Series de Tiempo Comp

Metodologa de anlisis con Series de tiempo
P. Reyes / Marzo 2007
METODOLOGA DE ANLISIS CON SERIES DE TIEMPO
Elabor: Primitivo Reyes Aguilar Marzo 2007
Pgina 1
METODOLOGA DE SERIES DE TIEMPO

1. INTRODUCCIN
Los mtodos de anlisis de series de tiempo consideran el hecho que los datos tomados en diversos periodos de tiempo pueden tener algunas caractersticas de autocorrelacin, tendencia o estacionalidad que se debe tomar en cuenta. Definicin de serie de tiempo: Es una secuencia ordenada de valores de una variable en intervalos de tiempo peridicos y consecutivos. Aplicacin: la aplicacin de estos mtodos tiene dos propsitos: comprender las fuerzas de influencia en los datos y descubrir la estructura que produjo los datos observados. Ajustar el modelo y proceder a realizar pronsticos, monitoreo, retroalimentacin y control en avance. Las aplicaciones incluyen pronsticos econmicos, anlisis de presupuesto, anlisis del mercado, etc.
2. TENDENCIA Y ESTACIONALIDAD
Un supuesto en muchas tcnicas de series de tiempo es que los datos son estacionarios, donde su media, variancia y autocorrelacin no cambia en el tiempo, tampoco se presentan patrones de estacionalidad, sin embargo en la prctica si se presentan estos patrones de tendencia y de estacionalidad y es necesario contar con modelos que las consideren. Tendencias: Si los datos muestran una tendencia, se pueden ajustar los datos con algn tipo de curva o recta y modelar los residuales. Como el propsito del ajuste es simplemente remover la tendencia a largo plazo, una lnea recta es suficiente. Por ejemplo:
Pgina 2
Removiendo la tendencia a largo plazo, los residuales quedan como sigue:
Estacionalidad: son fluctuaciones peridicas, por ejemplo cuando hay picos de ventas en la navidad y despus declinan. La serie de tiempo de ventas mostrarn un incremento durante septiembre a diciembre y una declinacin durante enero y febrero. Para detectar la estacionalidad se pueden utilizar diferentes mtodos grficos donde se observe la estacionalidad en el tiempo: 1. Grfica de valores contra el tiempo
Pgina 3
2. Diagramas de caja mltiples
Pgina 4
3. Grfica de estacionalidad por subserie
Comportamiento anual y subserie mostrando la estacionalidad En la grfica anterior se observa un comportamiento mensual, con un mximo en Junio y un mnimo en Septiembre.
3. INDICADORES DE MODELOS DE SERIES DE TIEMPO

Estos indicadores sirven para comparar la efectividad de diferentes modelos utilizados. Siempre se busca el valor menor en los indicadores MAPE, MAD y MSD ya que representa un mejor ajuste del modelo. MAPE: Porcentaje promedio absoluto de error, mide la exactitud de los valores estimados de la serie de tiempo. La exactitud se expresa como un porcentaje con t es el valor estimado y n el nmero de yt igual al valor observado, y observaciones.
Pgina 5
MAD: Desviacin media absoluta, mide la exactitud de los valores estimados de la serie de tiempo. Expresa la exactitud en las mismas unidades de los datos.
MSD: Desviacin cuadrtica media, es ms sensible a errores anormales de pronstico que el MAD.
4. MTODOS DE PRONSTICO
Los mtodos de series de tiempo incluyen mtodos de pronstico y de suavizamiento simples, mtodos de anlisis de correlacin y mtodos de Box Jenkins ARIMA. Mtodos de pronstico y suavizamiento simple: se basan en la idea de que hay patrones visibles en una grfica de series de tiempo que pueden ser extrapolados al futuro. El mtodo se selecciona dependiendo de si los patrones son estticos (constantes en el tiempo) o dinmicos (cambian en el tiempo), la naturaleza de los componentes de tendencia y estacionalidad y que tan lejos se quiera pronosticar, son mtodos generalmente fciles y rpidos de aplicar. Mtodos de pronstico ARIMA (Autoregressive Integrated Moving Average): tambin usan patrones de datos, sin embargo puede que no sean fcilmente visibles en la serie de tiempo. El modelo usa funciones de diferencias, autocorrelacin y autocorrelacin parcial para ayudar a identificar un modelo aceptable. El modelo ARIMA representa una serie de pasos de filtraje hasta que solo queda ruido aleatorio. Es un proceso iterativo que consume tiempo de ejecucin. 4.1 MTODOS DE PRONSTICO Y SUAVIZAMIENTO SIMPLE:
Pgina 6
Modelan componentes en una serie que normalmente son fciles de ver en una serie de tiempo. Este mtodo descompone los datos en sus partes componentes y los extiende al futuro para pronosticar. Se pueden seleccionar los mtodos siguientes: 1. Mtodos estticos de anlisis de tendencias y descomposicin para patrones que no cambian con el tiempo. 2. Mtodos dinmicos de promedio mvil; mtodos de suavizamiento exponencial simple y doble y mtodo de Winters. Para patrones que cambian en el tiempo y sus estimados son determinados por los valores ms cercanos. Se pueden usar los dos mtodos combinados, es decir se puede utilizar un mtodo para modelar un componente y otro para modelar otros componentes, por ejemplo: Ajustar una tendencia por medio de un anlisis de tendencias esttico y dinmicamente modelar el componente estacional en los residuos usar el mtodo de Winters. Ajustar un modelo esttico de estacionalidad por medio de la descomposicin y dinmicamente modelar los componentes de la tendencia en los residuos usando un modelo de suavizamiento exponencial doble. Ajustar con modelos de tendencia y descomposicin al mismo tiempo.
Una desventaja de combinar mtodos es que los intervalos de confianza de los pronsticos no son vlidos. A continuacin se presenta un ejemplo de cada mtodo.
4.2 Mtodo de anlisis de tendencias

