ˆ
22
21
12
11
2
2/
01
njnjnjP
ntjxn
nj
ntjxn
nj
ntjnjntjnjx
n
tt
n
tt
n
jt
Regresión de x sobre todas las sinusoidales con ciclos por punto, menores que 0.5
El periodograma puede ser visto como una medida de la correlación de los datos con sinusoidales oscilando a frecuencias j/n.
UNIVERSIDAD
SIMON BOLIVAR
Señal vs Señal y ruido
0.0 0.1 0.2 0.3 0.4 0.5
020
4060
80
frequency
perio
dogr
am
0.0 0.1 0.2 0.3 0.4 0.50
2040
6080
frequency
perio
dogr
am
UNIVERSIDAD
SIMON BOLIVAR
Densidad espectral
)2sin()2cos(
)2cos(
21 tUtU
tAxt
0
02
0
20
2/1
2/1
2
22
02
2
0
)(
)(
)(2
)2cos()(
0
U
U
hi
hiU
U
F
dFe
e
hh
Para cualquier proceso estacionariose tiene una representación de lafunción de autocovariancia
2/1
2/1
2 )()( dFeh hi
F Función de distribución espectral
UNIVERSIDAD
SIMON BOLIVAR
Densidad espectral
hi
hi
ehf
dfeh
f
h
2
2/1
2/1
2
)()(
:aún Más
)()(
funciónuna existe
sumable nteabsolutame es )( general
términode seriela Si
f se le llama densidad espectral ; Ojo: Ver variancia del proceso como la integral de la densidad espectral sobre todas las frecuencias
UNIVERSIDAD
SIMON BOLIVAR
Ejemplos
• Ruido blanco– Potencia uniforme sobre todas las frecuencias
• Promedio móvil de ruido
• ARMA
UNIVERSIDAD
SIMON BOLIVAR
Estimación del periodograma
• Periodograma y la transformada de Fourier discreta
22
:
2
1
22/1
)()(2
con
)()()(
/;)(
ónDistribuci
j
nj
j
jj
j
n
t
titj
fI
fdI
njexnd j
En R esta implementada la función spec.pgram
El periodograma crudo noes un estimador consistente
Usualmente se suaviza (se promedia sobre valores adyacentes) y en ese caso ladistribucion asintótica eschi-cuadrado con más gradosde libertad...(menos incertidumbre)