Asignatura: Estadística III. Carrera: Licenciatura en matemáticas Alumno: Raúl Ibáñez Couoh Matrícula: ES172001745 Doc
Views 174 Downloads 1 File size 330KB
Asignatura: Estadística III.
Carrera: Licenciatura en matemáticas
Alumno: Raúl Ibáñez Couoh Matrícula: ES172001745 Docente: Marco Antonio Olivera Villa Unidad 1. Procesos y series de tiempo
Evidencia de aprendizaje. Ajuste de modelos ARMA
10/07/2020, Zihuatanejo, Guerrero, México.
Contesta las siguientes preguntas: 1.- ¿Qué es un proceso ARMA? Acorde a (Ocerin, 2015) Los modelos 𝐴𝑅𝑀𝐴 se usan para representar la componente aleatoria estacionaria de una serie temporal y para modelizar la autocorrelación en modelos econométricos dinámicos. Las fases de elaboración de un modelo 𝐴𝑅𝑀𝐴 son: a. Especificación o identificación de los órdenes 𝑝 y 𝑞 de las partes autorregresivas y de media móvil. b. Estimación de los coeficientes de los polinomios 𝜙(𝐵) y 𝜃(𝐵) y de la varianza residual 𝜎𝑎2 . c. Contrastes diagnósticos sobre el modelo para ver si se han elegido adecuadamente los órdenes 𝑝 y 𝑞, y si los residuos 𝑎̂𝑡 , 𝑡 = 1 … 𝑛 no tienen ninguna estructura temporal de autocorrelación, ósea que su proceso generados 𝑎𝑡 es de tipo ruido blanco.
2.- Completa la siguiente tabla sobre modelos ARMA. Modelo Ruido blanco
Características Sucesión de variables aleatorias con distribución, normal, esperanza cero y varianza constante e incorreladas entre sí. 𝜀𝑡 es ruido blanco si 𝜀𝑡 ~𝑁(0, 𝜎𝜀2 ), para cualquier 𝑡, tal que: 𝐶𝑜𝑣(𝜀𝑡 , 𝜀𝑡 ) = 0, ∀𝑡 ≠ 𝑡 ′ .
Promedios móviles La notación 𝑀𝐴(𝑞) se refiere a un modelo de media móvil de orden 𝑞. 𝑞
𝑋𝑡 = 𝜀𝑡 + ∑ 𝜃𝑖 𝜀𝑡−𝑖 𝑖=1
Donde 𝜃1 , … , 𝜃𝑞 son los parámetros del modelo y 𝜀𝑡 , 𝜀𝑡−1 , … son, de nuevo, los términos de error. Autorregresivo
La notación 𝐴𝑅(𝑝) se refiere a un modelo autorregresivo de orden 𝑝. Un modelo 𝐴𝑅(𝑝) puede escribirse como: 𝑝
𝑋𝑡 = 𝑐 + ∑ 𝜙𝑖 𝑋𝑡−𝑖 + 𝜖𝑡 𝑖=1
Donde 𝜙1 , … , 𝜙𝑝 son los parámetros del modelo, 𝑐 es una constante y 𝜖𝑡 es un término de error. ARMA (𝑝, 𝑞)
La notación 𝐴𝑅𝑀𝐴(𝑝, 𝑞) se refiere a un modelo con 𝑝 términos autorregresivos y 𝑞 términos de media móvil. Este modelo combina los modelos 𝐴𝑅 y 𝑀𝐴: 𝑝
𝑞
𝑋𝑡 = 𝜀𝑡 + ∑ 𝜙𝑋𝑡−𝑖 + ∑ 𝜃𝑖 𝜀𝑡−𝑖 𝑖=1
𝑖=1
3.- Completa la siguiente tabla sobre tu gasto en trasporte y realiza los pronósticos.
Fechas
Gasto
Simulación
31/01/2020
288
668.4772496
29/02/2020
700
383.7872196
31/03/2020
258
194.8235641
30/04/2020
500
1027.881548
31/05/2020
557
983.1164853
30/06/2020 333.58 380.6311583 31/07/2020
757
403.7590392
31/08/2020 1224.58 1048.731506 30/09/2020 333.78 401.4424695 31/10/2020
555
389.9823353
30/11/2020 785.95 899.8719152 31/12/2020 658.45 161.2883529
1Registro de gastos de transporte mensuales.
2Representación gráfica de gastos de transporte con predicciones.
A continuación se proporciona el código elaborado con Matlab, para la realización de la tabla de serie de tiempo, en el código se utilizó la herramienta de modelización econométrica de Matlab. Con ello establecí una simulación de Montecarlo y así obtuve un estimado de posible comportamiento de la serie de tiempo a futuro. Todo lo anterior se encuentra en el reporte mismo de modelización econométrica de Matlab.
