Ver el código de «Modelo autorregresivo de media móvil»

En [[estadística]], los '''modelos autorregresivos de media móvil''' (en inglés ''AutoRegressive Moving Average models'', abreviados '''ARMA'''), también llamados ''Modelos Box-Jenkins'', se aplican a [[serie temporal|series temporales]] de datos.

Dada una [[serie temporal]] de datos ''X''<sub>''t''</sub>, el modelo ARMA es una herramienta para entender y, aún más, para predecir futuros valores de la serie. El modelo está formado por dos partes, una parte autorregresiva (AR) y otra de media móvil (MA). El modelo se conoce con el nombre de modelo ARMA (''p'',''q''), donde ''p'' es el orden de la parte autorregresiva y ''q'' es el orden de la parte de media móvil.  

==Modelo autorregresivo==
La notación AR(''p'') se refiere a un modelo autorregresivo de orden ''p''. Un modelo AR(''p'') puede escribirse como:

:<math> X_t = c + \sum_{i=1}^p \phi_i X_{t-i}+ \epsilon_t .\,</math>

donde <math>\phi_1, \ldots \phi_p</math> son los parámetros del modelo, <math>c</math> es una constante y <math>\epsilon_t</math> es un término de error. Muchos autores omiten el término constante, para fines de simplificación.

Un modelo autorregresivo es esencialmente un [[IIR|filtro de respuesta infinita al impulso IIR]], con determinada interpretación adicional.

Se debe tener en cuenta que es necesario imponer ciertas restricciones a los valores de los parámetros de este modelo para que funcione correctamente ([[proceso estacionario]]). Por ejemplo, en un modelo AR(1), si |&phi;<sub>1</sub>| > 1 el modelo no tendrá un buen comportamiento.

===Ejemplo: Un proceso AR(1)===
Un proceso AR(1) está dado por:

:<math>X_t = c + \phi X_{t-1}+\epsilon_t,\,</math> 

donde <math>\epsilon_t</math> es un proceso de [[ruido blanco]] con media cero y [[varianza]] <math>\sigma^2</math>.
(Nota: El subíndice en <math>\phi_1</math> se omitió.) El proceso es de [[proceso estacionario|covarianza estacionaria]] si <math>|\phi|<1</math>. Si <math>\phi=1</math>, entonces <math>X_t</math> tiene una [[raíz unitaria]]. El cálculo de la esperanza de <math>X_t</math> es directo. Asumiendo la covarianza estacionaria, tenemos:

:<math>\mbox{E}(X_t)=\mbox{E}(c)+\phi\mbox{E}(X_{t-1})+\mbox{E}(\epsilon_t)\Rightarrow \mu=c+\phi\mu+0</math>.

entonces:

:<math>\mu=\frac{c}{1-\phi},</math>

donde <math>\mu</math> es la media. La [[varianza]] es:

:<math>\textrm{var}(X_t)=E(X_t^2)-\mu^2=\frac{\sigma^2}{1-\phi^2}</math>

La [[autocorrelación|función de autocorrelación]] viene dada por:

:<math>B_n=E(X_{t+n}X_t)-\mu^2=\frac{\sigma^2}{1-\phi^2}\,\,\phi^{|n|}</math>

Se puede ver que la función de autocorrelación decrece con un intervalo de decrecimiento de <math>\tau=-1/\ln(\phi)</math>.

La función de [[densidad espectral]] es la [[transformada de Fourier]] de la función de autocorrelación. En términos discretos, ésta sería la transformada de Fourier de tiempo discreto:

:<math>\Phi(\omega)=
\frac{1}{\sqrt{2\pi}}\,\sum_{n=-\infty}^\infty B_n e^{-i\omega n}
=\frac{1}{\sqrt{2\pi}}\,\left(\frac{\sigma^2}{1+\phi^2-2\phi\cos(\omega)}\right)
</math>

Esta expresión contiene [[aliasing]] debido a la naturaleza discreta de <math>X_j</math>. Si asumimos que el intervalo de la muestra es mucho menor que el intervalo de decrecimiento (<math>\tau\ll 1</math>), entonces podemos utilizar una aproximación continua a <math>B_n</math>:

:<math>B(t)\approx \frac{\sigma^2}{1-\phi^2}\,\,\phi^{|t|}</math>

que da un [[distribución Cauchy|perfil Lorentzian]] para la densidad espectral:

:<math>\Phi(\omega)=
\frac{1}{\sqrt{2\pi}}\,\frac{\sigma^2}{1-\phi^2}\,\frac{\gamma}{\pi(\gamma^2+\omega^2)}</math>

donde <math>\gamma=1/\tau</math> es la [[Velocidad angular|frecuencia angular]] asociada con el intervalo de decrecimiento <math>\tau</math>.

Una expresión alternativa para <math>X_t</math> se puede obtener substituyendo primero <math>c+\phi X_{t-2}+\epsilon_{t-1}</math> por <math>X_{t-1}</math> en la ecuación de definición. 