Ajusta un modelo general de tendencias a datos de series de tiempo, se puede seleccionar un modelo lineal, cuadrtico, exponencial (crecimiento o declinacin) y de curva S (para tecnologa). Usar este modelo si no hay componente estacional en el patrn de serie de tiempo. Tiene una amplitud de pronstico amplia siguiendo la lnea de tendencia.
Pgina 7
Pgina 8
Las frmulas se muestran a continuacin: MODELOS DE TENDENCIA Lineal 1 representa el cambio promedio de un periodo a otro. Cuadrtico Toma en cuenta la curvatura simple en los datos. Crecimiento exponencial Toma en cuenta el crecimiento o decaimiento exponencial. Por ejemplo el comportamiento de una cuenta de ahorros. Curva S de Pearl-Reed. Toma en cuenta las observaciones que se ajustan a una curva con forma de S.
Por ejemplo:
Se colectan datos de empleo en un sector de negocios durante 60 meses y se desea predecir la tasa de empleo para los siguientes 12 meses, EMPLOY.MTW.
Trade 322 317 319 323 327 328 325 326 330 334 337 341 322 318 320 326 332 Food 53.5 53 53.2 52.5 53.4 56.5 65.3 70.7 66.9 58.2 55.3 53.4 52.1 51.5 51.5 52.4 53.3 Metals 44.2 44.3 44.4 43.4 42.8 44.3 44.4 44.8 44.4 43.1 42.6 42.4 42.2 41.8 40.1 42 42.4 Trade 351 354 355 357 362 368 348 345 349 355 362 367 366 370 371 375 380 Food 63.6 68.8 68.9 60.1 55.6 53.9 53.3 53.1 53.5 53.5 53.9 57.1 64.7 69.4 70.3 62.6 57.9 Metals 44.5 45 44.8 44.9 45.2 45.2 45 45.5 46.2 46.8 47.5 48.3 48.3 49.1 48.9 49.4 50
Pgina 9
Metodologa de anlisis con Series de tiempo 334 335 336 335 338 342 348 330 326 329 337 345 350 55.5 64.2 69.6 69.3 58.5 55.3 53.6 52.3 51.5 51.7 51.5 52.2 57.1 43.1 42.4 43.1 43.2 42.8 43 42.8 42.5 42.6 42.3 42.9 43.6 44.7 385 361 354 357 367 376 381 381 383 384 387 392 396 55.8 54.8 54.2 54.6 54.3 54.8 58.1 68.1 73.3 75.5 66.4 60.5 57.7
P. Reyes / Marzo 2007 50 49.6 49.9 49.6 50.7 50.7 50.9 50.5 51.2 50.7 50.3 49.2 48.1
Las instrucciones de Minitab son las siguientes: 1 Open Worksheet EMPLOY.MTW. 2 Ejecutar Stat > Time Series > Trend Analysis. 3 En Variable, poner Trade. 4 En Model Type, seleccionar Linear 5 Seleccionar Generate forecasts y poner 12 en Number of forecasts. 6 Seleccionar Storage . 7 Seleccionar Fits (Trend Line) , Residuals (detrended data), y Forecasts. Seleccionar OK en cada dilogo.
Trend Analysis Plot for Trade
LinearTrendModel Yt = 313.989 + 1.16485* t 400 390 380 370 Trade 360 350 340 330 320 310 1 7 14 21 28 35 42 Index 49 56 63 70
Variable Actual Fits Forecasts AccuracyMeasures MAPE 1.8999 MAD 6.6177 MSD 67.4325
Como hay un patrn curvilneo de los datos, se usa un anlisis de tendencias con un modelo cuadrtico. Como tambin hay un componente estacional se guardan los valores estimados y los residuos para realizar una descomposicin de los residuos posteriormente.
Pgina 10
1 Open Worksheet EMPLOY.MTW. 2 Ejecutar Stat > Time Series > Trend Analysis. 3 En Variable, poner Trade. 4 En Model Type, seleccionar Quadratic. 5 Seleccionar Generate forecasts y poner 12 en Number of forecasts. 6 Seleccionar Storage . 7 Seleccionar Fits (Trend Line) , Residuals (detrended data), y Forecasts. Seleccionar OK en cada dilogo.
Trend Analysis Plot for Trade
QuadraticTrendModel Yt = 320.762 + 0.509373* t + 0.0107456* t* * 2 410 400 390 380 Trade 370 360 350 340 330 320 1 7 14 21 28 35 42 Index 49 56 63 70
Variable Actual Fits Forecasts AccuracyMeasures MAPE 1.7076 MAD 5.9566 MSD 59.1305
Trend Analysis for Trade Data Trade Length 60 NMissing 0 Fitted Trend Equation Yt = 320.762 + 0.509373*t + 0.0107456*t**2 Accuracy Measures MAPE 1.7076 MAD 5.9566 MSD 59.1305 Forecasts Period Forecast 61 391.818 62 393.649 63 395.502 64 397.376 65 399.271 66 401.188 67 403.127 68 405.087 69 407.068 70 409.071 71 411.096 72 413.142
Pgina 11
Interpretacin de los resultados La grfica de tendencia muestra los datos originales, los datos ajustados y los pronsticos. Tambin se muestran la ecuacin de regresin y los indicadores MAPE, MAD y MSD que ayudan a determinar la exactitud del ajuste. La tendencia de la tasa de empleo es ascendente con un componente de estacionalidad evidente. El modelo de tendencia parece ajustar bien a la tendencia general, no as al patrn de estacionalidad que puede ser analizado con el modelo de descomposicin de los residuos.
4.3 Mtodo de Descomposicin

