Descomposición series de tiempo
-
Upload
armando-saavedra -
Category
Documents
-
view
229 -
download
0
Transcript of Descomposición series de tiempo
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 1/55
Curso de Econometría de Series de Tiempo
Facultad de Economía
Universidad Nacional Autónoma de México
Profesor: Juan Francisco Islas
Adjunto: Miguel Heras
Ciudad Universitaria, Agosto 2012
Descomposición de
Series de Tiempo
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 2/55
Princ ipios de Descomposic ión de Series de Tiempo
Componentes de separación
Tendencia-Ciclo: Representa los cambios de largo plazoen el nivel de la serie de tiempo.
Estacionalidad: Caracteriza fluctuaciones periódicas de
longitud constante causadas por factores tales comotemperatura, estación del año, periodo vacacional,políticas, etc.
datos=patrón+error( )erroridad,estacionalciclo,-tendencia f =
( )t t t t
E T S f Y ,,=
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 3/55
Princ ipios de Descomposic ión de Series de Tiempo
Descomposición Aditiva
t t t t E T S Y ++=
Descomposición Multiplicativat t t t E T S Y ××=
Transformación logarítmica
t t t t E T S Y loglogloglog ++=Descomposición Pseudo -Aditiva
( )1−+=
t t t t E S T Y
t t t t E T S Y +=−Ajuste estacional
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 4/55
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 5/55
( )
( )
( )
( )
( )
( )
( )
( )T T T T
T T T T T
T T T T T T
T T T T T T
MA
t t
Y Y Y Y T
Y Y Y Y Y T
Y Y Y Y Y Y T
Y Y Y Y Y Y T
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y
Y Y Y Y
Y Y t
++
+++−
++++−
++++−
++++
++++
+++
++
−−
−−−−
−−−−−
−−−−−−
12
1231
12342
123453
654324
543213
43212
3211
5
3
14
11
5
1
2
5
13
5
14
5
13
4
12
3
11
MMM
Promedios Móviles Simples: 5MA
Serie 5MA
( )21125
51 ++−− ++++= t t t t t
MAt Y Y Y Y Y Y
2,...,3 −= T t para
( )2,1,2window
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 6/55
Prom ed ios Móviles Simp les: Generalizac ión MA orden impar
En general, para cualquier impar
⎟⎟ ⎠
⎞⎜⎜⎝
⎛ ++= −
+−
−2
1
2
11 jt
jt
j MAt Y Y
jY L
21,,1
21 −−+−= jT jt Lpara
3≥ j
y ajuste para las primeras observaciones y
últimas.
2
1− j
2
1− j
⎟
⎠
⎞⎜
⎝
⎛ −−
2
1,1,
2
1window
j j
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 7/55
0
2 0 0
4 0 0
6
0 0
8 0
0
T o t a l s
a l e s ( l i t e r s )
0 10 20 30 40
Month
Ejemplos
shampoo.csvSerie original
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 8/55
0
2 0 0
4 0 0
6
0 0
8 0 0
T o t a
l s a l e s ( l i t e r s )
0 10 20 30 40Month
Total sales (liters) m a: x(t)= liters: window(1 1 1)
3 MA smoother
Ejemplos
( )113
1+− ++= t t t t Y Y Y T
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 9/55
Suavizamiento med iante Prom ed ios Móviles Simp les
Ajuste en los puntos extremos de la serie 3MA
( )211 2
1Y Y Y
Aj +=
( )T T
Aj
T Y Y Y += −12
1
M
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 10/55
0
2 0 0
4 0 0
6 0
0
8 0 0
T o t a l s
a l e s ( l i t e r s )
0 10 20 30 40Month
Total sales (liters) ma: x(t)= liters: window(2 1 2)
5 MA smoother
Ejemplos
( )21125
1++−− ++++= t t t t t t Y Y Y Y Y T
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 11/55
Suavizamiento med iante Prom ed ios Móviles Simp les
Ajuste en los puntos extremos de la serie 5MA
( )432124
1Y Y Y Y Y
Aj +++=
( )T T T T AjT Y Y Y Y Y +++= −−−− 1231
41
( )3211 3
1Y Y Y Y
Aj ++=
( )T T T
Aj
T Y Y Y Y ++= −− 12
3
1
M
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 12/55
( )
( )
( )
( )
( )
T T
T T T
T T T
MA
t t
Y Y T
Y Y Y T
Y Y Y T
Y Y Y
Y Y Y
Y Y Y
Y Y t
+−
+−
+
+
+
−−
−−−
11
122
433
322
211
2
2
11
212
2
13
2
12
2
11
MMM
Promedios Móviles Simp les. Generalizac ión 2MA
Serie 2MA
( )
( )
( )( )
( )T T T
T T T
T T T
MA
t t
Y Y Y T
Y Y Y T
Y Y Y T
Y Y Y
Y Y Y
Y Y
Y Y t
+
+−
+−
+
+
−
−−−
−−−
1
121
232
323
212
11
2
2
12
11
2
12
2
13
212
1
MMM
( )12
21
++= t t
MA
t Y Y Y
1,,1 −= T t Lparay ajuste de la últimaobservación.
pivote izquierdo pivote derecho
( )t t
MA
t Y Y Y += −12
21
T t ,,2L=paray ajuste de la primeraobservación.
( )1,1,0window ( )0,1,1window
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 13/55
Promedios Móviles Simp les. Generalizac ión 4MA
Serie 4MA
( )211
4
4
1++− +++= t t t t
MA
t Y Y Y Y Y
2,,2 −= T t Lparay ajuste de la primera yúltimas dos observaciones.
1,,3 −= T t Lpara
( )112
4
4
1+−− +++= t t t t
MA
t Y Y Y Y Y
y ajuste de las primerasdos y última observaciones.
