Uso de la función de correlación cruzada en la identificación de modelos ARMA

• ELKIN CASTAÑO ^[1] ; JORGE MARTÍNEZ ^[1]
  1. [1] Universidad Nacional de Colombia

     Universidad Nacional de Colombia

     Colombia

     
• Localización: Revista Colombiana de Estadística, ISSN-e 2389-8976, ISSN 0120-1751, Vol. 31, Nº. 2, 2008, págs. 293-310
• Idioma: español
• Títulos paralelos:
  • Use of the Crosscorrelation Function in the Identification of ARMA Models
• Enlaces
  • Texto completo
• Resumen
  • español

    La función de correlación cruzada muestral (FCCM) ha sido empleada para estudiar la fortaleza y la dirección de la relación lineal entre dos procesos estocásticos conjuntamente estacionarios. Rosales (2004) y Castaño (2005) muestran que dicha función, calculada entre el proceso estacionario y los residuales de un modelo preliminar estimado, puede ser empleada como un diagnóstico adicional en la identificación de un modelo apropiado ARMA(p,q) para este proceso. El propósito de este trabajo es mostrar que la FCCM entre los residuales de un modelo preliminar, aunque no sea correcto, y la serie de tiempo estacionaria, contiene información relevante del modelo adecuado y, por tanto, puede ser usado como un diagnóstico adicional en la formulación y construcción de modelos ARMA (Autoregressive-Moving Average). El procedimiento propuesto se ilustra con series reales y simuladas.

  • English

    The sample cross-correlation function (SCCF) has been used to study the strength and direction of the linear relation between two jointly stationary stochastic processes. Rosales (2004) and Castaño (2005) show that the cross-correlation function between a stationary process and the residuals of an estimated preliminary model can be used as an additional diagnostic tool, for the identification of an appropriate ARMA(p,q) model, for the generating process of the series. The purpose of this article is to show that the FCCM between a series and the residual of a preliminary model to describe it, not necessarily correct, contains relevant information of the correct model and for this reason it can be used as a diagnostic tool for the construction of ARMA models. The procedure is ilustrated with real and simulated series.

• Referencias bibliográficas
  • Akaike, H.. (1974). `A new look at the statistical model identification´. IEEE Transactions on Automatic Control. 19. 716-723
  • Bartlett, M. S.. (1985). Stochastic Processes. Cambridge University Press. Cambridge.
  • Beguin, J. M.,Gourieroux, C.,Monfort, A.. (1980). Identification of a Mixed Autoregressive-Moving Average Process: The Corner Method. Time...
  • Box, G. E. P.,Jenkins, G. M.. (1976). Time Series Analysis: Forecasting and Control. Holden-Day. San Francisco.
  • Castaño, E.. (2005). La función de correlación cruzada en series no estacionarias: identificación, tendencias determinísticas y raíces unitarias....
  • Rosales, L. F.. (2004). La función de correlación cruzada como elemento de diagnóstico para los modelos ARMA(p,q).
  • Schwarz, G.. (1978). `Estimating the Dimension of a Model´. Ann. Statist. 6. 461-464
  • Tsay, R. S.,Tiao, G. C.. (1984). `Consistent Estimates of Autoregresive Parameters and Extended Sample Autocorrelation Function for Stationary...
  • Tsay, R. S.,Tiao, G. C.. (1985). `Use of Canonical Analysis in Time Series Model Identification´. Biometrika. 72. 299-315
  • Wei, W. W. S.. (1990). Time Series Analysis, Univariate and Multivariate Methods. Addison-Wesley. California.