hola
Páginas: 3 (575 palabras)
Publicado: 11 de febrero de 2014
Taller No 5. Curso Series de Tiempo y Econometría
Maestría en Ing. Administrativa - EIO
Mayo – 2009
Norman Giraldo Gómez
Objetivo: Ejemplo de análisis con modelos sarima.
1. Análisis de laserie: “U.S. Steel Shipments Data, thousands of net tons, jan/84 – dec/91 ”
Análisis:
1. Aplicar comando auto.arima para determinar un modelo inicial. Ajustar el modelo “airline”.
2.Comparar ambos modelos: aic, bid, mape. Escoger uno
3. Comparar los pronósticos de ambos modelos con base en una submuestra .
1. Examen de la serie
Grafica 1. Ton de acero exportadas USAComentario Cuál es la diferencia entre modelos SARIMA y los modelos de descomposición con tendencia y estacionalidad?. Una respuesta puede ser: la manera como asumen la tendencia y la estacionalidad. En losSARIMA se definen como tendencia y estacionalidad estocásticas:
“An ARIMA-Model-Based Approach to Seasonal Adjustment” S. C. Hillmer and G. C. Tiao. Journal of the American StatisticalAssociation, Vol. 77, No. 377 (Mar., 1982), pag. 64:
Comentarios:
1. La serie parece tener un cambio de nivel a finales de 1987. Esto la hace no estacionaria.
2. En el período de 1987 hasta elfinal aparece una estacionalidad.
3. Identificación y Estimación.
Nota: (Manual de SAS para series de tiempo) “The identification and estimation of Autoregressive Integrated Moving Average(ARIMA) models is more of an art than a science. Generally, the most parsimonious model fitting the data is considered the best”.
Ensayamos con la serie diferenciada 1 y 12 rezagos: x(t) =(1-L)(1-L^(12))y(t). Observamos la fac y la facp de x(t): posible modelo arma de bajo order…
Gráfica No 2. Fac y Facp de diferencia 1 y 12
ARIMA(2,1,1)(1,0,1)[12]Coefficients:
ar1 ar2 ma1 sar1 sma1
-1.1958 -0.5862 0.7218 0.978 -0.7896
s.e. 0.1244 0.0867 0.1347 0.043 0.2113
Cuadro No 1. Resultados de auto.arima...
Maestría en Ing. Administrativa - EIO
Mayo – 2009
Norman Giraldo Gómez
Objetivo: Ejemplo de análisis con modelos sarima.
1. Análisis de laserie: “U.S. Steel Shipments Data, thousands of net tons, jan/84 – dec/91 ”
Análisis:
1. Aplicar comando auto.arima para determinar un modelo inicial. Ajustar el modelo “airline”.
2.Comparar ambos modelos: aic, bid, mape. Escoger uno
3. Comparar los pronósticos de ambos modelos con base en una submuestra .
1. Examen de la serie
Grafica 1. Ton de acero exportadas USAComentario Cuál es la diferencia entre modelos SARIMA y los modelos de descomposición con tendencia y estacionalidad?. Una respuesta puede ser: la manera como asumen la tendencia y la estacionalidad. En losSARIMA se definen como tendencia y estacionalidad estocásticas:
“An ARIMA-Model-Based Approach to Seasonal Adjustment” S. C. Hillmer and G. C. Tiao. Journal of the American StatisticalAssociation, Vol. 77, No. 377 (Mar., 1982), pag. 64:
Comentarios:
1. La serie parece tener un cambio de nivel a finales de 1987. Esto la hace no estacionaria.
2. En el período de 1987 hasta elfinal aparece una estacionalidad.
3. Identificación y Estimación.
Nota: (Manual de SAS para series de tiempo) “The identification and estimation of Autoregressive Integrated Moving Average(ARIMA) models is more of an art than a science. Generally, the most parsimonious model fitting the data is considered the best”.
Ensayamos con la serie diferenciada 1 y 12 rezagos: x(t) =(1-L)(1-L^(12))y(t). Observamos la fac y la facp de x(t): posible modelo arma de bajo order…
Gráfica No 2. Fac y Facp de diferencia 1 y 12
ARIMA(2,1,1)(1,0,1)[12]Coefficients:
ar1 ar2 ma1 sar1 sma1
-1.1958 -0.5862 0.7218 0.978 -0.7896
s.e. 0.1244 0.0867 0.1347 0.043 0.2113
Cuadro No 1. Resultados de auto.arima...
Leer documento completo
Regístrate para leer el documento completo.