( )
( )
( )
( )
( )
( )T T T
T T T T
T T T T T
MA
t t
Y Y Y T
Y Y Y Y T
Y Y Y Y Y T
Y Y Y Y Y
Y Y Y Y Y
Y Y Y Y
Y Y t
+
++−
+++−
+++
+++
++
−
−−−
−−−−
1
121
1232
54323
43212
3211
4
2
13
11
412
4
13
4
12
3
11
MMM
( )
( )
( )
( )
( )
( )T T T T
T T T T T
T T T T T
MA
t t
Y Y Y Y T
Y Y Y Y Y T
Y Y Y Y Y T
Y Y Y Y Y
Y Y Y Y
Y Y Y
Y Y t
++
+++−
+++−
+++
++
+
−−
−−−−
−−−−−
12
1231
12342
43213
3212
211
4
3
14
11
412
4
13
3
12
2
11
MMM
pivote izquierdo pivote derecho
( )2,1,1window ( )1,1,2window
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 14/55
En general, para cualquier par ypivote izquierdo
⎟⎟
⎠
⎞⎜⎜
⎝
⎛ ++=
++−2
12
1 j
t j
t
j MA
t Y Y
j
Y L
2,,
2
jT
jt −= Lpara
2≥ j
y ajuste para las primeras observaciones y
últimas.
12− j 2
j
Prom ed ios Móviles Simp les: Generalizac ión MA orden par
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 15/55
En general, para cualquier par ypivote derecho
⎟⎟
⎠
⎞⎜⎜
⎝
⎛ ++=
−+− 122
1 j
t j
t
j MA
t Y Y
j
Y L
12
,,12
+−+=j
T j
t Lpara
2≥ j
y ajuste para las primeras observaciones y
últimas.
2 j 1
2 − j
Prom ed ios Móviles Simp les: Generalizac ión MA orden par
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 16/55
0
2 0 0
4 0 0
6 0
0
8 0 0
T o t a l s
a l e s
( l i t e r s )
0 10 20 30 40Month
Total sales (liters) ma: x(t)= liters: window(1 1 2)
4 MA smoother
( )2114
1++− +++= t t t t t Y Y Y Y T
Ejemplos
Se aplicó 4MA con pivote izquierdo a la serie Y
Se ajusta la primera y las dos últimas observaciones de la
serie 4 MA.
( )T T T
Aj
T Y Y Y Y ++= −−− 121
3
1
( )T T AjT Y Y Y += −1
21
( )32113
1Y Y Y Y Aj ++=
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 17/55
0
2 0 0
4 0 0
6 0
0
8 0 0
T o t a l s
a l e s
( l i t e r s )
0 10 20 30 40Month
Total sales (liters) ma: x(t)= ma4: window(1 1 0)
2x4 MA smoother
Prom ed ios Móviles Compuestos (Caso de Centrados 2xj MA)
Se aplicó 2MA con pivote derecho a la serie 4MA4
11
MA AjY Y =Se ajusta la primera observación de la serie 2x4 MA:
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 18/55
2 0
4 0
6 0
8 0
1 0 0
T o
t a l s a l e s
1975m1 1980m1 1985m1 1990m1 1995m1Month
Monthly sales of new-one family sold in the USA since 1973
hsales.csvserie original
Descomposic ión de una Serie de Tiempo
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 19/55
2 0
4 0
6 0
8
0
1 0 0
T o t a l s a l e s
1975m1 1980m1 1985m1 1990m1 1995m1Month
hsales ma: x(t)= hsales: window (3 1 3)
7 MA smoother
Suavizamiento med iante Prom ed ios Móviles
( )3211237
1+++−−− ++++++= t t t t t t t t Y Y Y Y Y Y Y T
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 20/55
Suavizamiento med iante Prom ed ios Móviles
Ajuste en los puntos extremos de la serie 7MA
( )5432125
1
Y Y Y Y Y Y Aj
++++=
( )432114
1Y Y Y Y Y
Aj +++=
M
( )65432136
1Y Y Y Y Y Y Y
Aj +++++=
( )T T T T
Aj
T Y Y Y Y Y +++= −−− 1234
1
( )T T T T T
Aj
T Y Y Y Y Y Y ++++= −−−−− 1234151
( )T T T T T T
Aj
T Y Y Y Y Y Y Y +++++= −−−−−− 1234526
1
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 21/55
2 0
4 0
6 0
8 0
1 0 0
T o t a l s a l e s
1975m1 1980m1 1985m1 1990m1 1995m1Month
hsales ma: x(t)= hsales: window(6 1 5)
12 MA smoother (uncentered)
Promed ios Móviles Simp les (Caso p ar con p ivote derec ho)
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 22/55
Suavizamiento med iante Prom ed ios Móviles
Ajuste en los extremos de la serie 12MA con pivote derecho
M
∑=
=6
1
16
1
t
t
AjY Y ∑
=
=7
1
27
1
t
t
AjY Y ∑
=
=8
1
38
1
t
t
AjY Y
∑=
=9
1
49
1
t
t
AjY Y ∑
=
=10
1
510
1
t
t
AjY Y ∑
=
=11
1
611
1
t
t
AjY Y
∑−=
− =T
T t
t
Aj
T Y Y 10
411
1∑
−=− =
T
T t
t
Aj
T Y Y 9
310
1∑
−=− =
T
T t
t
Aj
T Y Y 8
29
1
∑−=
− =T
T t
t
Aj
T Y Y 7
18
1∑
−=
=T
T t
t
Aj
T Y Y 67
1
( )5,1,6window
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 23/55
2 0
4 0
6 0
8 0
1 0 0
T o t a l s a l e s
1975m1 1980m1 1985m1 1990m1 1995m1Month
hsales ma: x(t )= ma12: window(1 1 0)
Centered 12 MA smoother
Prom ed ios Móviles Compuestos (Caso de Centrados 2xj MA)
12
11
MA AjY Y =
Ajuste MA2 por pivote derecho a la serie MA12:
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 24/55
Código en STATA
* Suavizamiento mediante Promedios Móviles Simples 3MA y 5MAinsheet liters using "c:\mwhdata\shampoo.csv", cleargen month=.for num 1 13 25:replace month=1 in Xfor num 2 14 26:replace month=2 in Xfor num 3 15 27:replace month=3 in Xfor num 4 16 28:replace month=4 in Xfor num 5 17 29:replace month=5 in X
for num 6 18 30:replace month=6 in Xfor num 7 19 31:replace month=7 in X
for num 8 20 32:replace month=8 in Xfor num 9 21 33:replace month=9 in Xfor num 10 22 34:replace month=10 in Xfor num 11 23 35:replace month=11 in Xfor num 12 24 36:replace month=12 in X
label define month 1 "Jan" 2 "Feb" 3 "Mar" 4 "Apr" 5 "May" 6 "Jun" 7 "Jul" 8 "Aug" 9 "Sep" 10"Oct" 11 "Nov" 12 "Dec"label values month monthlabel var liters "Total sales (liters)"gen year=.replace year=1 in 1/12replace year=2 in 13/24replace year=3 in 25/36
gen t=_nlabel var t "Month"line liters t, saving("c:\mwhdata\shampoo.gph", replace)tsset ttssmooth ma ma3=liters, window(1 1 1)
listgraph twoway (line liters t) (line ma3 t), title("3 MA smoother") ytitle("Total sales
(liters)") saving("c:\mwhdata\shampooMA3.gph", replace)
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 25/55
Código en STATA
* Suavizamiento mediante Promedios Móviles 3MA y 5MA (continuación)
tssmooth ma ma5=liters, window(2 1 2)
graph twoway (line liters t) (line ma5 t), title("5 MA smoother") ytitle("Total
sales (liters)") saving("c:\mwhdata\shampooMA5.gph", replace)
* Promedios Móviles centrados
* Construcción de la Serie 2x4 MA* Se genera la serie MA4
tssmooth ma ma4=liters, window(1 1 2)
graph twoway (line liters t) (line ma4 t), title("4 MA smoother") ytitle("Total
sales (liters)") saving("c:\mwhdata\shampooMA4.gph", replace)
* Se aplican promedios móviles MA2 a la serie MA4 obtenida
tssmooth ma ma2ma4=ma4, window(1 1 0)graph twoway (line liters t) (line ma2ma4 t), title("2x4 MA smoother")
ytitle("Total sales (liters)") saving("c:\mwhdata\shampoo2x4MA.gph", replace)
list
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 26/55
Código en STATA
* 7 MA smoother for Housing sales datainsheet hsales using "c:\mwhdata\hsales.csv", clear
gen t=.
