Guía docente de Series Temporales (2231131)

Tener cursadas las asignaturas Cálculo de Probabilidades I y II, Estadística Matemática I y II y Modelos lineales.

Tener conocimientos adecuados sobre:

• Cálculo matricial.

• Análisis estadístico por la metodología de Box-Jenkins.
• Modelos de función de transferencia.
• Introducción al análisis espectral de series temporales.

• Saber determinar a qué situaciones reales pueden aplicarse diferentes técnicas estadísticas y aplicarlas mediante programas de ordenador.
• Conocer las dificultades y limitaciones que se plantean al utilizar distintos procedimientos para el análisis de series temporales.
• Obtener conclusiones oportunas y modelos adecuados tras la aplicación de técnicas y saber expresarlas adecuadamente.

• TEMA 1: INTRODUCCIÓN

Conceptos básicos, terminología y notación. Naturaleza de las series temporales. Objetivos del análisis de series temporales. Enfoques del análisis de series temporales. Procesos estocásticos. Procesos estacionarios. Función de autocorrelación. Teorema de descomposición de Wold. Modelos ARMA y ARIMA.

• TEMA 2: MÉTODO BOX-JENKINS PARA EL ANÁLISIS DE SERIES TEMPORALES

Filosofía del método Box-Jenkins. Estacionariedad e invertibilidad. Transformaciones de Box-Cox. Funciones de autocorrelación y de autocorrelación parcial. Función de autocorrelación extendida. Construcción de modelos ARMA: Identificación, estimación y validación.

• TEMA 3: MODELIZACIÓN DE SERIES TEMPORALES ESTACIONALES

Modelos ARIMA estacionales multiplicativos. Construcción de modelos estacionales por el método de Box-Jenkins: Identificación, estimación y validación. Predicción (Modelos ARMA y ARIMA). Otros enfoques.

• TEMA 4: REGRESIÓN DINÁMICA Y ANÁLISIS DE INTERVENCIÓN

Modelos de regresión dinámica. Función de correlaciones cruzadas. Función de transferencia. Construcción de modelos de regresión dinámica: Identificación, estimación y validación. Predicción. Análisis de intervención.

• TEMA 5: INTRODUCCIÓN AL ANÁLISIS ESPECTRAL

Análisis espectral de un proceso estacionario. Filtros lineales y transformación de la función de densidad espectral. Periodograma y su relación con el correlograma. Estimación del espectro, propiedades muestrales. Estimación consistente mediante ventanas espectrales. Aplicación a la modelización de series.

Se realizarán prácticas con datos reales y simulados mediante software estadístico relativas a los contenidos tratados en el programa de teoría.

Se realizarán ejercicios que completen el desarrollo teórico de los contenidos de la asignatura.

• ABRAHAM, B. y LEDOLTER, J. (1983): Statistical Methods for Forecasting. John Wiley & Sons, New York.
• BOX, G.E.P. y JENKINS, G.M. (1976): Time Series Analysis: Forecasting and Control. Holden-Day, San Francisco.
• BOX, G.E.P., JENKINS, G.M. and REINSEL, G.C. (1994) Time Series Analysis: Forecasting and Control. 3rd Edition, Prentice Hall, Englewood Cliff, New Jersey.
• BOWERMANN, B.L. y O’CONNELL, R.T. (1993): Forecasting and Time Series: An Applied Approach. Duxbury Press, Belmont.
• Brockwell, P. y Davis, R. (2002). Introduction to Time Series and Forecasting. Springer-Verlag.
• CHATFIELD, C. (1989, cuarta ed.): The Analysis of Time Series: An Introduction. Chapman and Hall.
• Cryer, J. D. y Chang, K.-S. (2008). Time Series Analysis with Applications in R. Springer-Verlag.
• MAKRIDAKIS, S., WHEELWRIGHT, S.C. y HYNDMAN, R.J. (1998): Forecasting Methods and Applications. John Wiley & Sons, New York.
• PANKRATZ, A. (1983): Forecasting with Univariate Box-Jenkins Models. Wiley.
• PANKRATZ, A. (1991): Forecasting with Dynamic Regression Models. Wiley.
• PEÑA, D. (1989, segunda ed.): Estadística: Modelos y Métodos, 2 (Modelos Lineales y Series Temporales). Alianza Universidad Textos.
• URIEL, E. (1984): Series Temporales. Modelos ARIMA. Paraninfo.