Continuando este proceso N veces, obtenemos:

:<math>X_t=c\sum_{k=0}^{N-1}\phi^k+\phi^NX_{t-N}+\sum_{k=0}^{N-1}\phi^k\epsilon_{t-k}</math>

Cuando N tiende a infinito, <math>\phi^N</math> tiende a cero y:

:<math>X_t=\frac{c}{1-\phi}+\sum_{k=0}^\infty\phi^k\epsilon_{t-k}</math>

Véase que <math>X_t</math> es ruido blanco convolucionado con <math>\phi^k</math> más la constante de la media. Por el [[teorema del límite central]], <math>X_t</math> será distribuido normalmente como cualquier muestra de <math>X_t</math>, que es más grande que el intervalo de decrecimiento de la función de autocorrelación.

==Modelo de medias móviles==
La notación MA(''q'') se refiere a un modelo de media móvil de orden ''q''.

:<math> X_t = \varepsilon_t + \sum_{i=1}^q \theta_i \varepsilon_{t-i}\,</math>

donde &theta;<sub>1</sub>, ..., &theta;<sub>''q''</sub> son los parámetros del modelo y &epsilon;<sub>t</sub>, &epsilon;<sub>t-1</sub>,... son, de nuevo, los términos de error.

Un modelo de medias móviles es esencialmente un [[Finite impulse response|filtro de respuesta finita al impulso FIR]], con cierta interpretación adicional.

==Modelo autorregresivo de media móvil==
La notación ARMA(''p'', ''q'') se refiere a un modelo con  ''p'' términos autorregresivos y ''q'' términos de media móvil. Este modelo combina los modelos AR y MA:

:<math> X_t = \varepsilon_t +  \sum_{i=1}^p \phi_i X_{t-i} + \sum_{i=1}^q \theta_i \varepsilon_{t-i}.\,</math>

==Nota sobre los términos de error==
Habitualmente se asume que los términos de error &epsilon;<sub>t</sub> son [[Variable aleatoria|variables aleatorias]] independientes idénticamente distribuidas, tomadas de una muestra con [[distribución normal]] de media cero: &epsilon;<sub>t</sub> ~ N(0,&sigma;<sup>2</sup>), donde &sigma;<sup>2</sup> es la varianza. Estas suposiciones pueden ser frágiles y, si no se cumplen, pueden cambiar las propiedades del modelo. De hecho, un cambio en la suposición de independencia y distribución idéntica podría dar lugar a una diferencia considerable.

== Especificación en términos del operador retardo (lag operator) ==
En algunos textos los modelos se especifican en términos del [[operador retardo]] ''L''.  En estos términos, el modelo AR(''p'') viene dado por:

:<math> \varepsilon_t = \left(1 - \sum_{i=1}^p \phi_i L^i\right) X_t =  \phi X_t\,</math>

donde <math>\phi</math> representa el [[polinomio]]

:<math> \phi = 1 - \sum_{i=1}^p \phi_i L^i.\,</math>

Un modelo MA(''q'') viene dado por:

:<math> X_t = \left(1 + \sum_{i=1}^q \theta_i L^i\right) \varepsilon_t = \theta \varepsilon_t\,</math>

donde &theta; representa el polinomio

:<math> \theta= 1 + \sum_{i=1}^q \theta_i L^i.\,</math>

Por último, el modelo combinatorio ARMA viene dado por

:<math> \left(1 - \sum_{i=1}^p \phi_i L^i\right) X_t = \left(1 + \sum_{i=1}^q \theta_i L^i\right) \varepsilon_t\,</math>

o, de forma más concisa,

:<math> \phi X_t = \theta \varepsilon_t.\,</math>

== Modelos de ajuste (''fitting models'') ==

En general, tras seleccionar ''p'' y ''q'', los modelos ARMA pueden ajustarse mediante regresión de [[mínimos cuadrados]] para encontrar los valores de los parámetros que minimizan el término de error. Se considera generalmente una buena práctica encontrar los valores menores de ''p'' y ''q'' que proporcionan un ajuste aceptable a los datos. Para un modelo puro AR, deben utilizarse las [[ecuaciones Yule-Walker]] para proporcionar un ajuste.

==Generalizaciones==
La dependencia de ''X''<sub>''t''</sub> de valores pasados y en los términos de error &epsilon;<sub>t</sub> se asume que es lineal, salvo que se especifique lo contrario. Si la dependencia no es lineal, entonces el modelo se llama específicamente ''modelo de media móvil no lineal (NMA)'', ''modelo autorregresivo no lineal'' (NAR) o ''modelo autorregresivo de media móvil no lineal'' (NARMA).

Los modelos autorregresivos de media móvil pueden generalizarse con otros métodos. Véanse también los [[modelos ARCH]] (modelos de [[heterocedasticidad]] condicional autorregresivos) y los [[modelo Arima|modelos autorregresivos integrados de medias móviles ARIMA]] (modelos autorregresivos integrados de medias móviles). Si tenemos que ajustar múltiples series temporales, entonces se puede ajustar un modelo [[vector]]ial ARIMA (VARIMA). Si las series temporales en cuestión muestran una memoria lejana, entonces es apropiado un modelo ARIMA fraccional (''FARIMA'', a veces denominado ''ARFIMA''). De pensar que los datos presentan estacionalidad, entonces debe usarse un modelo SARIMA.

==Referencias==
* Box, George E.P. 1976: and F.M. Jenkins. ''Time Series Analysis: Forecasting and Control'', 2nd. ed. Oakland, CA: Holden-Day.

{{Control de autoridades}}
[[Categoría:Modelos de series temporales]]
[[Categoría:Ruido]]