23.3 Modelos ARIMA
Un proceso estocástico (Yt) es integrado de orden d(d≥0 entero) si y sólo si (Yt) sigue un modelo autorregresivo-integrado-media móvil de orden (p,d,q), o ARIMA(p,d,q) (del inglés AutoRegressive-Integrated-Moving Average), del tipo ϕ(B)∇dYt=μ+θ(B)ωt∀t=0,±1,±2,… donde las raíces de las ecuaciones ϕ(x)=0 y θ(x)=0 están fuera del círculo unitario.
- Paso 1: Determinar d
- Paso 2: Determinar p y q
- Paso 3: Estimar ARIMA(p,d,q)
- Paso 4: Previsión
Considerar la siguiente serie temporal
Paso 1: Determinar d para (Yt)
Si d=0 (Yt) es estacionaria. Si d=1 (Yt) no es estacionaria y requiere ser diferenciada para ser estacionaria.
Para determinar d se puede utilizar el Test de Dickey Fuller o Test de Raiz Unitaria
- H0: (Yt) tiene raiz unitaria
- H1: (Yt) no tiene raiz unitaria
En Gretl: Usamos la raiz cúbica de N como Lag order (en este caso, 8)
Paso 2: Determinar p y q para (Yt)
Para determinar p y q hacemos análisis visual del correlograma
Se observa que tanto FAS (ACF) como FAP (PACF) tienen patrón de decaimiento. El primero decae suavemente, el segundo tiene un patrón oscilante.Este patrón representa p=1 y q=1.
Paso 3: Estimar ARIMA p,d,q para (Yt)
Como d=0, ajustamos un ARIMA(1,0,1) que es equivalente a ARMA(1,1)
El modelo estimado indica que el coeficiente del término AR(1) es ϕ1=0.83 y el coeficiente del término MA(1) es θ1=0.67, ambos estadísticamente significativos.
Paso 4: Previsión con ARIMA p,d,q para (Yt)