Se usa para pronosticar cuando hay un componente de estacionalidad en la serie de tiempo o si se quiere analizar la naturaleza de los componentes. Separa las series de tiempo en componentes de tendencia lineal y estacionalidad as como el error. Se puede usar componente de estacionalidad en modo aditivo o multiplicativo con la tendencia. Tiene una amplitud de pronstico amplia siguiendo la tendencia con el patrn de estacionalidad.
Modelos de descomposicin
Multiplicativo Yt es la observacin en el tiempo t. Aditivo
Pgina 12
Modelo de ajuste: La descompsicin tiene dos pasos: 1. Estimar los ndices de estacionalidad usando el mtodo de promedios mviles. 2. Ajustar la serie en estacionalidad. 3. Estimar la tendencia en la serie ajustada por regresin. Modelos de pronstico: La descomposicin calcula el pronstico como la lnea de regresin multiplicada por (mtodo multiplicativo) o agregado a (mtodo aditivo) los ndices de estacionalidad.
Por ejemplo:
Se desea predecir la tasa de empleo para los siguientes 12 meses en base a datos colectados durante los ltimos 60 meses. Como los datos tienen una tendencia que se ajusta bien con un modelo de tendencia cuadrtica y tiene un componente estacional se utilizan los residuos del ejemplo del anlisis de tendencias para combinar el anlisis de tendencias y descomposicin para pronosticar.
Las intrucciones de Minitab son las siguientes: 1 Correr el ejemplo de Anlisis de Tendencias 2 Stat > Time Series > Decomposition. 3 En Variable, indicar la columna de los residuos obtenidos en el anlisis de tendencias (donde fueron almacenados). 4 En Seasonal length, poner 12. 5 EnModel Type, seleccionar Additive. En Model Components, seleccionar Seasonal only. 6 Seleccionar Generate forecasts y poner 12 en Number of forecasts. 7 Seleccionar Storage . Seleccionar Forecasts y Fits. 8 Seleccionar OK en cada cuadro de dilogo Time Series Decomposition for RESI1 Additive Model Data RESI1 Length 60 NMissing 0 Accuracy Measures MAPE 881.582 MAD 2.802 MSD 11.899 Seasonal Indices Period Index 1 -8.4826 2 -13.3368 3 -11.4410
Pgina 13
Metodologa de anlisis con Series de tiempo 4 -5.8160 5 0.5590 6 3.5590 7 1.7674 8 3.4757 9 3.2674 10 5.3924 11 8.4965 12 12.5590 Forecasts Period Forecast 61 -8.4826 62 -13.3368 63 -11.4410 64 -5.8160 65 0.5590 66 3.5590 67 1.7674 68 3.4757 69 3.2674 70 5.3924 71 8.4965 72 12.5590
Time Series Decomposition Plot for RESI1
AdditiveModel 20
Variable Actual Fits Trend Forecasts AccuracyMeasures MAPE 881.582 MAD 2.802 MSD 11.899
10
RESI1
-10
-20 1 7 14 21 28 35 42 Index 49 56 63 70
En esta grfica se muestran los residuos sin tendencia cuyo ajuste es adecuado, excepto que al inicio del periodo anual los valores son subestimados y al final del periodo anual los valores son sobreestimados, tambin es evidente en la grfica de abajo donde los residuos son mayores al principio y menores al final de la serie.
Pgina 14
Seasonal Analysis for RESI1

AdditiveModel
SeasonalIndices
10 10 0 -10 -10 -20 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Original Data, by Seasonal Period
Percent Variation, by Seasonal Period

12 8 4 -5 0 1 2 3 4 5 6 7 8 9 10 11 12 1 10 5 0
Residuals, by Seasonal Period
10 11 12
Component Analysis for RESI1

AdditiveModel
Original Data
10 Data 0 -10 -20 1 6 12 18 24 30 Index 36 42 48 54 60
Seasonally Adjusted Data

Seas. Adj. Data 10 0 -10 -20 1 6 12 18 24 30 Index 36 42 48 54 60
Interpretacin de los resultados La descomposicin genera tres tipos de grficas: 1. Una grfica de serie de tiempo mostrando los datos originales con la lnea de tendencia ajustada, valores estimados y pronsticos 2. Un anlisis de componentes con grficas separadas para la serie, datos sin tendencia, datos ajustados con estacionalidad y los datos ajustados estacionalmente y sin tendencias (los residuos). 3. Un anlisis estacional, mostrando los ndices estacionales y la variacin porcentual dentro de cada estacin respecto a la suma de la variacin por estacin y grficas de caja de los residuos por periodo estacional.
Pgina 15
4.4 Promedio mvil

Suaviza los datos al promediar observaciones consecutivas en la serie de tiempo. Este mtodo es adecuado cuando no hay componente de tendencia ni estacionalidad, sin embargo hay alternativas si se presentan estos patrones. Tiene una amplitud de pronstico corta siguiendo una lnea paralela.
MTODOS Promedio mvil: Se calcula el promedio mvil de la serie. Por ejemplo si se tienen los nmeros 4, 5, 8, 9, 10 y se usa un promedio mvil de 3. Los primeros dos valores no existen. El tercer valor es el promedio de 4, 5, y 8; el cuarto valor es el promedio de 5, 8, y 9; el quinto valor es el promedio de 8, 9, y10.
Ejemplo:
Se desea predecir el empleo durante los prximos 6 meses en el segmento de metales con los datos de los ltimos 60 meses. Se usa el mtodo de promedio mvil si no se tienen patrones bien definidos de tendencia o estacionalidad en los datos. 1 Open worksheet EMPLOY.MTW. 2 Seleccionar Stat > Time Series > Moving Average. 3 En Variable, seleccionar Metals. En MA length, poner 3. 4 Seleccionar Center the moving averages. 5 Seleccionar Generate forecasts, y poner 6 en Number of forecasts. Click OK. Los resultados obtenidos se muestran a continuacin:
Pgina 16
Moving Average for Metals

Data Length NMissing Metals 60 0
Moving Average Length 3
Accuracy Measures MAPE MAD MSD 1.55036 0.70292 0.76433
Forecasts Period 61 62 63 64 65 66 Forecast 49.2 49.2 49.2 49.2 49.2 49.2 Lower 47.4865 47.4865 47.4865 47.4865 47.4865 47.4865 Upper 50.9135 50.9135 50.9135 50.9135 50.9135 50.9135
Moving Average Plot for Metals