replace t=ym(1973,1) in 1
for num 2/275: replace t=t[X-1]+1 in X
format t %tm
label var t "Month"
tsset tgraph twoway (line hsales t, lcolor(blue)), title("Monthly sales of new-one family
sold in the USA since 1973") ytitle("Total sales")
saving("c:\mwhdata\hsales.gph",replace)
tssmooth ma ma7=hsales, window(3 1 3)
graph twoway (line hsales t, lcolor(yellow)) (line ma7 t, lcolor(black)), title("7
MA smoother") ytitle("Total sales") saving("c:\mwhdata\hsales7MA.gph",replace)
* 2x12 MA smoother for Housing sales data
* Serie de Promedios Móviles Centrados 2x12 MA
* Se genera la serie MA12
tssmooth ma ma12=hsales, window(6 1 5)
graph twoway (line hsales t, lcolor(yellow)) (line ma12 t, lcolor(black)), title("12
MA smoother (uncentered)") ytitle("Total sales")
saving("c:\mwhdata\hsales12MA.gph",replace)
* Se aplican promedios móviles MA2 a la serie MA12 obtenida
tssmooth ma ma2ma12=ma12, window(1 1 0)
graph twoway (line hsales t, lcolor(yellow)) (line ma2ma12 t, lcolor(black)),
title("Centered 12 MA smoother") ytitle("Total sales")
saving("c:\mwhdata\hsales2x12MA.gph",replace)list
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 27/55
⎟
⎠
⎞⎜
⎝
⎛ =⎟
⎠
⎞⎜
⎝
⎛ ++++++++ 54321543432321
9
1,
9
2,
3
1,
9
2,
9
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1Y Y Y Y Y Y Y Y Y Y Y Y Y Y
Promedios Móviles Ponderados
Fuente: http://www.robjhyndman.com/papers/movingaverage.pdf
Cualquier combinación de promedios móviles simples puede ser utilizada paraformar un promedio móvil doble (o compuesto) y al modificarse los ponderadoresse obtiene una serie de promedios móviles ponderados.Por ejemplo, MA 3x3 es equivalente a MA 5 con ponderadores:
Algunas funciones de ponderación en promedios móviles:
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 28/55
Promedios Móviles Ponderados. Ejem plo MA 19
En general, un promedio móvil ponderado tiene la forma:
∑−=
+=m
m j jt j
wMA
t
Y aY
Por ejemplo, se obtiene un promedio móvil MA 19 ponderado bajo lafunción cuártica:
( )
⎪⎪⎩
⎪⎪⎨
⎧<<−⎟⎟
⎠ ⎞⎜⎜
⎝ ⎛ ⎟
⎠ ⎞⎜
⎝ ⎛ −
=
casootroen0
para1,
22
m jmm j
m jQ
Normalizando, el ponderador para la j -ésima observación es:( )
( )∑−=
=m
mi
j
miQ
m jQa
,
,
con ∑−=
=m
m j
ja 1
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 29/55
0
2 0 0
4 0 0
6 0 0
8 0 0
l i t e r s
0 10 20 30 40t
0
2 0 0
4 0 0
6 0 0
8 0 0
0 10 20 30 40t
liters ma19w
0
2 0 0
4 0 0
6 0 0
8 0 0
T o t a l s a l e s ( l i t e r s )
0 10 20 30 40Month
liters ma19w
Weighted MA19 smoother
0
2 0 0
4 0 0
6 0 0
8 0 0
0 10 20 30 40t
liters ma19w
Promedios Móviles Ponderados. Ejem plo MA 19
shampoo.csv
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 30/55
0
. 0 2
. 0 4
. 0 6
. 0 8
. 1
P o n d e
r a d o r
-10 -5 0 5 10Término
Función de Ponderadores MA 19 bajo función cuártica
0
. 0 5
. 1
. 1 5
. 2
P o n d e r a d o r
-10 -8 -6 -4 -2 0Término
Función de Ponderadores para la Observación 36
Func ión de Ponderadores. Ejem plo MA 19
Función de Ponderadores,
bajo la función cuártica,para el ajuste (MA 10) dela Observación 36 de laserie MA 19
Función dePonderadores,
bajo la funcióncuártica, paralas
observaciones10 a 27 de laserie MA 19
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 31/55
Suavizamiento por Regresión Local
1
23
4
5 6
7 89
10
11
1213
14
15
16
17
18
19
2021
22
23
2425
26
27
2829
30
31
32
33
34
35
36
0
2 0 0
4
0 0
6 0 0
8 0 0
0 10 20 30 40t
liters Fitted valuesFitted values
Se estima la tendencia-ciclo en el periodobt aT t +=
donde y son los estimadores de Mínimos Cuadrados Ponderados talesque resuelven el problema de
t a b( )( )∑
−=+ +−−
m
m j
jt jba
jt baY a2
,min
Para cada periodo, mediante regresiónlocal se obtiene un punto estimado detendencia-ciclo, y los correspondientes
ajustes para los extremos.
