Macroeconometría - Semana 3: ARMA

PhD Jairo Flores

Universidad Peruana de Ciencias Aplicadas

Facultad de Economía

April 14, 2025

1 / 30
Outline

1 Metodología Box- Jenkins: Identificación y estimación

2 Predicción

3 Estacionalidad y quiebre estructural

2 / 30
Outline

1 Metodología Box- Jenkins: Identificación y estimación

2 Predicción

3 Estacionalidad y quiebre estructural

3 / 30
Identificación a través de la Inspección Visual
• Un método para comenzar es la inspección visual. Como dijimos anteriormente,
los modelos AR y MA son modelos para procesos estacionarios donde se asume
la estacionariedad en covarianza.
• Para determinar si una serie es estacionaria en covarianza, podemos usar varias
tácticas. Una táctica simple es simplemente observar!.

• Para ser más específicos, el proceso de la izquierda es un AR(1) donde la

intersección del modelo µ = 1 y φ1 = 0, 7.
• Por lo tanto, el modelo puede escribirse como: yt = 1 + 0, 7yt−1 + ut
• Observe que la media de la serie es constante. Esto se determina gráficamente
si la línea de mejor ajuste es una línea horizontal.
4 / 30
Inspección Visual Continua

• La serie tiene una varianza constante si no hay choques extremos. Observamos

que apenas hay valores atípicos extremos u observaciones aisladas. Por lo
tanto, es bastante seguro decir que hay una varianza constante.
• Por otro lado, el proceso MA(1) de la derecha tiene una intersección µ = 4 y
θ1 = 0.7.
• Por lo tanto, el modelo puede escribirse como:

yt = 4 + 0, 7ut−1 + ut
• ¡Las dos series se ven muy similares! (excepto la intersección que en el
AR(1) comienza en 1 y en el MA(1) comienza en 4).
• Entonces que hacemos!!!!!!
• Podemos observar/estimar la ACF y la PACF.

5 / 30
Identificación utilizando ACF y PACF

• La identificación visual es útil pero no suficiente para distinguir procesos

estacionarios específicos.

Figure: Función de Autocorrelación

• En la Figura 5, se muestran los gráficos de la ACF para procesos AR(1) y

MA(1).
• Para un proceso AR(1), la ACF muestra una decaimiento geométrico.

6 / 30
Patrones de la Función de Autocorrelación

• El coeficiente de autocorrelación decae gradualmente de retraso 1 a

retraso 2, y así sucesivamente.
• Generalizando para cualquier AR(p), la ACF decae suavemente hacia
cero, con posibles oscilaciones si φ < 0.
• Para un modelo MA(1), hay un corte abrupto después del retraso 1.
• En general, para un MA(q), el corte ocurre en el q-ésimo retraso
especificado.

7 / 30
Función de Autocorrelación Parcial (PACF)

• Ejemplo: la correlación entre yt y yt−2 podría surgir principalmente

porque ambas variables están correlacionadas con yt−1 .
• Entonces, podríamos preguntar cuál es la correlación entre yt y yt−2
neto del efecto de yt−1 .
• En términos simples, la PACF(k) es el parámetro k de la regresión lineal:

yt = φ1 yt−1 + · · · + φk−1 yt−k+1 + φk yt−k + εt

8 / 30
Función de Autocorrelación Parcial (PACF)

• Si la serie es invertible, lo cual asumiremos a lo largo del análisis,

entonces tenemos:
I yt /(1 − θ1 L − · · · − θq Lq ) = εt
∞
I yt = πi yt−i + εt
X

i=1
• La forma autorregresiva del proceso MA(q) tiene un número infinito de
términos, lo cual implica que la PACF no caerá a cero como lo hace en
el proceso AR.

9 / 30
Función de Autocorrelación Parcial (PACF)

• Para un modelo AR(1), hay un corte inmediato después del retraso 1.

• Generalizando a un AR(p) de orden superior, el corte ocurre justo
después del p-ésimo retraso.
• Para un proceso MA(p), se observa un decaimiento geométrico.