52 50 48 Metals 46 44 42 40 1 7 14 21 28 35 Index 42 49 56 63
Variable Actual Fits Forecasts 95.0% PI MovingAverage Length 3 AccuracyMeasures MAPE 1.55036 MAD 0.70292 MSD 0.76433
Pgina 17
Interpretacin de resultados Se obtiene la grfica de serie de tiempo mostrando los valores observados y estimados (un periodo adelante), adems de los seis pronsticos. Note que el patrn de datos estimados va detrs del patrn de datos.
MTODOS DE SUAVIZACIN EXPONENCIAL

Los mtodos de suavizamiento exponencial han sido utilizados con xito a travs de los aos en muchos problemas de pronstico. Fueron sugeridos en 1957 por C.C. Holt para su aplicacin en series de tiempo sin tendencia ni estacionalidad. Posteriormente el mismo ofreci un procedimiento que manejara tendencias. Despus Winters en 1965 generaliz el mtodo para incluir estacionalidad, de ah el nombre de Mtodo de Holt Winters.
4.5 Suavizamiento exponencial simple (Holt)

Se aplica cuando solo si se tiene un comportamiento de la serie de tiempo sin tendencia o estacionalidad. Suaviza los datos por medio de la frmula de pronstico de ARIMA de un paso adelante ARIMA (0,1,1). Este modelo trabaja mejor sin uno de los componentes de tendencia o estacionalidad. El componente simple dinmico en un modelo de promedio mvil es el nivel. Tiene una amplitud de pronstico corta siguiendo una lnea paralela.
Pgina 18
MTODO DE SUAVIZAMIENTO EXPONENCIAL SIMPLE Los valores suavizados (estimados) se obtienen ya sea con un peso ptimo generado o con un peso especfico manual. Peso ptimo de ARIMA: 1. Se ajustan los datos con un modelo ARIMA(0,1,1) y se guardan los Y estimados. 2. Los valores suavizados son los valores Y estimados por ARIMA, pero desplazados en una unidad de tiempo. 3. El valor inicial (en tiempo uno) por atraso es:
Valor inicial suavizado = [Valor suavizado del periodo 2 - (dato en periodo 1)] / (1-) Donde (1-) estima el parmetro MA.
Peso especificado 1. Se usa el promedio de los primeros seis (o N si N<6) observaciones para el valor inicial suavizado (en tiempo uno). 2. Los valores suavizados subsecuentes se calculan de la frmula:
Valor suavizado en tiempo t = (dato en periodo t)] + (1-) (valor suavizado en periodo t-1) Donde es el peso.
Pronsticos: el valor estimado en el periodo t, es el valor suavizado en el periodo t 1. Los pronsticos son los valores estimados en el origen de pronstico
Por ejemplo:
Se desea predecir el empleo durante los prximos 6 meses en el segmento de metales con los datos de los ltimos 60 meses. Se usa el mtodo de promedio mvil si no se tienen patrones bien definidos de tendencia o estacionalidad en los datos. 1 2 3 4 Open worksheet EMPLOY.MTW. Seleccionar Stat > Time Series > Single Exp Smoothing . En Variable, poner Metals. Seleccionar Generate forecasts, y 6 en Number of forecasts. Click OK.
Los resultados se muestran a continuacin:
Pgina 19
Single Exponential Smoothing for Metals

Data Metals Length 60 Smoothing Constant Alpha 1.04170 Accuracy Measures MAPE 1.11648 MAD 0.50427 MSD 0.42956 Forecasts Period Forecast 61 48.0560 62 48.0560 63 48.0560 64 48.0560 65 48.0560 66 48.0560 Lower 46.8206 46.8206 46.8206 46.8206 46.8206 46.8206 Upper 49.2914 49.2914 49.2914 49.2914 49.2914 49.2914
Single Exponential Smoothing Plot for Metals

52 50 48 Metals 46 44 42 40 1 7 14 21 28 35 Index 42 49 56 63
Variable Actual Fits Forecasts 95.0% PI SmoothingConstant Alpha 1.04170 AccuracyMeasures MAPE 1.11648 MAD 0.50427 MSD 0.42956
Interpretacin de resultados Se obtiene la grfica de serie de tiempo mostrando los valores observados y estimados (un periodo adelante), adems de los seis pronsticos. Note que el patrn de datos estimados va detrs del patrn de datos. Se indica la constante de suavizamiento (peso) utilizada y las medidas MAPE, MAD y MSD de 1.12, 0.70 y 0.76 con un mejor ajuste que en el mtodo de promedio mvil con valores 1.55, 0.70 y 0.76 respectivamente.
4.6 Suavizamiento exponencial doble (Holt)

Se aplica cuando en la serie de tiempo se presenta una tendencia ascendente o descendente pero sin estacionalidad.
Pgina 20

A continuacin se muestra una tendencia:
Suaviza los datos por medio de la frmula de pronstico de ARIMA de un paso adelante ARIMA (0,2,2). Este modelo trabaja bien cuando est presente el componente de tendencia pero tambin sirve como un mtodo de suavizamiento general. El mtodo de suavizamiento exponencial doble calcula estimados dinmicos para dos componentes: nivel y tendencia. Tiene una amplitud de pronstico corta siguiendo una lnea de tendencia con pendiente igual a la de la ltima tendencia estimada.
Pgina 21
MTODO DE SUAVIZAMIENTO EXPONENCIAL DOBLE El suavizamiento exponencial doble emplea un componente de nivel y un componente de tendencia en cada uno de los periodos. Usa dos pesos, o parmetros de suavizacin, actualiza los componentes cada periodo. Las ecuaciones son:
Los valores iniciales en tiempo cero con la observacin 1 se estiman por los mtodos siguientes: Pesos ptimos de ARIMA: 1. Se ajustan los datos con un modelo ARIMA(0,2,2) y se guardan los Y estimados, minimizando los cuadrados de los errores. 2. Los valores iniciales (en tiempo uno) se inicializan por atraso. Pesos especificados 1. Se hace una regresin lineal en los datos de la serie (Y) contra el tiempo (X). 2. La constante de esta regresin es el valor inicial estimado del componente de nivel, el coeficiente de la pendiente es el estimado inicial del componente de tendencia. Pronsticos: el mtodo de suavizamiento exponencial doble usa los componentes de nivel y de tendencia para generar los pronsticos. El pronstico para m periodos delante de un punto en el tiempo t es: Lt + mTt Donde Lt es el nivel y Tt es la tendencia en el tiempo t.
Pgina 22
Por ejemplo: 1 2 3 4 Open worksheet EMPLOY.MTW. Seleccionar Stat > Time Series > Double Exp Smoothing. En Variable, poner Metals. Seleccionar Generate forecasts, y 6 en Number of forecasts. Click OK.
Los resultados se muestran a continuacin:

Double Exponential Smoothing for Metals
Data Length Metals 60
Smoothing Constants Alpha (level) 1.03840 Gamma (trend) 0.02997 Accuracy Measures MAPE 1.19684 MAD 0.54058 MSD 0.46794 Forecasts Period Forecast 61 48.0961 62 48.1357 63 48.1752 64 48.2147 65 48.2542 66 48.2937 Lower 46.7718 46.0600 45.3135 44.5546 43.7899 43.0221 Upper 49.4205 50.2113 51.0368 51.8747 52.7184 53.5652
Double Exponential Smoothing Plot for Metals

54 52 50 Metals 48 46 44 42 40 1 7 14 21 28 35 Index 42 49 56 63
Variable Actual Fits Forecasts 95.0% PI SmoothingConstants Alpha (level) 1.03840 Gamma (trend) 0.02997 AccuracyMeasures MAPE 1.19684 MAD 0.54058 MSD 0.46794
Interpretacin de resultados Se obtiene la grfica de serie de tiempo mostrando los valores observados y estimados (un periodo adelante), adems de los seis pronsticos. Note que el patrn de datos estimados va detrs del patrn de datos.
Pgina 23
Se indican las constantes de suavizamiento y de tendencia (pesos) utilizadas, y las medidas MAPE, MAD y MSD de 1.19684, 0.54058, y 0.46794 para suavizamiento exponencial doble comparados con con un ligero mejor ajuste que en el mtodo de suavizamiento exponencial simple cuyos valores fueron 1.12, 0.70 y 0.76 respectivamente.
4.7 Mtodo de Winters

Se aplica cuando en la serie de tiempo se presentan los patrones de tendencia y estacionalidad. Suaviza los datos por el mtodo exponencial de Holt Winters. Se recomienda este mtodo cuando se tienen presentes los componentes de tendencia y estacionalidad ya sea en forma aditiva o multiplicativa. El efecto multiplicativo se presenta cuando el patrn estacional en los datos depende del tamao de los datos o sea cuando la magnitud del patrn estacional se incrementa conforme los valores aumentan y decrece cuando los valores de los datos disminuyen. El efecto aditivo es mejor cuando el patrn estacional en los datos no depende del valor de los datos, o sea que el patrn estacional no cambia conforme la serie se incrementa o disminuye de valor. El mtodo de Winters calcula los estimados de de tres componentes: nivel, tendencia y estacionalidad. Calcula estimados dinmicos con ecuaciones para los tres componentes: nivel, tendencia y estacionalidad. Estas ecuaciones dan una mayor ponderacin a observaciones recientes y menos peso a observaciones pasadas, las ponderaciones decrecen geomtricamente a una tasa constante La ponderacin seleccionada para Nivel, tendencia y estacionalidad es de 0.2 si se quiere hacer una correspondencia con el modelo ARIMA u otros valores entre 0 y 1 para reducir los errores de estimacin. Tiene una amplitud de pronstico de corta a media siguiendo una tendencia con un patrn estacional.
Pgina 24
A continuacin se muestra una grfica con sus pronsticos utilizando un suavizamiento exponencial triple.
El Mtodo de Holt Winters se puede ejecutar en forma sencilla con ayuda del paquete estadstico Minitab. A continuacin se muestra un ejemplo comparando los tres mtodos:
Pgina 25
Pgina 26
Ejemplo de pronsticos utilizando el Mtodo de Winters Se desea predecir el empleo para los siguientes seis meses en la industria alimenticia usando datos colectados sobre los ltimos 60 meses, usando el mtodo de Winters con el modelo multiplicativo, dado que hay componente estacional y de tendencia aparente en los datos.
Instrucciones de Minitab 1 Open Worksheet EMPLOY.MTW. 2 Ejecutar Stat > Time Series > Winters' Method. 3 En Variable, poner Food. In Seasonal length, 12 . 4 En Model Type, seleccionar Multiplicative. 5 Seleccionar Generate forecasts poner 6 en Number of forecasts. Seleccionar OK.
Winters' Method for Food
Multiplicative Method Data Food Length 60 Smoothing Constants Alpha (level) 0.2 Gamma (trend) 0.2 Delta (seasonal) 0.2 Accuracy Measures MAPE 1.88377 MAD 1.12068 MSD 2.86696 Forecasts Period Forecast Lower Upper 61 57.8102 55.0646 60.5558 62 57.3892 54.6006 60.1778 63 57.8332 54.9966 60.6698 64 57.9307 55.0414 60.8199 65 58.8311 55.8847 61.7775 66 62.7415 59.7339 65.7492
Pgina 27
Winters' Method Plot for Food