La trayectoria de tendencia-ciclo resultantese obtiene al enlazar los puntos estimadosen las regresiones locales a cada periodo .
t
Se define una funciónde ponderadores. Paraeste ejemplo, los quese derivan de lafunción cuártica antesvista.
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 32/55
Descomposición Clásica
Descomposición Aditiva
Paso 1: Estimación de tendencia-ciclo. Mediante promedio
móvil centrado MA 12.
Considerando los datos de la base hsales.csv
2 0
4 0
6 0
8
0
1 0 0
T o t a l s a l e s
1975m1 1980m1 1985m1 1990m1 1995m1Month
hsales ma: x(t )= ma12: window(1 1 0)
Centered 12 MA smoother
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 33/55
Descomposición Clásica
Descomposición AditivaPaso 2: Eliminación de Tendencia. Al restar el componentetendencia-ciclo de los datos originales, quedando los términos deestacionalidad e irregularidad.
t t t t E S T Y +=−
- 2 0
0
2 0
4 0
6 0
8 0
T o t a l s a l e s
1975m1 1980m1 1985m1 1990m1 1995m1Month
hsales ma: x(t)= ma12: window(1 1 0)
detrend
original, trend-cycle & de-trended housing sales series
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 34/55
Descomposición Clásica
Descomposición AditivaPaso 3: Índice estacional. Una vez removido el componentetendencia-ciclo, bajo la descomposición aditiva se asume que elcomponente estacional es constante año con año. De acuerdo al
conjunto de datos considerado se requiere calcular un valor paracada mes.
El índice estacional se construye promediando las observaciones sintendencia correspondientes a cada mes para todos los años
observados.
- 1 5
- 1 0
- 5
0
5
1 0
s e a s o n
1975m1 1980m1 1985m1 1990m1 1995m1Month
Estacionalidad
- 1 5
- 1 0
- 5
0
5
1 0
( m e a n ) d e t r e n d
1 2 3 4 5 6 7 8 9 10 11 12month
Índice Estacional
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 35/55
Descomposición Clásica
Descomposición AditivaPaso 4: Serie de Irregularidad. Se obtiene a partir de:
t t t t T S Y E −−=
- 2 0
- 1 0
0
1 0
2 0
i r r e g
1975m1 1980m1 1985m1 1990m1 1995m1Month
Irregularidad
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 36/55
2 0
4 0
6 0
8 0
1 0 0
h s a l e s
1 9 7 5 m 1 1 9 8 0 m 1 1 9 8 5 m 1 1 9 9 0 m 1 1 9 9 5 m 1M o n t h
S e r i e o r i g i n a l
Resumen gráfico de la Descomposición Aditiva
- 2 0
- 1 0
0
1 0
2 0
i r r e g
1 9 7 5 m 1 1 9 8 0 m 1 1 9 8 5 m 1 1 9 9 0 m 1 1 9 9 5 m 1M o n t h
I r r e g u l a r i d a d
- 1 5
- 1 0
- 5
0
5
1
0
s e a s o n
1 9 7 5 m 1 1 9 8 0 m 1 1 9 8 5 m 1 1 9 9 0 m 1 1 9 9 5 m 1M o n t h
E s t a c i o n a l i d a d
3 0
4 0
5 0
6 0
7 0
m a : x ( t ) = m a 1 2 : w i n d o w ( 1 1 0 )
1 9 7 5 m 1 1 9 8 0 m 1 1 9 8 5 m 1 1 9 9 0 m 1 1 9 9 5 m 1M o n t h
T e n d e n c i a - C i c l o
t t t t E S T Y ++=
t T
t S
t E
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 37/55
Descomposición Clásica
Descomposición Multiplicativa
Paso 1: Estimación de tendencia-ciclo. Mediante promedio
móvil centrado MA 12.
Considerando los datos de la base airline.csv
1 0 0
2 0 0
3 0 0
4 0 0
P a s s e n g e r s ( t h o u s a n d s )
1949m1 1950m7 1952m1 1953m7 1955m1 1956m7Month
passengers ma: x(t)= ma12: window(0 1 1)
Centered 12 MA smoother
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 38/55
Descomposición Clásica
Descomposición MultiplicativaPaso 2: Cálculo de la razón porcentual datos a promediomóvil.
t t
t
t t t
t
t
t E S T
E T S
T
Y R ===
1 0 0
2 0 0
3 0
0
4 0 0
P a s s e n g e r s ( t h o u s
a n d s )
1949m1 1950m7 1952m1 1953m7 1955m1 1956m7Month
passengers ma: x(t)= ma12: window(0 1 1)
ratio
original, trend-cycle & detrended passenger travel series
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 39/55
Descomposición Clásica
Descomposición Multiplicativa
8 0
9 0
1 0 0
1 1 0
1 2 0
s e a s o n
1949m1 1950m7 1952m1 1953m7 1955m1 1956m7Month
Estacionalidad
Paso 3: Índice estacional. Una vez removido el componentetendencia-ciclo, bajo la descomposición multiplicativa se asume que elcomponente estacional es constante año con año. De acuerdo alconjunto de datos considerado se requiere calcular un valor para cadames.
El índice estacional se construye promediando las observaciones sintendencia correspondientes a cada mes para todos los años
observados.