10 / 30
Resumen de Patrones de ACF y PACF

Modelo ACF PACF

AR(1) Decaimiento Geométrico Corte después del Retraso 1
AR(p) Decaimiento Geométrico Corte después del Retraso p
MA(1) Corte después del Retraso 1 Decaimiento Geométrico
MA(q) Corte después del Retraso q Decaimiento Geométrico
ARMA(p, q) Decaimiento Geométrico Decaimiento Geométrico

11 / 30
Estimación

• El proceso de encontrar la especificación adecuada es esencialmente un

procedimiento de prueba y error.
1 Se puede encontrar una especificación inicial basada en el ACF y PACF
de la muestra.
2 La adecuación de la especificación puede examinarse aplicando las
técnicas anteriores a los residuos estimados.
3 Si los residuos se asemejan satisfactoriamente a un proceso de ruido
blanco, entonces se puede proceder al paso de pronóstico.
4 En caso contrario, se debe considerar una nueva especificación.

12 / 30
Estimación de un modelo ARMA(p,q)-X

La estimación es por maximum-loglikelihood (ML). Para la observación t, la

probabilidad (condicional) de observar una realización conjunta de
parámetros β, Φ, Θ es:

1 1 1 2t
ln Lt (β, Φ, Θ|Ωt ) = − ln(2) − ln(π) − ln(σ) −
2 2 2 σ2
Donde:
t = Φ(L)yt − xt β − θ1 t−1 − θ2 t−2 − ... − θq t−q
Luego, la solución se representa como:
n
1X
(β, Φ, Θ)0 = arg max ln Lt (β, Φ, Θ|Ωt )
n
i=1

13 / 30
Estimando p y q: Tests secuenciales

• Pasos en la “reducción” de un test t-student secuencial:

I Se especifica un modelo ARIMA general con valores p y q.
I Establecer cierto criterio para escoger el modelo final. Ej: t crítico = 2 o
p-valor = 0.05.
I Eliminar secuencialmente coeficientes AR y MA que sean no significativos
(de acuerdo a la regla anterior).

• Pasos en la “reducción” de un test F secuencial (significancia conjunta):

I Se especifica un modelo ARIMA general con valores p y q.

I Establecer cierto criterio para escoger el modelo final. Ej: p-valor = 0.05.
I Eliminar secuencialmente grupos de coeficientes AR y MA que sean no
significativos (de acuerdo a la regla anterior).

14 / 30
Estimando p y q: Criterios de Información
Los criterios de información se utilizan en la selección entre modelos
anidados. Cada criterio muestra un trade-off entre la contribución hecha por
el ajuste del modelo y los grados de libertad del modelo.

• Akaike Information Criterion (aic):

2
ln s 2 + k
T
• Hannan-Quinn Information Criterion (hnq):

2 ln(ln(T ))
ln s 2 + k
T
• Schwarz Information Criterion (bic):

ln(T )
ln s 2 + k
T
s 2 es la varianza residual (la suma promedio de cuadrados residuales del
modelo); T es el número de observaciones y k es el número de parámetros en
el sistema lineal.
15 / 30
Estimando p y q: Hannan-Rissanen

• El procedimiento se describe en Lutkepohl (1995)

• La metodología tiene 2 pasos:
I Se utiliza un proceso autorregresivo con un orden elevado, i.e., AR(h),
para obtener los residuales ε̂
I Se utilizan los residuos del paso anterior para obtener estimados de φj y θj

p q
yt = α0 + φj yt−j +
X X
θj ε̂t−j (h) + ξt
j j

Se utilizan los criterios de información para determinar los órdenes del ARMA.
Se fija a priori un pmáx ∈ (q, h)

16 / 30
Outline

1 Metodología Box- Jenkins: Identificación y estimación

2 Predicción

3 Estacionalidad y quiebre estructural

17 / 30
Pronóstico usando un modelo MA

• Usamos el modelo de promedio móvil para determinar valores de pronóstico.

