Utilizando el simulador de series de tiempo, simule el siguiente modelo ARIMA(3,1,2) mensual para el periodo 1960m01 a 2015m12.
Enviado por Eric • 24 de Febrero de 2018 • 2.501 Palabras (11 Páginas) • 533 Visitas
...
- Estime el modelo ARIMA(p,d,q) correspondiente y muestre con detalle las propiedades de sus residuos.
Dependent Variable: D(Y,1)
Method: ARMA Maximum Likelihood (BFGS)
Date: 04/07/16 Time: 15:51
Sample: 1968M02 2015M12
Included observations: 575
Convergence achieved after 7 iterations
Coefficient covariance computed using outer product of gradients
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
1.415600
2.437481
0.580764
0.5616
AR(1)
0.684521
0.029933
22.86844
0.0000
MA(1)
0.783029
0.027567
28.40449
0.0000
SIGMASQ
106.6835
6.505816
16.39817
0.0000
R-squared
0.803098
Mean dependent var
1.431522
Adjusted R-squared
0.802063
S.D. dependent var
23.29705
S.E. of regression
10.36488
Akaike info criterion
7.525900
Sum squared resid
61343.01
Schwarz criterion
7.556192
Log likelihood
-2159.696
Hannan-Quinn criter.
7.537715
F-statistic
776.3043
Durbin-Watson stat
2.026136
Prob(F-statistic)
0.000000
Inverted AR Roots
.68
Inverted MA Roots
-.78
El modelo estimado es ARIMA(1,1,1)
- Analice las raíces del proceso y muestre en un gráfico el correlograma original y el estimado por el modelo. ¿Es satisfactorio el mismo?
[pic 13]
Las raíces del modelo están dentro del circulo unitario, el modelo ARIMA es estable.
Correlograma original
Autocorrelation
Partial Correlation
AC
PAC
Q-Stat
Prob
.|******|
.|******|
1
0.843
0.843
411.09
0.000
.|**** |
***|. |
2
0.588
-0.427
611.18
0.000
.|*** |
.|** |
3
0.416
0.291
711.48
0.000
.|** |
*|. |
4
0.304
-0.170
765.07
0.000
.|** |
.|* |
5
0.228
0.130
795.23
0.000
.|* |
*|. |
6
0.159
-0.152
809.97
0.000
.|* |
.|* |
7
0.102
0.111
816.09
0.000
...