Criterios de selección de modelos ARIMA

Este trabajo compara la eficiencia de algunos contrastes diagnósticos para discriminar entre modelos ARIMA, y discute la utilización en este contexto del criterio de Información de Akaike (MAIC). Hemos demostrado que el MAIC equivale a un contraste F para probar si la reducción de varianza aportada por la introducción de nuevos parámetros es significativa. El nivel crítico de este contraste es variable en función del número incremental de parámetros introducidos. Los resultados teóricos se ilustran con un experimento de simulación. La conclusión principal respecto a los contrastes diagnósticos evaluados es que la eficacia del estadístico Q de Box-Pierce aumenta al utilizarlo conjuntamente con un contraste de rachas sobre los signos de los coeficientes de autocorrelación simple. El contraste para la normalidad de Kolmogorov-Smirnov, aplicado a la distribución de los residuos, parece ser de escasa utilidad para detectar errores en la estructura de los modelos. Finalmente, discutimos los problemas de utilizar un modelo automático de selección y presentamos, mediante casos publicados en la literatura especializada, los riesgos asociados a procedimientos automáticos de construcción de modelo