• Considerar un modelo MA(4):

yt = µ + ut + θ1 ut−1 + θ2 ut−2 + θ3 ut−3 + θ4 ut−4

• Escalares de pronóstico para los próximos 5 períodos:
yt+1 = µ + ut+1 + θ1 ut + θ2 ut−1 + θ3 ut−2 + θ4 ut−3
yt+2 = µ + ut+2 + θ1 ut+1 + θ2 ut + θ3 ut−1 + θ4 ut−2
yt+3 = µ + ut+3 + θ1 ut+2 + θ2 ut+1 + θ3 ut + θ4 ut−1
yt+4 = µ + ut+4 + θ1 ut+3 + θ2 ut+2 + θ3 ut+1 + θ4 ut
yt+5 = µ + ut+5 + θ1 ut+4 + θ2 ut+3 + θ3 ut+2 + θ4 ut+1

18 / 30
Construcción de Probabilidad Condicional

• Estimación de pronósticos para los próximos 5 períodos.

• Primer período de pronóstico:

ft+1 = E (yt+1 |Ωt ) = µ + θ1 ut + θ2 ut−1 + θ3 ut−2 + θ4 ut−3
• Segundo período de pronóstico:
ft+2 = E (yt+2 |Ωt ) = µ + θ2 ut + θ3 ut−1 + θ4 ut−2
• Tercer período de pronóstico: ft+3 = E (yt+3 |Ωt ) = µ + θ3 ut + θ4 ut−1

• Cuarto período de pronóstico: ft+4 = E (yt+4 |Ωt ) = µ + θ4 ut

• Quinto período de pronóstico: ft+5 = E (yt+5 |Ωt ) = µ

• El modelo MA(4) tiene memoria de hasta 4 períodos.

19 / 30
Pronóstico usando un modelo AR

• Similar a lo que hemos hecho con el modelo de media móvil, podemos

usar un ejemplo para ilustrar el procedimiento de predicción subyacente a
un modelo autorregresivo.
• Consideremos un modelo AR(3) dado por:

yt = µ + φ1 yt−1 + φ2 yt−2 + φ3 yt−3 + ut

• Generamos nuestros escalares de predicción asumiendo que los

parámetros son estables a lo largo del tiempo.
• Creemos las primeras cuatro predicciones:

yt+1 = µ + φ1 yt + φ2 yt−1 + φ3 yt−2 + ut+1

yt+2 = µ + φ1 yt+1 + φ2 yt + φ3 yt−1 + ut+2

yt+3 = µ + φ1 yt+2 + φ2 yt+1 + φ3 yt + ut+3
yt+4 = µ + φ1 yt+3 + φ2 yt+2 + φ3 yt+1 + ut+4

20 / 30
Horizonte de Predicción

• Para el primer horizonte de predicción:

ft+1 = E (yt+1 |Ωt ) = E (µ + φ1 yt + φ2 yt−1 + φ3 yt−2 + ut+1 |Ωt )

• Aplicando propiedades de la expectativa:

ft+1 = E (yt+1 |Ωt ) = µ + φ1 yt + φ2 yt−1 + φ3 yt−2

21 / 30
Segundo Horizonte de Predicción

• Procedamos al segundo horizonte de predicción:

ft+2 = E (yt+2 |Ωt ) = E (µ + φ1 yt+1 + φ2 yt + φ3 yt−1 + ut+2 |Ωt )

• Aplicando propiedades de las expectativas condicionales:

ft+2 = E (yt+2 |Ωt ) = µ + φ1 ft+1 + φ2 yt + φ3 yt−1

22 / 30
Tercer y Cuarto Horizonte de Predicción

• Para el tercer horizonte de predicción:

ft+3 = E (yt+3 |Ωt ) = µ + φ1 ft+2 + φ2 ft+1 + φ3 yt

• Para el cuarto horizonte de predicción:

ft+4 = E (yt+4 |Ωt ) = µ + φ1 ft+3 + φ2 ft+2 + φ3 ft+1

• Las predicciones subsiguientes pueden hacerse en la forma:

ft+s = E (yt+s |Ωt ) = µ + φ1 ft+s−1 + φ2 ft+s−2 + φ3 ft+s−3

• Las predicciones de un modelo autorregresivo tiene memoria infinita.

