{[ promptMessage ]}

Bookmark it

{[ promptMessage ]}

Practica4Series - Estadstica Industrial Universidad Carlos...

Info icon This 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).
Image of page 1

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

View Full Document Right Arrow Icon
Image of page 2
This is the end of the preview. Sign up to access the rest of the document.
  • Spring '11
  • GarciaPozuelo
  • Gráfica, Valor p, Dato, Serie temporal, Derecha política, Modelo autorregresivo integrado de media móvil

{[ snackBarMessage ]}

What students are saying

  • Left Quote Icon

    As a current student on this bumpy collegiate pathway, I stumbled upon Course Hero, where I can find study resources for nearly all my courses, get online help from tutors 24/7, and even share my old projects, papers, and lecture notes with other students.

    Student Picture

    Kiran Temple University Fox School of Business ‘17, Course Hero Intern

  • Left Quote Icon

    I cannot even describe how much Course Hero helped me this summer. It’s truly become something I can always rely on and help me. In the end, I was not only able to survive summer classes, but I was able to thrive thanks to Course Hero.

    Student Picture

    Dana University of Pennsylvania ‘17, Course Hero Intern

  • Left Quote Icon

    The ability to access any university’s resources through Course Hero proved invaluable in my case. I was behind on Tulane coursework and actually used UCLA’s materials to help me move forward and get everything together on time.

    Student Picture

    Jill Tulane University ‘16, Course Hero Intern