Practica4Series - Estadstica Industrial Universidad Carlos...

Info iconThis preview shows pages 1–2. Sign up to view the full content.

View Full Document Right Arrow Icon
Estadística Industrial Universidad Carlos III de Madrid Series temporales Práctica 4 Objetivos: Estimar los parámetros de los procesos autoregresivos (AR), media móvil (MA) y proceso ARMA (ARIMA si la serie se trabaja con diferencias), una vez que han sido identificados mediante la función de autocorrelación simple (FAS) y la función de autocorrelación parcial (FAP). Datos: Fichero: Fichero anterior de la práctica 3 (Practica3Series.sf) Pasos previos antes de estimar los parámetros de algún proceso AR, MA ó ARMA en la serie (recordar prácticas 1, 2 y 3). Importar el fichero de datos (FILE-> OPEN DATA FILE). Análisis descriptivo de series temporales. Representación del gráfico temporal de la serie: SPECIAL -> TIME-SERIES ANALYSIS -> DESCRIPTIVE METHODS. Eliminar tendencia: mediante una diferencia regular, ANALYSIS OPTIONS -> DIFFERENCING -> NON-SEASONAL ORDER. Representación del gráfico de FAS y FAP: GRAPHICAL OPTIONS , opciones Autocorrelation Function (FAS) y Partial Autocorrelation Function (FAP). Identificar la serie con algún proceso AR, MA ó ARMA (con o sin diferencia). Diagnosis del Modelo Una vez identificada la serie, el paso siguiente es la estimación de los parámetros del modelo y de la diagnosis o validación del mismo. Lo primero que debe hacerse tras la estimación es estudiar si la estructura que hemos introducido con nuestro modelo es significativa, es decir, ver si todo lo que introducimos en el modelo influye sobre la serie . Debemos ver si los parámetros que estimamos son significativamente distintos de cero o no . Si todos los parámetros son distintos de cero, significa que toda la estructura introducida es influyente, siendo el siguiente paso la realización de la diagnosis de los residuos. Si por el contrario algún parámetro es estadísticamente igual a cero, lo que está ocurriendo es que estamos introduciendo información irrelevante en nuestro modelo, es decir, estamos sobreparametrizando nuestro modelo (introduciendo más parámetros de los necesarios). En este caso hay que identificar otro modelo en el que dicha información irrelevante no aparezca (eliminamos lo que no influya). La herramienta que nos permite determinar qué influye en nuestro modelo y qué no, es el contraste sobre el parámetro. En términos prácticos, consideraremos que un parámetro es distinto de cero si su p-valor es menor que 0.05 y consideraremos que es igual a cero (la estructura asociada no influye) cuando dicho valor sea mayor que 0.05. Una vez que se dispone de un modelo con todos los parámetros distintos de cero,
Background image of page 1

Info iconThis preview has intentionally blurred sections. Sign up to view the full version.

View Full DocumentRight Arrow Icon
Image of page 2
This is the end of the preview. Sign up to access the rest of the document.

This note was uploaded on 09/01/2011 for the course STAT 01 taught by Professor Garciapozuelo during the Spring '11 term at Université des Sciences et technologie de Lille.

Page1 / 10

Practica4Series - Estadstica Industrial Universidad Carlos...

This preview shows document pages 1 - 2. Sign up to view the full document.

View Full Document Right Arrow Icon
Ask a homework question - tutors are online