UNA VEZ QUE SE HA ESTIMADO Y VERIFICADO UN MODELO DE SERIES DE TIEMPO, PUEDE USARSE PARA PRONOSTICAR Modelo ARIMA general Consideramos primero que los parámetros verdaderos del modelo son conocidos y examinaremos las propiedades tanto del pronóstico como del error. ESTIMACIÓN DEL MODELO 1. Se han elegido valores de p, d y q para el modelo ARIMA 2. Elegimos valores de parámetro que minimizarán la suma de diferencias al cuadrado entre la serie de tiempo real y la serie de tiempo ajustada. Depende de los valores pasados e inobservables 3. Representamos los conjuntos de parámetros que minimizan la ecuación y denotamos los residuales asociados con los valores de parámetros con los errores Si están presentes términos de promedio móvil, la ecuación no es lineal en los parámetros VERIFICACIÓN DIAGNÓSTICA • Podemos esperar que los residuales en el tiempo, se parezcan en forma cercana a los errores verdaderos Si no lo están, • Verificar si estos en efecto no están correlacionados tendríamos que especificar el modelo • Una vez verificado el modelo está listo para pronosticar PROCEDIMIENTO MÁS DETALLADO 1. Establecer un total de T + d observaciones 2. Diferenciar la serie d veces Función log- verosimilitud condicional,, está dada por: Ecuación para el primer término del error observable en la forma expandida del modelo ARMA 18.1.2 ESTIMACIÓN NO LINEAL DE PARÁMETROS DEL MODELO • Para minimizar • Suponemos que el modelo es puramente autoregresivo • En su forma general: Para un modelo autoregresivo puro el proceso de estimación es en esencia una regresión lineal ESTIMACIÓN CON UN COMPONENTE DE PROMEDIO MÓVIL No puede estimarse por una aplicación simple de mínimos cuadrados ordinarios • El proceso de estimación no lineal usa comúnmente los primeros dos términos en una expansión de serie de Taylor para realizar la ecuación alrededor de una conjetura inicial para los valores de los parámetros • Realizar una regresión lineal • Nueva linealización de la ecuación alrededor de las estimaciones • Obtención de un segundo conjunto de estimaciones de los parámetros 18.1.3 OBTENCIÓN DE UNA CONJETURA INICIAL PARA LOS VALORES DE LOS PARÁMETROS La función de autocorrelación muestra que en ocasiones puede ser usada para producir la conjetura inicial, al menos si el modelo es de orden bajo. Se calcula por medio de un correlograma. 18.2 VERIFICACIÓN DIAGNOSTICA . Comparar la función de auto correlación simulada con la serie de correlación muestral (deben ser similares). . Se espera que los residuales estén casi no correlacionados entre si, es decir que este cerca de 0 para su desplazamiento. Formula Puede realizarse una prueba de hipótesis estadística de la predicción del modelo, comparando Q con los puntos de ji cuadrada.