• Kirchgässner, Gebhard. (2007) Introduction to Modern Time Series Analysis. Springer-Verlag.
• Robert Shumway and David Stoffer (2006) Time Series Analysis and Its Applications. Springer-Verlag.
• Luetkepohl, Helmut(Editor) (2004) Applied Time Series Econometrics. Cambridge University Press.
• Shumway, R. y Stoffer, D. (2006). Time Series Analysis and its Applications. Springer-Verlag.
• Tsay, R. S. (2002). Analysis of Financial Time Series. Wiley.
• Tsay, R. W. (2014). Multivariate Time Series Analysis: with R and Financial Applications. Wiley.

https://cran.r-project.org/web/views/TimeSeries.html

https://otexts.com/fpp2/

• MD01. MD1. Lección magistral/expositiva 
• MD02. MD2. Sesiones de discusión y debate 
• MD03. MD3. Resolución de problemas y estudio de casos prácticos 
• MD04. MD4. Prácticas en sala de informática 
• MD05. MD5. Seminarios 
• MD06. MD6. Ejercicios de simulación 
• MD07. MD7. Análisis de fuentes y documentos 
• MD08. MD8. Realización de trabajos en grupo 
• MD09. MD9. Realización de trabajos individuales 

La evaluación se realizará a partir de la medición de las diversas actividades que realizan los alumnos.

La superación de cualquiera de las pruebas no se logrará sin un conocimiento uniforme y equilibrado de toda la materia. Se tendrán en cuenta los siguientes procedimientos, aspectos y criterios, asignando a cada uno de ellos un porcentaje que se mantenga en el rango indicado y de tal manera que la suma de los tres constituya el total (100%) de la calificación (memoria VERIFICA):

En particular, la calificación final se desglosará como:

5% Actitud y participación en clase.

5% Resolución de ejercicios.

30% Elaboración de un trabajo de análisis de una serie temporal.

60% Prueba final de todos los contenidos de la asignatura.

Se prestará especial atención al razonamiento crítico del alumno. Así, algunos resultados imposibles de obtener (varianzas negativas, correlaciones en módulo mayor que uno, probabilidades fuera del rango 0-1, ...) conllevarán no sólo la anulación del apartado sino la obtención de una calificación de 0 en toda la prueba o trabajo.

El trabajo práctico realizado sobre datos reales no debe hacerse sobre tasas de paro.

La calificación de la evaluación extraordinaria se desglosa como:

30% Elaboración de un trabajo de análisis de una serie temporal.

70% Examen teórico - práctico de los contenidos de la asignatura.

Se prestará especial atención al razonamiento crítico del alumno. Así, algunos resultados imposibles de obtener (varianzas negativas, correlaciones en módulo mayor que uno, probabilidades fuera del rango 0-1, ...) conllevarán no sólo la anulación del apartado sino la obtención de una calificación de 0 en toda la prueba o trabajo.

El trabajo práctico realizado sobre datos reales no debe hacerse sobre tasas de paro.

La calificación de la evaluación única final se desglosa como:

30% Elaboración de un trabajo de análisis de una serie temporal.

70% Examen teórico - práctico de los contenidos de la asignatura.

Se prestará especial atención al razonamiento crítico del alumno. Así, algunos resultados imposibles de obtener (varianzas negativas, correlaciones en módulo mayor que uno, probabilidades fuera del rango 0-1, ...) conllevarán no sólo la anulación del apartado sino la obtención de una calificación de 0 en toda la prueba o trabajo.

El trabajo práctico realizado sobre datos reales no debe hacerse sobre tasas de paro.

Información de interés para estudiantado con discapacidad y/o Necesidades Específicas de Apoyo Educativo (NEAE): Gestión de servicios y apoyos (https://ve.ugr.es/servicios/atencion-social/estudiantes-con-discapacidad).

Se utilizará de forma general el lenguaje de programación R con R-Studio. Complementariamente se podrá usar otro software.