Econometric Modeler Analysis Summary of results from the Econometric Modeler App Econometrics Toolbox Version 5.0 (R2018a) 10-Jul-2020
Table of Contents 1. Time Series: gasto.......................................................................................................................................3 1.1. Time Series Plot...............................................................................................................................3 2. ARIMA(0,0,3) Model (Gaussian Distribution) (MA_gasto)....................................................................... 4 2.1. Model Estimation............................................................................................................................ 4 2.2. Residual Histogram.........................................................................................................................7 2.3. Residual Quantile-Quantile plot.................................................................................................... 8 2.4. Residual Sample AutoCorrelation Function................................................................................. 9
ii
1. Time Series: gasto 1.1. Time Series Plot Time Series Plot
1400
gasto
1200
1000
800
600
400
200 Feb
Mar
Apr
May
Jun
Jul
Aug
Time Figura 1.1. Time Series Plot of gasto
3
Sep
Oct
Nov
Dec 2020
2. ARIMA(0,0,3) Model (Gaussian Distribution) (MA_gasto) Moving average model of time series gasto with the following equation:
2.1. Model Estimation Table 2.1. Estimation Results Parameter Value
StandardError TStatistic PValue
Constant
570.0556
147.5469
3.8636
0.00011175
MA{1}
-0.15943
1.0182
-0.15659
0.87557
MA{2}
-0.055349
0.88082
-0.062838 0.9499
MA{3}
0.30105
1.3052
0.23066
0.81758
Variance
59275.2739 41692.1378
1.4217
0.1551
Table 2.2. Goodness of Fit AIC 176.3785 BIC 178.803
4
2. ARIMA(0,0,3) Model (Gaussian Distribution) (MA_gasto)
Model Fit
1400
gasto MA_gasto
1200
1000
800
600
400
200 Feb
Mar
Apr
May
Jun
Jul
Aug
Time Figura 2.1. Plot the fit of model MA_gasto time series gasto
5
Sep
Oct
Nov
Dec 2020
2. ARIMA(0,0,3) Model (Gaussian Distribution) (MA_gasto)
Residual Plot
800
MA_gasto
600
400
200
0
-200
-400 Feb
Mar
Apr
May
Jun
Jul
Aug
Time Figura 2.2. Plot of the residuals of model MA_gasto
6
Sep
Oct
Nov
Dec 2020
2. ARIMA(0,0,3) Model (Gaussian Distribution) (MA_gasto)
2.2. Residual Histogram Residual Histogram
7
MA_gasto
6
5
4
3
2
1
0 -600
-400
-200
0
200
Figura 2.3. A histogram of the residuals of model MA_gasto.
7
400
600
800
2. ARIMA(0,0,3) Model (Gaussian Distribution) (MA_gasto)
2.3. Residual Quantile-Quantile plot Residual Quantile-Quantile Plot
800
MA_gasto
Quantiles of Input Sample
600
400
200
0
-200
-400 -2
-1.5
-1
-0.5
0
0.5
Standard Normal Quantiles Figura 2.4. Quantile-quantile plot of the residuals of model MA_gasto.
8
1
1.5
2
2. ARIMA(0,0,3) Model (Gaussian Distribution) (MA_gasto)
2.4. Residual Sample AutoCorrelation Function Residual Sample AutoCorrelation Function
1
MA_gasto Confidence Bounds
0.8
Sample Autocorrelation
0.6
0.4
0.2
0
-0.2
-0.4
-0.6 0
1
2
3
4
5
6
7
Lag Figura 2.5. Sample autocorrelation function of the residuals of MA_gasto
9
8
9
10
11
10/07/20 02:50 PM C:\Users\R...\evidencia_matlab.m 1 of 2 %% %Limpiamos variables y consola clc,clear, close all format bank %% %Generamos el intervalo de fechas t1 = datetime(2020,01,01); fechas = dateshift(t1,'end','month',0:11)' %% %Elaboramos el análisis mensual [ MonthString] = month(fechas) %% %Elaboramos el vector de gasto gasto=[288 700 258 500 557 333.58 757,... 1224.58 333.78 555 785.95 658.45]'; %% %Elaboramos la tabla de datos en formato tabla=table(fechas,gasto) %% %Elaboramos la tabla en formato de tabla de tiempo tabla=table2timetable(tabla) %% %Graficamos para tener una vista previa del comportamiento %mensual de gasto figure(1); barh(tabla.fechas,tabla.gasto,'DisplayName','tabla.Gasto') title('Gasto en transporte mensual','Fontsize',16) xlabel('Gasto','Fontsize',13) ylabel('Fecha','Fontsize',13) legend('Gasto') %% %Convertimos la fecha a un vector numéricos tabla2=tabla; tabla2.fechas=datenum(tabla2.fechas) %% %Graficas simulacion=simulate(MA_gasto,12); x=1:12;
10/07/20 02:50 PM C:\Users\R...\evidencia_matlab.m 2 of 2 plot(tabla.fechas,tabla.gasto,'b','Linewidth',1.5) title('Gasto en transporte mensual vs Gasto estimado','Fontsize',16) xlabel('Gasto','Fontsize',13) ylabel('Fecha','Fontsize',13) legend('Gasto') hold on plot(tabla.fechas,tabla.gasto,'dr','Linewidth',3) hold on plot(tabla.fechas,simulacion,'-.y','Linewidth',1.5) legend('Gasto','Valores','Simulación') %% %Elaboramos la tabla final tabla_final=table(fechas,gasto,simulacion) %% %Exportamos la tabla final write(tabla_final,'tabla_final.xlsx')
Bibliografía Canavos, G. C. (1988). Probabilidad y Estadística Aplicaciones y métodos. México: Mc Graw Hill. Correa, R. B. (2016). Procesos estocásticos con aplicaciones. Barranquilla: Universidad del Norte. Devore, J. L. (2005). Probabilidad y estadística para ingenierías y ciencias. México: Thomson. Martínez Bencardino, C. (2012). Estadística y muestreo. Bogotá: Ecoe Ediciones. Núñez, J. (2011). Análisis dinámico mediante procesos estocásticos para actuarios y finanzas. Alcalá de Henares: Universidad de Alcalá. Ocerin, J. M. (2015). Econometria: modelos econometricos y series temporales. Tomo 2. México: Editorial Reverte. Rincón, L. (2011). Introducción a los procesos estocásticos. México: UNAM.