Series de Tiempo

More documents

Recommendations

Info

Modelos Box-Jenkins Series de Tiempo 3: Diagnosis del modelo ARIMA(0,1,1) Germán Aneiros Pérez Introducción Procesos ARMA: Definición e identificación Procesos ARIMA: Definición e identificación Estimación y diagnosis Selección del modelo y predicción Aplicación a datos reales Residuos: gráficos secuencial y Q-Q normal Contrastes de independencia Procesos ARIMA estacionales Germán Aneiros Pérez Series de Tiempo
Modelos Box-Jenkins Series de Tiempo Germán Aneiros Pérez Introducción Procesos ARMA: Definición e identificación Procesos ARIMA: Definición e identificación Estimación y diagnosis Selección del modelo y predicción Aplicación a datos reales Contrastes de media cero y normalidad µ a = 0: p − valor = 0.9145 Normalidad: Jarque-Bera: p − valor = 9.39e − 07 Shapiro-Wilk: p − valor = 0.002283 Conclusión: Un modelo ARIMA(0,1,1) con constante e innovaciones no gaussianas resulta adecuado como generador de la serie de la producción de tabaco (transformada a través de la función logaritmo neperiano). Procesos ARIMA estacionales Germán Aneiros Pérez Series de Tiempo
Page 1 and 2: Modelos Box-Jenkins Series de Tiemp
Page 7: Modelos Box-Jenkins Series de Tiemp
Page 59 and 60:
Modelos Box-Jenkins Series de Tiemp
Page 61 and 62:
Page 63 and 64:
Page 65 and 66:
Page 67:
show all

Series de Tiempo

Create successful ePaper yourself

Delete template?

Save as template?