Cómo leer la ACF y la PACF: las firmas de AR, MA y ARMA, con ejemplos en R

Cómo leer la ACF y la PACF: las firmas de AR, MA y ARMA, con ejemplos en R

Juan Marcelo Gutierrez

Antes de estimar un modelo de series temporales hay que decidir cuál. Y para eso, desde Box y Jenkins, se mira lo mismo: dos gráficos de barras, la ACF y la PACF. Cada proceso deja en ellos una firma reconocible, y con una regla de tres líneas puedes leerla. Pero esa regla no se entiende hasta que ves de dónde sale.

Aquí la vamos a sacar de las fórmulas y a comprobarla con datos simulados en R, donde conocemos la respuesta. Al final te dejo cuatro series para que pruebes tú.

Cuatro correlogramas de cuatro procesos distintos

Si prefieres verlo paso a paso en pantalla, está en vídeo: ACF y PACF en R: las firmas de AR, MA y ARMA.

La regla, por adelantado

ProcesoACFPACF
AR(p)decaese corta en p
MA(q)se corta en qdecae
ARMA(p,q)decaedecae

Lo que se corta te dice el orden; lo que decae te dice la familia. Vamos a ver por qué.

Qué miden la ACF y la PACF

La autocorrelación en el retardo kk es la covarianza entre la serie y su retardo kk, dividida por la varianza:

ρ(k)=Cov(yt,yt−k)Var(yt)\rho(k) = \frac{\text{Cov}(y_t, y_{t-k})}{\text{Var}(y_t)}

La autocorrelación parcial ϕkk\phi_{kk} es otra cosa: el último coeficiente de una regresión de la serie sobre sus kk primeros retardos.

yt=ϕk1 yt−1+ϕk2 yt−2+⋯+ϕkk yt−k+ety_t = \phi_{k1}\,y_{t-1} + \phi_{k2}\,y_{t-2} + \dots + \phi_{kk}\,y_{t-k} + e_t

Es decir, lo que aporta el retardo kk cuando los anteriores ya están dentro. Esa diferencia explica casi todo lo que viene.

Simular para ver la firma sin ruido

Con datos reales nunca sabes qué proceso los generó. Por eso empezamos simulando: 500 observaciones de cada proceso, con parámetros conocidos y 100 de calentamiento. Las guardamos en un tsibble, la tabla de series temporales del ecosistema tidyverts.

library(tsibble)

set.seed(2026)
sim <- function(...) as.numeric(arima.sim(model = list(...), n = 500, n.start = 100))
series <- tsibble(
  t = 1:500,
  ruido = rnorm(500),
  ar1p = sim(ar = 0.8),
  ar1n = sim(ar = -0.7),
  ar2c = sim(ar = c(0.9, -0.5)),
  ma1 = sim(ma = 0.8),
  arma11 = sim(ar = 0.7, ma = 0.4),
  index = t
)

Para dibujar usamos feasts y ggtime, sin el retardo 0: esa barra siempre vale 1 y no aporta nada.

series |> ACF(ar1p, lag_max = 20) |> autoplot()
series |> PACF(ar1p, lag_max = 20) |> autoplot()

La referencia es el ruido blanco. Todo queda dentro de las bandas, que con 500 datos están en ±1.96/500=±0.088\pm 1.96/\sqrt{500} = \pm 0.088, y el contraste de Ljung-Box da un p-valor de 0.95: no hay nada que explicar.

ACF y PACF del ruido blanco en R: todas las barras dentro de las bandas

AR(1): la ACF decae, la PACF se corta

El autorregresivo de orden 1 dice que la serie de hoy es ϕ\phi veces la de ayer más un shock:

yt=ϕ yt−1+εty_t = \phi\, y_{t-1} + \varepsilon_t

Si multiplicas por yt−ky_{t-k} y tomas esperanzas, sale ρ(k)=ϕk\rho(k) = \phi^k. La ACF decae de forma geométrica. La PACF, en cambio, se corta tras el primer retardo: una vez que conoces ayer, anteayer no aporta nada.

Con ϕ=0.8\phi = 0.8, la teoría da 0.80, 0.64 y 0.51 en los tres primeros retardos, y la muestra da 0.78, 0.59 y 0.44. La ACF baja despacio, como una escalera; la PACF marca 0.78 en el primero y después nada.

ACF y PACF de un AR(1) con phi 0.8: escalera en la ACF y un solo pico en la PACF

Con ϕ\phi negativo, ϕk\phi^k cambia de signo en cada retardo. Para ϕ=−0.7\phi = -0.7 la fórmula da −0.70, 0.49 y −0.34, y la muestra −0.64, 0.40 y −0.30. La ACF zigzaguea mientras se apaga, y la PACF sigue cortándose en el primero, ahora hacia abajo.

ACF y PACF de un AR(1) con phi −0.7: zigzag en la ACF

AR(2): la onda amortiguada

En el AR(2), la ACF cumple la misma ecuación que el modelo. Son las ecuaciones de Yule-Walker:

ρ(k)=ϕ1 ρ(k−1)+ϕ2 ρ(k−2)\rho(k) = \phi_1\,\rho(k-1) + \phi_2\,\rho(k-2)

Si ϕ12+4ϕ2<0\phi_1^2 + 4\phi_2 < 0, las raíces son complejas y la ACF oscila como una onda que se amortigua. La PACF se corta en el retardo 2, y su valor ahí es justo ϕ2\phi_2.