23 / 30
Método Box–Jenkins

1. Graficar ACF y PACF 2. Transformar datos (si es necesario) 3. Estimar ARMA(p, q)

5. Predecir 4. Obtener resultados. ¿Son ruidos blancos?

24 / 30
Outline

1 Metodología Box- Jenkins: Identificación y estimación

2 Predicción

3 Estacionalidad y quiebre estructural

25 / 30
Estacionalidad en Series Económicas

• Muchos procesos económicos presentan patrones estacionales (ej.

agricultura, comercio, turismo).
• Ignorar la estacionalidad puede aumentar significativamente la varianza
de los errores de pronóstico.
• Cuidado con datos desestacionalizados o ajustados
estacionalmente:
I Pueden no eliminar completamente los patrones estacionales.
I Esto es más grave si no se usa toda la serie de datos.
• El ajuste estacional es un proceso en dos pasos:
1 Eliminación del patrón estacional.
2 Estimación de coeficientes ARMA sobre la serie ajustada.
• Bell y Hillmer (1984): los coeficientes estacionales y ARMA deben
estimarse conjuntamente.
• Recomendación: evitar el uso de datos ajustados estacionalmente en
análisis de modelos.

26 / 30
Media Móvil Integrada Autorregresiva (ARIMA)

• En la última sesión mencionamos que una manera de lidiar con

tendencias estocásticas es tomar las primeras diferencias.
• Nuevo concepto: Cada serie tiene un grado de integración d que
corresponde al número de veces que la serie debe diferenciarse para ser
estacionaria.
• Una limitación clave del ARMA es que no puede tener en cuenta la no
estacionariedad.
• Esto se soluciona con el ARIMA(p, d, q).
• Incorporamos el número d de diferencias para estacionarizar la serie.

φ(L)∆d yt = µ + θ(L)ut
• Esencialmente, este modelo es equivalente a un ARMA(p, q) utilizando
datos que ya han sido estacionarizados.

27 / 30
Media Móvil Integrada Autorregresiva Estacional (SARIMA)

• El modelo ARIMA(p, d, q) es versátil, pero no puede considerar la

estacionalidad.
• Algunos indicadores económicos presentan estacionalidad, como las
remesas de trabajadores en el extranjero: suelen ser más altas durante la
temporada navideña.
• Por lo tanto, podemos modificar el ARIMA estándar en el SARIMA que
considera rezagos estacionales autoregresivos, diferencias y rezagos de
media móvil.

Φ(L)∇D yt + φ(L)∆d yt = µ + Θ(L)ut + θ(L)ut

• El SARIMA(p, d, q)(P, D, Q) incorpora la especificación estándar de
ARIMA pero añade la posibilidad de tener P rezagos estacionales
autoregresivos, D diferencias estacionales y Q rezagos de media móvil
estacionales.

28 / 30
Modelos de Datos Estacionales

• Los modelos estacionales de Box–Jenkins se ajustan con ligeras

diferencias respecto a los no estacionales.
• La clave estacional está en que los coeficientes de la ACF y PACF
aparecen en rezagos s, 2s, 3s, . . . (no en 1, 2, 3, . . . ).
• Ejemplos simples para datos trimestrales:

yt = a4 yt−4 + εt
yt = εt + β4 εt−4

• El correlograma teórico de estos modelos exhibe picos en los rezagos

múltiples de 4 (4, 8, 12, …).

29 / 30
Identificación y Especificación Estacional

• La identificación puede ser compleja debido a la interacción entre

patrones estacionales y no estacionales.
• El modelo puede tener forma aditiva o multiplicativa:
Forma Multiplicativa

(1 − a1 L)(1 − a4 L4 )yt = (1 + β1 L)(1 + β4 L4 )εt

• Permite una rica interacción de rezagos, siendo más parsimonioso.

• La especificación multiplicativa puede ser preferible si β5 ≈ β1 β4 .

30 / 30