Comparación de métodos de identificación de modelos ARMA
En el modelamiento de series de tiempo, la identificación de las órdenes de un modelo es crucial, porque es la base para el entendimiento de la serie y para el pronóstico. En los últimos treinta años han surgido métodos que se basan en patrones de la función de autocorrelación o en los valores propi...
- Autores:
-
Gómez Castrillón, William Alexander
- Tipo de recurso:
- Fecha de publicación:
- 2016
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/13309
- Acceso en línea:
- http://hdl.handle.net/1992/13309
- Palabra clave:
- Análisis de regresión - Investigaciones
Análisis de series de tiempo - Investigaciones
Probabilidades - Investigaciones
Ingeniería
- Rights
- openAccess
- License
- https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
| Summary: | En el modelamiento de series de tiempo, la identificación de las órdenes de un modelo es crucial, porque es la base para el entendimiento de la serie y para el pronóstico. En los últimos treinta años han surgido métodos que se basan en patrones de la función de autocorrelación o en los valores propios de la matriz de covarianzas. Este artículo compara seis de ellos, evaluando su identificación de series que siguen modelos Auto-Regresivos y ARMA. Para AR puros los mejores métodos de identificación fueron, en su orden, ESACF, 'SCAN a' y AIC; para modelos ARMA no hubo ningún modelo que sobresaliera, el máximo porcentaje de identificación correcta fue de 4.5% para el método AIC. El desempeño general fue bastante pobre, el porcentaje de identificación correcta promedio fue de 20% y 2% para los modelos AR y ARMA respectivamente. |
|---|