Con ϕ1=0.9\phi_1 = 0.9 y ϕ2=−0.5\phi_2 = -0.5, el discriminante vale −1.19. La ACF empieza en 0.63, cruza el cero en el retardo 3, toca fondo en −0.28 y vuelve. La PACF da 0.63, −0.46 y se acaba: ese −0.46 es la estimación de ϕ2\phi_2, que vale −0.5.

ACF y PACF de un AR(2) con raíces complejas: onda amortiguada

MA(1): los papeles se invierten

En el MA(1), la serie es el shock de hoy más θ\theta veces el de ayer:

yt=εt+θ εt−1y_t = \varepsilon_t + \theta\,\varepsilon_{t-1}

Dos observaciones separadas por un periodo comparten un shock; separadas por dos, ninguno. Por eso:

ρ(1)=θ1+θ2,ρ(k)=0 para k≥2\rho(1) = \frac{\theta}{1+\theta^2}, \qquad \rho(k) = 0 \text{ para } k \geq 2

Un detalle útil: esa fracción nunca pasa de 0.5 en valor absoluto. Si ves un primer retardo de 0.7 que se corta en seco, no es un MA(1).

Ahora es la ACF la que se corta y la PACF la que decae, alternando el signo. Con θ=0.8\theta = 0.8 la fórmula da 0.8/1.64=0.4880.8/1.64 = 0.488 y la muestra 0.477; en el retardo 2, −0.02. La PACF alterna: −0.32, 0.17, −0.20. Es el espejo del AR(1).

ACF y PACF de un MA(1): la ACF se corta y la PACF decae alternando

Cuidado con el signo de θ\theta

Algunos libros escriben el MA con menos θ\theta. ¿Y R? Estimamos con arima la serie simulada con θ=+0.8\theta = +0.8:

arima(series$ma1, order = c(0, 0, 1))

El coeficiente sale 0.83, positivo: R usa el signo más, igual que la fórmula de arriba. Conviene comprobarlo antes de comparar con un manual.

Salida de arima en R para el MA(1): coeficiente 0.83

ARMA(1,1): ninguna se corta

En el mixto, el primer retardo mezcla las dos partes:

ρ(1)=(1+ϕθ)(ϕ+θ)1+2ϕθ+θ2\rho(1) = \frac{(1+\phi\theta)(\phi+\theta)}{1+2\phi\theta+\theta^2}

A partir del segundo manda la parte autorregresiva: ρ(k)=ϕ ρ(k−1)\rho(k) = \phi\,\rho(k-1). Resultado: ninguna de las dos funciones se corta.

Con ϕ=0.7\phi = 0.7 y θ=0.4\theta = 0.4, la fórmula da 0.819 en el primer retardo, y después 0.57 y 0.40. La muestra, 0.80, 0.54 y 0.35. La PACF tampoco se corta: 0.80, −0.28, 0.07, y se va apagando. Cuando ninguna de las dos se corta, piensa en un ARMA.

ACF y PACF de un ARMA(1,1): las dos decaen

Tu turno

Estas son cuatro series simuladas, x1x_1 a x4x_4. Para cada una: ¿AR, MA o ARMA, y de qué orden? Decide antes de seguir leyendo.

Las cuatro series del reto con su ACF y su PACF

Solución

  • x1x_1: la ACF decae despacio y la PACF se corta en el 2. Es un AR(2), simulado con 0.5 y 0.3.
  • x2x_2: la ACF se corta en el 2. Es un MA(2).
  • x3x_3: zigzag en la ACF y un solo pico negativo en la PACF. Es un AR(1) con ϕ\phi negativo.
  • x4x_4: la ACF empieza en 0.44 y decae despacio, y la PACF tampoco se corta. Es el ARMA(1,1).

Lo confirmamos estimando x4x_4 con arima: ϕ\phi sale 0.79 y θ\theta −0.44, frente a los 0.8 y −0.5 de la simulación. La parte MA, con signo contrario, se come parte de la autocorrelación del AR: por eso la ACF arranca tan baja.

Salida de arima para x4: phi 0.79 y theta −0.44

Con datos reales

En una serie real, la firma nunca sale tan limpia como aquí. Por eso la identificación no acaba en estos gráficos: te da candidatos, que luego hay que estimar y diagnosticar. Pero saber leerlos es lo que separa elegir un modelo de probar a ciegas.

El tutorial completo, con el código en pantalla: ACF y PACF en R: las firmas de AR, MA y ARMA. El siguiente paso son los picos en el 12, el 24 y el 36: la estacionalidad.

🚀Comparte este artículo

Math Chaos Texture
⚡

¿Necesitas resolver algo parecido?

Modelización cuantitativa, validación de modelos y data leadership. Trabajo bajo NDA si lo pides.

Háblame de tu proyecto →