Multiplicative Method 75 70 65 F ood 60 55 50 1 7 14 21 28 35 Index 42 49 56 63
Variable Actual Fits Forecasts 95.0% PI SmoothingConstants Alpha (level) 0.2 Gamma (trend) 0.2 Delta (seasonal) 0.2 AccuracyMeasures MAPE 1.88377 MAD 1.12068 MSD 2.86696
Interpretacin de los resultados La grfica muestra los valores de la serie y los valores estimados (un periodo adelante) y los seis pronsticos. Los valores de exactitud del modelo MAPE, MAD y MSD utilizando el modelo Multiplicativo proporcionan un mejor ajuste en dos de los tres indicadores que con el modelo Aditivo como se muestra a continuacin.
Accuracy Measures Multiplicative MAPE 1.88377 MAD 1.12068 MSD 2.86696 Additive 1.95 1.15 2.67
ANLISIS DE CORRELACIN Y MTODO DE ARIMA

El anlisis de correlacin, anlisis de diferencias, autocorrelacin y autocorrelacin parcial, son utilizadas para identificar un modelo adecuado de ARIMA. El Modelo ARIMA puede utilizarse para modelar series de tiempo con o sin componentes de tendencia o estacionalidad y proporcionar pronsticos. El perfil de pronstico depende del modelo de ajuste. Tiene la ventaja de ser ms flexible que los mtodos de suavizamiento para el ajuste de los datos, sin embargo la identificacin del modelo adecuado consume tiempo y no puede ser fcilmente automatizado.
Pgina 28
4.8 Diferencias y atrasos

Las diferencias se calculan entre los valores de los datos de la serie de tiempo, sirven para identificar patrones de tendencia y estacionalidad. Los atrasos (lags), son valores anteriores con los que se determina el siguiente valor pronosticado.
Ejemplo:
Si se desean obtener diferencias y atrasos de 12 meses con los datos de Employ.mtw se tiene: Intrucciones de Minitab: 1. Open Worksheet Employ.mtw 2. Stat > Time series > Differences 3. Series Food 4. Store Differences in C4 5. Lag 12 6. OK Y para los retrasos (lags): 1. Open Worksheet Employ.mtw 2. Stat > Time series > Lags 3. Series Food 4. Store Lags in C5 5. Lag 12 6. OK Los resultados parciales se muestran a continuacin:
C4
Food 53.5 53 53.2 52.5 53.4 56.5 65.3 70.7 66.9 58.2 55.3 53.4 Diferencias * * * * * * * * * * * *
C5
Retrasos * * * * * * * * * * * *
Pgina 29
Metodologa de anlisis con Series de tiempo 52.1 51.5 51.5 52.4 53.3 55.5 64.2 69.6 69.3 58.5 55.3 53.6 52.3 51.5 51.7 51.5 52.2 57.1 -1.4 -1.5 -1.7 -0.1 -0.1 -1 -1.1 -1.1 2.4 0.3 0 0.2 0.2 0 0.2 -0.9 -1.1 1.6 53.5 53 53.2 52.5 53.4 56.5 65.3 70.7 66.9 58.2 55.3 53.4 52.1 51.5 51.5 52.4 53.3 55.5
4.8 Autocorrelacin
La autocorrelacin: es la correlacin entre observaciones de una serie de tiempo separadas por K unidades de tiempo, su grfica se denomina funcin de autocorrelacin (ACF), su anlisis permite seleccionar los trminos a ser incluidos en el modelo ARIMA. Una grfica de autocorrelacin, permite identificar estacionalidad donde no es fcil de apreciar, como se observa en la grfica siguiente: Primero se obtiene una grfica de corridas normal, por ejemplo:
Esta grfica indica cierto nivel de estacionalidad.
Pgina 30
La grfica de autocorrelacin se muestra a continuacin:
La grfica muestra ambos un decaimiento exponencial con oscilaciones sinusoidales amortiguadas, esto indica que un modelo autoregresivo de orden mayor a uno puede ser apropiado, el orden puede determinarse con una grfica de autocorrelacin parcial como sigue:
De la grfica se muestran picos de orden 2 que exceden los lmites de confianza, por lo que el modelo debe tener este orden ARIMA(2).
Pgina 31
Ejemplo de autocorrelacin:
Se desea predecir el empleo para los siguientes seis meses en la industria alimenticia usando datos colectados sobre los ltimos 60 meses, se utiliza el modelo de autocorrelacin para identificar el modelo ARIMA adecuado. Como los datos muestran un comportamiento estacional de 12 meses, se toma una diferencia en el valor anterior 12 para que sea estacionario y buscar correlacin de las series diferenciadas. En estos datos la magnitud de la tendencia a largo plazo se ve pequea respecto al componente de estacionalidad, si hubiera sido mayor se podra haber considerado tomar otra diferencia en el valor anterior 1 para inducir que sea estacionario.
Las instrucciones de Minitab son las siguientes: 1 Open worksheet EMPLOY.MTW. 2 Ejecutar Stat > Time Series > Differences. 3 En Series, poner Food. 4 En Store differences in, poner Food2. 5 En Lag, poner 12 . OK. 6 Ejecutar Stat > Time Series > Autocorrelation. 7 En Series, poner Food2. OK. Autocorrelation Function: Food2 Lag ACF T LBQ 1 0.701388 4.86 25.12 2 0.512266 2.52 38.81 3 0.366882 1.60 45.99 4 0.310364 1.29 51.24 5 0.234743 0.94 54.32 6 0.173069 0.68 56.03 7 0.162046 0.63 57.57 8 0.170051 0.66 59.30 9 0.322438 1.24 65.70 10 0.252774 0.94 69.74 11 0.208020 0.76 72.54 12 0.150936 0.55 74.06
Pgina 32
Interpretacin de los resultados Si no se especifica la amplitud de valores anteriores (lag lenght), se toma n/4 para series con menos de 240 datos. Se genera la funcin de autocorrelacin (ACF) con bandas de confianza en 5% para comprobar la hiptesis de que las correlaciones son iguales a cero. Los valores de la funcin ACF muestran picos significativos en los valores anteriores (lags) 1 y 2 con valores subsiguientes que no decaen rpidamente, patrn tpico de un proceso autoregresivo.
4.9 Autocorrelacin parcial:

