Ingeniare. Revista chilena de ingeniería, vol. 15 N^o 3, 2007, pp. 302-312

1 Escuela de Sistemas. Universidad Nacional de Colombia. Medellín, Colombia. E-mail: eczapata@unal.edu.co

2 Escuela de Sistemas. Universidad Nacional de Colombia. Medellín, Colombia. E-mail: jdvelasq@unal.edu.co . Autor para correspondencia.

3 Escuela de Geociencias y Medio Ambiente. Universidad Nacional de Colombia. Medellín, Colombia. E-mail: rasmith@unalmed.edu.co

RESUMEN

En este trabajo se propone la representación de la dinámica del Índice de Oscilación del Sur usando una nueva clase de modelo híbrido no lineal. En este nuevo modelo, la no-linealidad en la media es representada usando un sistema adaptativo neurodifuso de inferencia (ANFIS), mientras que la varianza es representada usando una componente autoregresiva heterocedástica condicional. En adición, una estrategia de especificación es desarrollada para el modelo propuesto, la cual está basada en una batería de pruebas estadísticas. Los resultados indican que el modelo propuesto captura de mejor forma las principales características de la serie de tiempo estudiada, en comparación con otros modelos competitivos.

Palabras clave: ANFIS, ARCH, SOI, heterocedasticidad, series temporales, modelos no lineales.

ABSTRACT

In this paper, we propose the representation of the Southern Oscillation Index (SOI) dynamics using a new class of nonlinear hybrid model. In this new model, the non-linearity in the mean is represented by an adaptive neurofuzzy inference system (ANFIS), while the variance is represented using an autoregressive conditional heterocedastic (ARCH) component. In addition, a specification strategy for the proposed model, which is based on a battery of statistical tests is developed. The results indicate that the proposed model captures in a better way the main features of the studied time series, when compared to other competitive models.

Keywords: ANFIS, ARHC, SOI, heterocedasticity, nonlinear time series modelling.

REFERENCIAS

[1] A. Abraham. "Neuro-fuzzy systems: State-of-the-art modeling techniques, connectionist models of neurons, learning processes and artificial intelligence". Technical Report. Springer-Verlag. Germany. 2001.         [ Links ]

[2] T. Bollerslev. "Generalized autoregressive conditional heteroskedasticity". Journal of Econometrics. Vol. 31, pp. 307-327. 1986.         [ Links ]

[3] F. Chan, D. Marinova and M. McAleer. "Modelling thresholds and volatility in US ecological patents". Environmental Modelling & Software. Volume 20 Issue 11, pp. 1369-1378. November, 2005.         [ Links ]

[4] B.R. Chang. "Applying nonlinear generalized autoregressive conditional heteroscedasticity to compensate ANFIS outputs tuned by adaptive support vector regression". Fuzzy Sets and Systems. Vol. 157 Issue 13, pp. 1832-1850. 2006.         [ Links ]

[5] R. Engle. "Autoregressive conditional heterocedasticity with estimates of the variance of United Kingdom inflations". Econometrica. Vol. 50, pp. 987-1007. 1982.         [ Links ]

[6] M.H. Glantz. "Currents of Change El Niño's impacts on climate and society". Cambridge University Press. 1996.         [ Links ]

[7] A.D. Hall, J. Skalin J. and T. Teräsvirta. "A nonlinear time series model of El Niño". Stockholm School of Economics Working Paper Series in Economics and Finance. N^o 263. 1998.         [ Links ]

[8] IDEAM. "Efectos naturales y socioeconómicos del Fenómeno El Niño en Colombia". Ministerio del Medio Ambiente, Instituto de Hidrología Meteorología y Estudios Ambientales. República de Colombia. Bogotá D.C. 2002.         [ Links ]

[9] J. Jang. "Anfis: Adaptive-network-based fuzzy inference system". IEEE Transactions on Systems, Man, and Cybernetics. Vol. 23, pp. 665-684. 1993.         [ Links ]

[10] R. Jang. "Structure determination in fuzzy modeling: a fuzzy cart approach". IEEE international conference on fuzzy systems. 1994.         [ Links ]

[11] S.G. Philander. "El Niño, La Niña and The Southern Oscillation". Academic Press Inc. San Diego, California. 1990.         [ Links ]

[12] T. Teräsvirta, C.F. Lin and C.W.J. Granger. "Power of the neural network linearity test". Journal of Time Series Analysis. N^o 14, pp. 209-220. 1993.         [ Links ]

[13] T. Teräsvirta. "Specification, estimation, and evaluation of smooth transition autoregressive models". Journal of the American Statistical Association. Vol. 89, pp. 208-218. 1994.         [ Links ]

[14] J.D. Velásquez, I. Dyner y R.C. Souza. "Modelación de Series Temporales usando ANFIS". Revista Iberoamericana de Inteligencia Artificial. Vol. 23 N^o 17. 2004.         [ Links ]

[15] A.T. Wittenberg. "ENSO Response to Altered Climates". Tesis para optar al grado de doctor. Princeton University. 2002.         [ Links ]

Recibido el 30 de noviembre de 2006, aceptado el 22 de octubre de 2007