8 0
9 0
1 0 0
1 1 0
1 2 0
( m e a n ) r a t i o
1 2 3 4 5 6 7 8 9 10 11 1 2
month
Índice Estacional
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 40/55
Descomposición Clásica
Descomposición MultiplicativaPaso 4: Serie de Irregularidad. Se obtiene a partir de:
t t
t t
T S
Y E =
. 0 0 9
. 0 0 9 5
. 0 1
. 0 1 0 5
. 0 1 1
i r r e g
1949m1 1950m7 1952m1 1953m7 1955m1 1956m7Month
Irregularidad
R áfi d l D i ió M lti li ti
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 41/55
. 0 0 9
. 0 0 9 5
. 0 1
. 0 1 0 5
. 0 1 1
i r r e g
1 9 4 9 m 1 1 9 5 0 m 7 1 9 5 2 m 1 1 9 5 3 m 7 1 9 5 5 m 1 1 9 5 6 m 7M o n t h
I r r e g u l a r i d a d
8 0
9 0
1 0 0
1 1 0
1 2 0
s e a s o n
1 9 4 9 m 1 1 9 5 0 m 7 1 9 5 2 m 1 1 9 5 3 m 7 1 9 5 5 m 1 1 9 5 6 m 7M o n t h
E s t a c i o n a l i d a d
1 0 0
1 5 0
2 0 0
2 5 0
3 0 0
3 5 0
P a s s e n g e r s ( t h o u s a n d s )
1 9 4 9 m 1 1 9 5 0 m 7 1 9 5 2 m 1 1 9 5 3 m 7 1 9 5 5 m 1 1 9 5 6 m 7M o n t h
T e n d e n c i a - C i c l o
1 0 0
2 0 0
3 0 0
4 0 0
p a s s e n g e r t r a f f i c ( i n
t h o u s
a n d s )
1 9 4 9 m 1 1 9 5 0 m 7 1 9 5 2 m 1 1 9 5 3 m 7 1 9 5 5 m 1 1 9 5 6 m 7M o n t h
S e r i e o r i g i n a l
Resumen gráfico de la Descomposición Multiplicativa
t t t t E S T Y =
t T
t S
t E
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 42/55
Método X-12-ARIMA del Buró de Censos norteamericano
Para mayor detalle sobre larelevancia de este método, véase
http://www.census.gov/srd/www/x12a/
http://www.inegi.org.mx/prod_serv/contenidos/espanol/bvinegi/productos/derivada/coyuntura/igae/igae.pdf
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 43/55
Método X-12-ARIMA del Buró de Censos norteamericano
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 44/55
Código en STATA
* Promedios móviles ponderadosinsheet y using "C:\mwhdata\shampoo.csv", cleargen t=_ntsset tlabel var y "liters"scatter y t* Ponderadores MA 19 bajo la función cuárticafor num 0/9: scalar qX=(1-(X/9)^2)^2scalar sumaq=q9+q8+q7+q6+q5+q4+q3+q2+q1+q0+q1+q2+q3+q4+q5+q6+q7+q8+q9
for num 0/9: scalar aX=qX/sumaqfor num 0/9: display aXgen ma19w=.for num 10/27: replace ma19w=a9*y[X-9]+a8*y[X-8]+a7*y[X-7]+a6*y[X-6]+a5*y[X-5]+a4*y[X-4]+a3*y[X-3]+a2*y[X-2]+a1*y[X-1]+a0*y[X]+a1*y[X+1]+a2*y[X+2]+a3*y[X+3]+a4*y[X+4]+a5*y[X+5]+a6*y[X+6]+a7*y[X+7]+a8*y[X+8]+a9*y[X+9]in Xtwoway (scatter y t) (line ma19w t)* Ajuste de Observaciones de extrema izquierda* Observación 1
scalar sumaq=q0+q1+q2+q3+q4+q5+q6+q7+q8+q9for num 0/9: scalar aX=qX/sumaqfor num 0/9: display aXfor num 1: replacema19w=a0*y[X]+a1*y[X+1]+a2*y[X+2]+a3*y[X+3]+a4*y[X+4]+a5*y[X+5]+a6*y[X+6]+a7*y[X+7]+a8*y[X+8]+a9*y[X+9] in X* Observación 2scalar sumaq=q1+q0+q1+q2+q3+q4+q5+q6+q7+q8+q9for num 0/9: scalar aX=qX/sumaqfor num 0/9: display aX
for num 2: replace ma19w=a1*y[X-1]+a0*y[X]+a1*y[X+1]+a2*y[X+2]+a3*y[X+3]+a4*y[X+4]+a5*y[X+5]+a6*y[X+6]+a7*y[X+7]+a8*y[X+8]+a9*y[X+9] in X* Observación 3scalar sumaq=q2+q1+q0+q1+q2+q3+q4+q5+q6+q7+q8+q9for num 0/9: scalar aX=qX/sumaqfor num 0/9: display aXfor num 3: replace ma19w=a2*y[X-2]+a1*y[X-1]+a0*y[X]+a1*y[X+1]+a2*y[X+2]+a3*y[X+3]+a4*y[X+4]+a5*y[X+5]+a6*y[X+6]+a7*y[X+7]+a8*y[X+8]+a9*y[X+9] in X
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 45/55
Código en STATA
* Observación 4scalar sumaq=q3+q2+q1+q0+q1+q2+q3+q4+q5+q6+q7+q8+q9for num 0/9: scalar aX=qX/sumaqfor num 0/9: display aXfor num 4: replace ma19w=a3*y[X-3]+a2*y[X-2]+a1*y[X-1]+a0*y[X]+a1*y[X+1]+a2*y[X+2]+a3*y[X+3]+a4*y[X+4]+a5*y[X+5]+a6*y[X+6]+a7*y[X+7]+a8*y[X+8]+a9*y[X+9] in X* Observación 5scalar sumaq=q4+q3+q2+q1+q0+q1+q2+q3+q4+q5+q6+q7+q8+q9for num 0/9: scalar aX=qX/sumaq
for num 0/9: display aXfor num 5: replace ma19w=a4*y[X-4]+a3*y[X-3]+a2*y[X-2]+a1*y[X-1]+a0*y[X]+a1*y[X+1]+a2*y[X+2]+a3*y[X+3]+a4*y[X+4]+a5*y[X+5]+a6*y[X+6]+a7*y[X+7]+a8*y[X+8]+a9*y[X+9] in X* Observación 6scalar sumaq=q5+q4+q3+q2+q1+q0+q1+q2+q3+q4+q5+q6+q7+q8+q9for num 0/9: scalar aX=qX/sumaqfor num 0/9: display aXfor num 6: replace ma19w=a5*y[X-5]+a4*y[X-4]+a3*y[X-3]+a2*y[X-2]+a1*y[X-1]+a0*y[X]+a1*y[X+1]+a2*y[X+2]+a3*y[X+3]+a4*y[X+4]+a5*y[X+5]+a6*y[X+6]+a7*y[X+7]+a8*y[X+8]+a9*y[X+9] in X