Es la correlacin entre conjuntos de pares ordenados de una serie de tiempo, mide la fuerza de la relacin con otros trminos tomados en cuenta. La autocorrelacin parcial en una posicin K es la correlacin entre residuos en tiempo t de un modelo autoregresivo y las observaciones en la posicin K con trminos para todas las posiciones que intervienen en el modelo autoregresivo. Su grfica se denomina funcin de autocorrelacin (PACF). su anlisis permite seleccionar los trminos a ser incluidos en el modelo ARIMA. La correlacin cruzada: es la correlacin entre dos series de tiempo.
Ejemplo:
Se obtiene una funcin de autocorrelacin parcial (PACF) de los datos de empleo anteriores, despus de tomar una diferencia del valor anterior 12 para determinar el modelo ARIMA ms adecuado.
Pgina 33
Metodologa de anlisis con Series de tiempo Las instrucciones de Minitab son las siguientes: 1 Worksheet EMPLOY.MTW 2 Ejecutar Stat > Time Series > Differences. 3 En Series, poner Food. 4 En Store differences in, poner Food2. 5 En Lag, poner 12 . OK. 6 Ejecutar Stat > Time Series > Partial Autocorrelation . 7 En Series, poner Food2. OK.
Interpretacin de resultados Se generan bandas de confianza en 5% para la hiptesis de que las correlaciones son iguales a cero. Se observa un pico de 0.7 en el valor anterior 1, tpico de un proceso autoregresivo de orden 1, hay otro en el valor anterior 9 pero no hay evidencia de que un proceso no aleatorio en ese punto.
Pgina 34
4.10 El mtodo ARIMA

