En principio, un modelo ARMAX es una regresión lineal que utiliza un tipo de proceso ARMA (es decir., $w_t$) para modelos residuales:$$y_t = \alpha_o + \beta_1 x_{1,t} + \beta_2 x_{2,t} + \cdots + \beta_b x_{b,t} + w_t$$ $$(1-\phi_1 L - \phi_2L^2-\cdots-\phi_pL^p)(y_t-\alpha_o -\beta_1 x_{1,t} - \beta_2 x_{2,t} - \cdots - \beta_b x_{b,t})=(1+ \theta_1 L + \theta_2 L^2 + \cdots + \theta_q L^q)a_t$$ $$(1-\phi_1 L - \phi_2 L^2 - \cdots - \phi_p L^p)w_t=(1+\theta_1 L+ \theta_2 L^2 + \cdots + \theta_q L^q ) a_t$$ $$a_t \sim i.i.d \sim \Phi (0,\sigma^2)$$
Donde:
- $L$ es el operador de rezago (también conocido como back-shift).
- $y_t$ es la salida observada en el tiempo $t$.
- $x_{k,t}$ es la variable k-ésima en el tiempo $t$.
- $\beta_k$ es el valor del coeficiente para la k-ésima variable de entrada explicativa.
- $b$ es el número de variables de entrada exógenas.
- $w_t$ son los residuales de regresión auto correlacionados.
- $p$ es el orden de las últimas variables rezagadas.
- $q$ es el orden del último cambio rezagado o choque.
- $a_t$ es el cambio (innovación), choque o términos de error en el tiempo $t$.
- $\{a_t\}$ observaciones de series de tiempo son independientes e idénticamente distribuidas (es decir, $i.i.d$) y seguidas de una distribución Gaussian (es decir, $\Phi(0,\sigma^2)$).
Asumiendo $y_t$ y todas las variables de entrada exógenos son estacionarios, así a continuación, teniendo la expectativa de ambos lados, nosotros podemos expresar $\alpha_o$ como sigue:$$\alpha_o = \mu - \sum_{i=1}^b {\beta_i E[x_i] }= \mu - \sum_{i=1}^b {\beta_i \bar{x_i} }$$
Donde:
- $\bar x_k$ es el promedio de largo plazo de la variable i-ésima de entrada.
En el evento que $y_t$ es no estacionario, entonces uno debe verificar que: (a) una o más variables en $\{x_1,x_2,\cdots,x_b\}$ no es estacional y (b) las variables de series de tiempo $\{y, x_1,x_2,\cdots,x_b\}$ son cointegrados, entonces es por lo menos a la última combinación lineal de aquellas variables que produce un proceso estacionario (es decir, ARMA).
Observaciones
- La varianza de choques es constante o invariante en el tiempo.
- El orden de un proceso componente AR es solamente determinado por el orden de la última variable rezago autorregresivo con un coeficiente distinto a cero. (es decir, $w_{t-p}$).
- El orden de un proceso componente MA es solamente determinado por el orden de la última variable de promedio móvil con un coeficiente distinto a cero (es decir, $a_{t-q}$).
- En principio, usted puede tener pocos parámetros en comparación que las órdenes del modelo. Considere el siguiente proceso ARMA (12, 2):$$(1-\phi_1 L -\phi_{12} L^{12} )(y_t - \mu) = (1+\theta L^2)a_t$$
Ejemplos de archivos
Enlaces Relacionados
Referencias
- James Douglas Hamilton; Análisis de series de tiempo; Princeton University Press; 1st edition (Jan 11, 1994), ISBN: 691042896.
- Tsay, Ruey S.; Analysis of Financial Time Series; John Wiley & SONS; 2nd edition (Aug 30, 2005), ISBN: 0-471-690740.
Comentarios
El artículo está cerrado para comentarios.