Análisis de series de tiempo

Presentación del tema: "Análisis de series de tiempo"— Transcripción de la presentación:

1 Análisis de series de tiempo
Quinta clase

2 Modelos ARMA Son combinaciones de lo anterior; para un proceso estacionario con media cero distinta de cero

3 Identificación de modelos

4 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!.

5 Predicción (Conceptos Básicos)
No predecible: Si la distribución condicional de xT+h dado el pasado es igual a la distribución no condicional. No informativo: “concepto difuso, pues depende del contexto” Limite de Pronosticabilidad: esto es, cuando la variancia del error

6 Predicción Estamos usando filtros lineales, asi que parace natural buscar la predicción basada en combinaciones lineales Caso AR es facil: ARMA no tanto!

7 Error de predicción En R se puede usar la función genérica “predict” para hacer las predicciones y los errores de predicción Predicción a largo plazo: va a la media ! con error constante Ver ejemplo del GNP en R

8 ARIMA y SARIMA Series integradas: SARIMA
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)

9 Análisis espectral 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

10 Análisis espectral Suponiendo las variables independientes
Ui ~ N(0,s) A2 ~ c2 medida en ciclos por unidad de tiempo o en ciclos por punto temporal en el caso discreto. Para series medidas en tiempos discretos se requiere de al menos dos puntos para obtener un ciclo, por lo que la frecuencia más alta será 0.5 ciclos por punto.

11 Superposición de sinusoidales con diferente frecuencias
Superposición de sinusoidales con diferente frecuencias. ... agréguese ruido ...

12 Periodograma 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.

13 Señal vs Señal y ruido

14 Densidad espectral F Función de distribución espectral
Para cualquier proceso estacionario se tiene una representación de la función de autocovariancia F Función de distribución espectral

15 Densidad espectral f se le llama densidad espectral ; Ojo: Ver variancia del proceso como la integral de la densidad espectral sobre todas las frecuencias

16 Ejemplos Ruido blanco Promedio móvil de ruido ARMA
Potencia uniforme sobre todas las frecuencias Promedio móvil de ruido ARMA

17 Estimación del periodograma
Periodograma y la transformada de Fourier discreta En R esta implementada la función spec.pgram El periodograma crudo no es un estimador consistente Usualmente se suaviza (se promedia sobre valores adyacentes) y en ese caso la distribucion asintótica es chi-cuadrado con más grados de libertad...(menos incertidumbre)