Ajusta el modelo ARIMA de Box Jenkins a una serie de tiempo, representa pasos de filtraje hasta que solo haya ruido aleatorio, se usa para generar pronsticos. De acuerdo a Box y Jenkins para ajustar un modelo ARIMA a una serie de tiempo proponen un mtodo iterativo que incluye: Identificar el modelo aplicando el juicio del analista. Estimar los parmetros. Verificar la adecuacin del modelo. Hacer pronsticos de ser necesario.
1. Primero, decidir si los datos son estacionarios. Es decir si los datos poseen media y varianza constante. Examinar la grfica de serie de tiempo para si es necesaria una transformacin para tener varianza constante. Examinar la funcin de autocorrelacin (ACF) para ver si las autocorrelaciones no decaen, indicando que se pueden requerir diferencias para dar una media constante.
Un patrn de estacionalidad que se repite cada k-simo intervalo de tiempo sugiere tomar una diferencia k-sima para eliminar una porcin del patrn. La mayora de las series no requieren ms de dos operaciones de diferencias u rdenes. Si los picos de la ACF decaen rpidamente, no hay necesidad de diferencias adicionales. Una indicacin de sobre diferenciacin de una serie es que la primera autocorrelacin es cercana a -0.5 y pequeos valores dondequiera.
Pgina 35
Usar Stat > Time Series > Differences para obtener las diferencias. Examinar las funciones ACF y PACF de las serie de datos diferenciada, con Stat > Time Series > Autocorrelation y Stat > Time Series > Partial Autocorrelation . 2. Despus, examiner las funciones ACF y PACF de los datos estacionarios de manera de identificar que modelo autorregresivo o de promedio mvil se sugiere. Una funcin ACF con picos altos iniciales que decaen a cero o una funcin PACF con picos altos en el primero y posiblemente en el segundo atraso indica un proceso autorregresivo. Una funcin ACF con pico alto inicial y posiblemente en el segundo retraso y una funcin PACF con picos altos en los primeros atrasos que decaen a cero indica un proceso de promedio mvil. Si las funciones ACF y PACF tienen pico altos que gradualmente caen a cero indican que los procesos de promedios mviles y autoregresivo estn presentes.
3. Una vez que se ha identificado uno o ms de los modelos a utilizar, continuar con el procedimiento de ARIMA. Ajustar el modelo y examinar la significancia de los parmetros y seleccionar un modelo que tenga el mejor ajuste. o Si se desea un modelo estacional (intervalo en que se repite el patrn) seleccionar Fit seasonal model e introducir el periodo (default 12). o o Para especificar los parmetros del modelo de promedios mviles y autoregresivo incluyendo el modelo estacional o no estacional ARIMA, seleccionar un valor de 0 a 5. Al menos uno de esos parmetros no debe ser cero. La mayora de modelo slo requieren dos parmetros. Si se pone 2 en la celda Moving Average en Seasonal el modelo incluir trminos de primero y segundo orden de promedios mviles.
o Para especificar el nmero de diferencias estacinales o no estacinales a tomar, poner el nmero en la celda apropiada. Si se requiere una diferencia estacional de K como el periodo de estacionalidad, se tomar la diferencia k-sima. o Para incluir la constante en el modelo, seleccionar Include constant term in model.
Pgina 36
Checar que las funciones ACF y PACF de residuos indiquen un proceso aleatorio, sin picos altos, usando las grficas de ARIMA. Si hay picos altos, considerar cambiar el modelo.
Ejemplo de ARIMA
Las grficas de autocorrelacin (ACF) y de autocorrelacin parcial (PACF) sugieren un modelo de autoregresivo de orden 1 o AR(1), despus de tomar una diferencia de 12. Ahora se corre el modelo, analizando las grficas y la bondad de ajuste. Para tomar una diferencia estacional de orden 12, se especific el periodo estacional de 12 y el orden de la diferencia 1, con esto se realiza el pronstico.
Instrucciones de Minitab 1 Worksheet EMPLOY.MTW. 2 Stat > Time Series > ARIMA. 3 En Series, poner Food. 4 Seleccionar Fit seasonal model. En Period poner 12 en Nonseasonal, poner 1 en Autoregressive. En Seasonal, poner 1 en Difference . 5 Seleccionar Graphs. Seleccionar ACF of residuals y PACF of residuals . 6 OK en cada cuadro de dilogo. ARIMA Model: Food Estimates at each iteration Iteration SSE Parameters 0 95.2343 0.100 0.847 1 77.5568 0.250 0.702 2 64.5317 0.400 0.556 3 56.1578 0.550 0.410 4 52.4345 0.700 0.261 5 52.2226 0.733 0.216 6 52.2100 0.741 0.203 7 52.2092 0.743 0.201 8 52.2092 0.743 0.200 9 52.2092 0.743 0.200 Relative change in each estimate less than 0.0010 Final Estimates of Parameters Type Coef SE Coef T P AR 1 0.7434 0.1001 7.42 0.000 Constant 0.1996 0.1520 1.31 0.196 Differencing: 0 regular, 1 seasonal of order 12 Number of observations: Original series 60, after differencing 48
Pgina 37
Residuals: SS = 51.0364 (backforecasts excluded) MS = 1.1095 DF = 46 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 11.3 19.1 27.7 * DF 10 22 34 * P-Value 0.338 0.641 0.768 *
Interpretacin de resultados El modelo ARIMA converge en 9 iteraciones. El modelo AR(1) tiene un estadstico t de 7.42, como regla si t es mayor a 2 se puede juzgar el parmetro como significativo diferente de cero. El MSE (1.1095) se usa para comparar el ajuste de diferentes modelos ARIMA. Los residuos no parecen estar correlacionados como
Pgina 38
se muestra en las grficas (estan dentro de los intervalos de confianza, asumiendo que el valor 9 es aleatorio). El modelo AR(1) parece ser adecuado para pronosticar. En el ejemplo anterior se encontr que un modelo AR(1) con una diferencia estacional de 12 da un buen ajuste para el sector de Food de los datos de empleo. Ahora se puede pronosticar esta estimacin para los siguientes 12 meses. Corrida de ARIMA para pronsticos:
Paso 1. Correr el modelo ARIMA sin grficas de ACF y PACF de los residuos Instrucciones de Minitab 1 Worksheet EMPLOY.MTW. 2 Stat > Time Series > ARIMA. 3 En Series, poner Food. 4 Seleccionar Fit seasonal model. En Period poner 12 en Nonseasonal, poner 1 en Autoregressive. En Seasonal, poner 1 en Difference . Paso 2: Mostrar la Grfica de serie de tiempo 1 Seleccionar Graphs. Seleccionar Time series plot. OK. Paso 3. Generar los pronsticos 1 Seleccionar Forecast. en Lead, poner 12 . OK en cada cuadro de dilogo. ARIMA Model: Food Estimates at each iteration Iteration SSE Parameters 0 95.2343 0.100 0.847 1 77.5568 0.250 0.702 2 64.5317 0.400 0.556 3 56.1578 0.550 0.410 4 52.4345 0.700 0.261 5 52.2226 0.733 0.216 6 52.2100 0.741 0.203 7 52.2092 0.743 0.201 8 52.2092 0.743 0.200 9 52.2092 0.743 0.200 Relative change in each estimate less than 0.0010 Final Estimates of Parameters Type Coef SE Coef T P AR 1 0.7434 0.1001 7.42 0.000 Constant 0.1996 0.1520 1.31 0.196 Differencing: 0 regular, 1 seasonal of order 12 Number of observations: Original series 60, after differencing 48
Pgina 39
Residuals: SS = 51.0364 (backforecasts excluded) MS = 1.1095 DF = 46 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 11.3 19.1 27.7 * DF 10 22 34 * P-Value 0.338 0.641 0.768 * Forecasts from period 60 95 Percent Limits Period Forecast Lower Upper Actual 61 56.4121 54.3472 58.4770 62 55.5981 53.0251 58.1711 63 55.8390 53.0243 58.6537 64 55.4207 52.4809 58.3605 65 55.8328 52.8261 58.8394 66 59.0674 56.0244 62.1104 67 69.0188 65.9559 72.0817 68 74.1827 71.1089 77.2565 69 76.3558 73.2760 79.4357 70 67.2359 64.1527 70.3191 71 61.3210 58.2360 64.4060 72 58.5100 55.4240 61.5960
Interpretacin de resultados El modelo ARIMA proporciona pronsticos con bandas de confianza en 95%, usando el modelo AR(1) la estacionalidad domina el perfil de pronsticos para los prximos 12 meses con los valores pronosticados ligeramente mayores que los 12 meses previos.
Pgina 40

Series de Tiempo Comp

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Series de Tiempo Comp

Cargado por

Copyright:

Formatos disponibles

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

METODOLOGA DE ANLISIS CON SERIES DE TIEMPO

Elabor: Primitivo Reyes Aguilar Marzo 2007

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

METODOLOGA DE SERIES DE TIEMPO

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

Removiendo la tendencia a largo plazo, los residuales quedan como sigue:

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

2. Diagramas de caja mltiples

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

3. Grfica de estacionalidad por subserie

3. INDICADORES DE MODELOS DE SERIES DE TIEMPO

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

4.2 Mtodo de anlisis de tendencias

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

4.3 Mtodo de Descomposicin

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

P. Reyes / Marzo 2007

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

Seasonal Analysis for RESI1

Original Data, by Seasonal Period

Percent Variation, by Seasonal Period

Residuals, by Seasonal Period

Component Analysis for RESI1

Seasonally Adjusted Data

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

4.4 Promedio mvil

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

Moving Average for Metals

Moving Average Length 3

Accuracy Measures MAPE MAD MSD 1.55036 0.70292 0.76433

Moving Average Plot for Metals

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

MTODOS DE SUAVIZACIN EXPONENCIAL

4.5 Suavizamiento exponencial simple (Holt)

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

Los resultados se muestran a continuacin:

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

Single Exponential Smoothing for Metals

Single Exponential Smoothing Plot for Metals

4.6 Suavizamiento exponencial doble (Holt)

Metodologa de anlisis con Series de tiempo