* Observación 7scalar sumaq=q6+q5+q4+q3+q2+q1+q0+q1+q2+q3+q4+q5+q6+q7+q8+q9for num 0/9: scalar aX=qX/sumaqfor num 0/9: display aXfor num 7: replace ma19w=a6*y[X-6]+a5*y[X-5]+a4*y[X-4]+a3*y[X-3]+a2*y[X-2]+a1*y[X-1]+a0*y[X]+a1*y[X+1]+a2*y[X+2]+a3*y[X+3]+a4*y[X+4]+a5*y[X+5]+a6*y[X+6]+a7*y[X+7]+a8*y[X+8]+a9*y[X+9] in X* Observación 8scalar sumaq=q7+q6+q5+q4+q3+q2+q1+q0+q1+q2+q3+q4+q5+q6+q7+q8+q9for num 0/9: scalar aX=qX/sumaq
for num 0/9: display aXfor num 8: replace ma19w=a7*y[X-7]+a6*y[X-6]+a5*y[X-5]+a4*y[X-4]+a3*y[X-3]+a2*y[X-2]+a1*y[X-1]+a0*y[X]+a1*y[X+1]+a2*y[X+2]+a3*y[X+3]+a4*y[X+4]+a5*y[X+5]+a6*y[X+6]+a7*y[X+7]+a8*y[X+8]+a9*y[X+9] in X* Observación 9scalar sumaq=q8+q7+q6+q5+q4+q3+q2+q1+q0+q1+q2+q3+q4+q5+q6+q7+q8+q9for num 0/9: scalar aX=qX/sumaqfor num 0/9: display aXfor num 9: replace ma19w=a8*y[X-8]+a7*y[X-7]+a6*y[X-6]+a5*y[X-5]+a4*y[X-4]+a3*y[X-3]+a2*y[X-2]+a1*y[X-1]+a0*y[X]+a1*y[X+1]+a2*y[X+2]+a3*y[X+3]+a4*y[X+4]+a5*y[X+5]+a6*y[X+6]+a7*y[X+7]+a8*y[X+8]+a9*y[X+9] in X
twoway (scatter y t) (line ma19w t)
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 46/55
Código en STATA
* Ajuste de Observaciones de extrema derecha* Observación 28scalar sumaq=q9+q8+q7+q6+q5+q4+q3+q2+q1+q0+q1+q2+q3+q4+q5+q6+q7+q8for num 0/9: scalar aX=qX/sumaqfor num 0/9: display aXfor num 28: replace ma19w=a9*y[X-9]+a8*y[X-8]+a7*y[X-7]+a6*y[X-6]+a5*y[X-5]+a4*y[X-4]+a3*y[X-3]+a2*y[X-2]+a1*y[X-1]+a0*y[X]+a1*y[X+1]+a2*y[X+2]+a3*y[X+3]+a4*y[X+4]+a5*y[X+5]+a6*y[X+6]+a7*y[X+7]+a8*y[X+8] in X* Observación 29scalar sumaq=q9+q8+q7+q6+q5+q4+q3+q2+q1+q0+q1+q2+q3+q4+q5+q6+q7
for num 0/9: scalar aX=qX/sumaqfor num 0/9: display aXfor num 29: replace ma19w=a9*y[X-9]+a8*y[X-8]+a7*y[X-7]+a6*y[X-6]+a5*y[X-5]+a4*y[X-4]+a3*y[X-3]+a2*y[X-2]+a1*y[X-1]+a0*y[X]+a1*y[X+1]+a2*y[X+2]+a3*y[X+3]+a4*y[X+4]+a5*y[X+5]+a6*y[X+6]+a7*y[X+7] in X* Observación 30scalar sumaq=q9+q8+q7+q6+q5+q4+q3+q2+q1+q0+q1+q2+q3+q4+q5+q6for num 0/9: scalar aX=qX/sumaqfor num 0/9: display aXfor num 30: replace ma19w=a9*y[X-9]+a8*y[X-8]+a7*y[X-7]+a6*y[X-6]+a5*y[X-5]+a4*y[X-4]+a3*y[X-3]+a2*y[X-
2]+a1*y[X-1]+a0*y[X]+a1*y[X+1]+a2*y[X+2]+a3*y[X+3]+a4*y[X+4]+a5*y[X+5]+a6*y[X+6] in X* Observación 31scalar sumaq=q9+q8+q7+q6+q5+q4+q3+q2+q1+q0+q1+q2+q3+q4+q5for num 0/9: scalar aX=qX/sumaqfor num 0/9: display aXfor num 31: replace ma19w=a9*y[X-9]+a8*y[X-8]+a7*y[X-7]+a6*y[X-6]+a5*y[X-5]+a4*y[X-4]+a3*y[X-3]+a2*y[X-2]+a1*y[X-1]+a0*y[X]+a1*y[X+1]+a2*y[X+2]+a3*y[X+3]+a4*y[X+4]+a5*y[X+5] in X* Observación 32scalar sumaq=q9+q8+q7+q6+q5+q4+q3+q2+q1+q0+q1+q2+q3+q4
for num 0/9: scalar aX=qX/sumaqfor num 0/9: display aXfor num 32: replace ma19w=a9*y[X-9]+a8*y[X-8]+a7*y[X-7]+a6*y[X-6]+a5*y[X-5]+a4*y[X-4]+a3*y[X-3]+a2*y[X-2]+a1*y[X-1]+a0*y[X]+a1*y[X+1]+a2*y[X+2]+a3*y[X+3]+a4*y[X+4] in X* Observación 33scalar sumaq=q9+q8+q7+q6+q5+q4+q3+q2+q1+q0+q1+q2+q3for num 0/9: scalar aX=qX/sumaqfor num 0/9: display aXfor num 33: replace ma19w=a9*y[X-9]+a8*y[X-8]+a7*y[X-7]+a6*y[X-6]+a5*y[X-5]+a4*y[X-4]+a3*y[X-3]+a2*y[X-
2]+a1*y[X-1]+a0*y[X]+a1*y[X+1]+a2*y[X+2]+a3*y[X+3] in X
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 47/55
Código en STATA
* Observación 34scalar sumaq=q9+q8+q7+q6+q5+q4+q3+q2+q1+q0+q1+q2for num 0/9: scalar aX=qX/sumaqfor num 0/9: display aXfor num 34: replace ma19w=a9*y[X-9]+a8*y[X-8]+a7*y[X-7]+a6*y[X-6]+a5*y[X-5]+a4*y[X-4]+a3*y[X-3]+a2*y[X-2]+a1*y[X-1]+a0*y[X]+a1*y[X+1]+a2*y[X+2] in X* Observación 35scalar sumaq=q9+q8+q7+q6+q5+q4+q3+q2+q1+q0+q1for num 0/9: scalar aX=qX/sumaq
for num 0/9: display aXfor num 35: replace ma19w=a9*y[X-9]+a8*y[X-8]+a7*y[X-7]+a6*y[X-6]+a5*y[X-5]+a4*y[X-4]+a3*y[X-3]+a2*y[X-2]+a1*y[X-1]+a0*y[X]+a1*y[X+1] in X* Observación 36scalar sumaq=q9+q8+q7+q6+q5+q4+q3+q2+q1+q0for num 0/9: scalar aX=qX/sumaqfor num 0/9: display aXfor num 36: replace ma19w=a9*y[X-9]+a8*y[X-8]+a7*y[X-7]+a6*y[X-6]+a5*y[X-5]+a4*y[X-4]+a3*y[X-3]+a2*y[X-2]+a1*y[X-1]+a0*y[X] in X
* Gráfica final Serie Original y Serie MA19 Ponderadatwoway (scatter y t) (line ma19w t), title("Weighted MA19 smoother") xtitle("Month") ytitle("Total sales(liters)") saving("C:\mwhdata\AvMA19.gph", replace)* Listado de Observaciones Serie Original y Serie MA19 Ponderadalist
Códi STATA
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 48/55
Código en STATA
* Función de Ponderadores MA 19 bajo la función cuárticaclearset obs 19gen j=_n-10gen double q=(1-(j/9)^2)^2sum qgen double a=q/r(sum)list, sumline a j, title("Función de Ponderadores MA 19 bajo función cuártica") xtitle("Término") ytitle("Ponderador")
saving("C:\mwhdata\Weights.gph", replace)
* Función de Ponderadores bajo la función cuártica para el Ajuste (MA 10) de la Observación 36 de la serie MA19clearset obs 10gen j=_n-10gen double q=(1-(j/9)^2)^2sum q
gen double a=q/r(sum)list, sumline a j, title("Función de Ponderadores para la Observación 36") xtitle("Término") ytitle("Ponderador")saving("C:\mwhdata\Weights36.gph", replace)
Códi STATA
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 49/55
Código en STATA
* Suavizamiento por Regresión Localinsheet y using "C:\mwhdata\shampoo.csv", cleargen t=_ntsset tlabel var y "liters"gen yreg=.
* Observación 22* Paso 1 Identificar las observaciones de la muestra a considerarscatter y t, xline(13 31)gen j=.replace j=_n-22 in 13/31* Paso 2 Definición de Ponderadoresgen double q=.
replace q=(1-(j/9)^2)^2 in 13/31sum qgen double a=q/r(sum)* Paso 3 Estimación por Mínimos Cuadrados Ponderadosregress y t in 13/31 [aw=a]predict yhattwoway (scatter y t, xline(13 31) mlabel(t)) (line yhat t) (scatter yhat t if t==22,mcolor(red) msize(large))
replace yreg=yhat[22] in 22drop j q a yhat* Paso 4 Repetir para las observaciones 10 a 21 y 23 a 27 y ajustes restantes para trazar* curva de tendencia-ciclo estimada a partir de los puntos locales de las respectivas* regresiones.
Código en STATA
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 50/55
Código en STATA
* Descomposición Aditiva* Paso 0 Preparar la Serie de Tiempo para su Descomposiciónlabel drop _allinsheet hsales using "c:\mwhdata\hsales.csv", cleargen t=.replace t=ym(1973,1) in 1for num 2/275: replace t=t[X-1]+1 in Xformat t %tm
label var t "Month"tsset t* Paso 1 Estimar Tendencia-Ciclo* 2x12 MA smoother for Housing sales data* Serie de Promedios Móviles Centrados 2x12 MA* Se genera la serie MA12tssmooth ma ma12=hsales, window(6 1 5)graph twoway (line hsales t, lcolor(yellow)) (line ma12 t, lcolor(black)), title("12 MAsmoother (uncentered)") ytitle("Total sales") saving("c:\mwhdata\hsales12MA.gph",replace)* Se aplican promedios móviles MA2 a la serie MA12 obtenidatssmooth ma ma2ma12=ma12, window(1 1 0)graph twoway (line hsales t, lcolor(yellow)) (line ma2ma12 t, lcolor(black)),title("Centered 12 MA smoother") ytitle("Total sales")saving("c:\mwhdata\hsales2x12MA.gph",replace)* Paso 2 Eliminar Tendencia-Ciclo
gen double detrend=hsales-ma2ma12graph twoway (line hsales t, lcolor(yellow)) (line ma2ma12 t, lcolor(red)) (line detrend t,lcolor(blue)), title("original, trend-cycle & de-trended housing sales series")ytitle("Total sales") saving("c:\mwhdata\detrendedMA2x12.gph",replace)
Código en STATA
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 51/55
Código en STATA
* Paso 3 Obtener el componente de Estacionalidadgen obs=_ngen mes=""replace mes="Ene" if mod(obs,12)==1replace mes="Feb" if mod(obs,12)==2replace mes="Mar" if mod(obs,12)==3replace mes="Abr" if mod(obs,12)==4replace mes="May" if mod(obs,12)==5
replace mes="Jun" if mod(obs,12)==6replace mes="Jul" if mod(obs,12)==7replace mes="Ago" if mod(obs,12)==8replace mes="Sept" if mod(obs,12)==9replace mes="Oct" if mod(obs,12)==10replace mes="Nov" if mod(obs,12)==11replace mes="Dic" if mod(obs,12)==0gen month=.replace month=1 if mes=="Ene"
replace month=2 if mes=="Feb"replace month=3 if mes=="Mar"replace month=4 if mes=="Abr"replace month=5 if mes=="May"replace month=6 if mes=="Jun"replace month=7 if mes=="Jul"replace month=8 if mes=="Ago"replace month=9 if mes=="Sept"replace month=10 if mes=="Oct"
replace month=11 if mes=="Nov"replace month=12 if mes=="Dic"label define month 1 "Jan" 2 "Feb" 3 "Mar" 4 "Apr" 5 "May" 6 "Jun" 7 "Jul" 8 "Aug" 9 "Sep" 10 "Oct" 11 "Nov" 12"Dec"label values month monthsort monthtable month, c(mean detrend) f(%19.9f)
Código en STATA
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 52/55
Código en STATA
gen double season=.
replace season=-7.077898274 if month==1replace season=-1.293995899 if month==2replace season=8.977742568 if month==3replace season=7.868356705 if month==4replace season=7.246618354 if month==5replace season=4.677504000 if month==6replace season=1.483531288 if month==7replace season=2.823056428 if month==8replace season=-1.488043578 if month==9
replace season=-2.557064720 if month==10replace season=-9.138068655 if month==11replace season=-12.443181645 if month==12tsset tgraph twoway (line season t), title("Estacionalidad") saving("c:\mwhdata\season.gph",replace)* Paso 4 Obtener el componente de Irregularidadgen double irreg=.replace irreg=hsales-season-ma2ma12tsset t
graph twoway (line irreg t), title("Irregularidad") saving("c:\mwhdata\irregular.gph",replace)* Gráfica del Índice de Estacionalidadcollapse (mean) detrend, by(mes)gen month=.replace month=1 if mes=="Ene"replace month=2 if mes=="Feb"replace month=3 if mes=="Mar"replace month=4 if mes=="Abr"replace month=5 if mes=="May"
replace month=6 if mes=="Jun"replace month=7 if mes=="Jul"replace month=8 if mes=="Ago"replace month=9 if mes=="Sept"replace month=10 if mes=="Oct"replace month=11 if mes=="Nov"replace month=12 if mes=="Dic"label values month monthsort month
line detrend month, title("Índice Estacional") xlabel(1(1)12) saving("c:\mwhdata\seasonindex.gph",replace)
Código en STATA
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 53/55
Código en STATA
* Descomposición Multiplicativainsheet passengers using "c:\mwhdata\airline.csv", clear* Paso 0 Preparar la Serie de Tiempo para su Descomposiciónlabel drop _allgen t=.replace t=ym(1949,1) in 1for num 2/96: replace t=t[X-1]+1 in Xformat t %tmlabel var t "Month"
tsset t* Paso 1 Estimar Tendencia-Ciclo* 2x12 MA smoother* Serie de Promedios Móviles Centrados 2x12 MA* Se genera la serie MA12tssmooth ma ma12=passengers, window(6 1 5)graph twoway (line passengers t, lcolor(yellow)) (line ma12 t, lcolor(black)), title("12 MA smoother(uncentered)") ytitle("passenger traffic (in thousands)") saving("c:\mwhdata\passengers12MA.gph",replace)* Se aplican promedios móviles MA2 a la serie MA12 obtenida
tssmooth ma ma2ma12=ma12, window(0 1 1)graph twoway (line passengers t, lcolor(yellow)) (line ma2ma12 t, lcolor(black)), title("Centered 12 MAsmoother") ytitle("Passengers (thousands)") saving("c:\mwhdata\passeng2x12MA.gph",replace)* Paso 2 Cálculo de la razón porcentual datos a promedio móvilgen double ratio=passengers*100/ma2ma12graph twoway (line passengers t, lcolor(yellow)) (line ma2ma12 t, lcolor(black)) (line ratio t, lcolor(red)),title("original, trend-cycle & detrended passenger travel series") ytitle("Passengers (thousands)")saving("c:\mwhdata\detrendedMA2x12mult.gph",replace)
Código en STATA
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 54/55
Código en STATA
* Paso 3 Cálculo del Índice Estacional
gen obs=_ngen mes=""replace mes="Ene" if mod(obs,12)==1replace mes="Feb" if mod(obs,12)==2replace mes="Mar" if mod(obs,12)==3replace mes="Abr" if mod(obs,12)==4replace mes="May" if mod(obs,12)==5replace mes="Jun" if mod(obs,12)==6replace mes="Jul" if mod(obs,12)==7
replace mes="Ago" if mod(obs,12)==8replace mes="Sept" if mod(obs,12)==9replace mes="Oct" if mod(obs,12)==10replace mes="Nov" if mod(obs,12)==11replace mes="Dic" if mod(obs,12)==0gen month=.replace month=1 if mes=="Ene"replace month=2 if mes=="Feb"replace month=3 if mes=="Mar"
replace month=4 if mes=="Abr"replace month=5 if mes=="May"replace month=6 if mes=="Jun"replace month=7 if mes=="Jul"replace month=8 if mes=="Ago"replace month=9 if mes=="Sept"replace month=10 if mes=="Oct"replace month=11 if mes=="Nov"replace month=12 if mes=="Dic"
label define month 1 "Jan" 2 "Feb" 3 "Mar" 4 "Apr" 5 "May" 6 "Jun" 7 "Jul" 8 "Aug" 9 "Sep" 10 "Oct" 11 "Nov" 12"Dec"label values month monthsort monthtable month, c(mean ratio) f(%19.9f)
Código en STATA
7/30/2019 Descomposición series de tiempo
http://slidepdf.com/reader/full/descomposicion-series-de-tiempo 55/55
Código en STATA
gen double season=.
replace season=90.797389974 if month==1replace season=90.438392078 if month==2replace season=102.947138301 if month==3replace season=98.663833075 if month==4replace season=97.402091271 if month==5replace season=109.434043862 if month==6replace season=120.609398326 if month==7replace season=119.058600173 if month==8replace season=105.526891616 if month==9
replace season=91.695788069 if month==10replace season=79.634994776 if month==11replace season=90.229136994 if month==12tsset tgraph twoway (line season t), title("Estacionalidad") saving("c:\mwhdata\seasonmult.gph",replace)* Paso 4 Obtener el componente de Irregularidadgen double irreg=.replace irreg=passengers/(season*ma2ma12)tsset t
graph twoway (line irreg t), title("Irregularidad") saving("c:\mwhdata\irregularmult.gph",replace)* Gráfica del Índice de Estacionalidadcollapse (mean) ratio, by(mes)gen month=.replace month=1 if mes=="Ene"replace month=2 if mes=="Feb"replace month=3 if mes=="Mar"replace month=4 if mes=="Abr"replace month=5 if mes=="May"
replace month=6 if mes=="Jun"replace month=7 if mes=="Jul"replace month=8 if mes=="Ago"replace month=9 if mes=="Sept"replace month=10 if mes=="Oct"replace month=11 if mes=="Nov"replace month=12 if mes=="Dic"label values month monthsort month
line ratio month, title("Índice Estacional") xlabel(1(1)12) saving("c:\mwhdata\seasonindexmult.gph",replace)