Curso Andino en Clima y Salud

Uso de Informacin de Clima

para la Salud Pblica.

TENDENCIAS Y SERIES DE TIEMPO

Hugo Oliveros C.
Investigador Adjunto,
IRI Colombia University

TENDENCIAS Y SERIES DE TIEMPO

Agenda:
Motivacin
Conceptos Generales
Definiciones
Tendencia, Estacionalidad, Ciclo
Alternativas Metodologicas
Series Estacionarias/ No-estacionarias
Estrategia de analisis
Ejemplos
Tendencia
Estacionalidad
Ciclo
Comentarios finales

MOTIVACION

Z = + et ;
t
t

MOTIVACION

Z = + et
t
t

CONCEPTOS GENERALES: DEFINICIONES

QUE ES UNA SERIE DE TIEMPO?
Conjunto ordenado de observaciones de una
variable , comunmente, registradas a
intervalos de tiempo constantes.

Z = + et
t
t

El comportamiento de Zs puede describirse a a traves de varias componentes (C).

C={Tendencia, Estacional, Ciclico , Irregular}

CONCEPTOS GENERALES: DEFINICIONES

SUPUESTOS IMPLICITOS

PZ z PZ '' z
ti

ti

Z = + et
t
t

Z t = t + et
E ( et ) = 0; V ( et ) = e2
Preguntas :
E ( Z t ) = Z t = + et
Modelo

V (Z t ) =

2
t

CONCEPTOS GENERALES: Tendencia, Estacionalidad, Ciclo

Z es dominado por varias componentes : { tendencia, estacional, ciclo , irregular}

Z = + et
t
t

Hay una componente de tendencia

identificable en el comportamiento
de la temperatura?

Pareceria que existe un patron?

Como se describe ese

comportamiento?

Hay un modelo estadistico

plausible?

Cuales son las fuerzas que

generan dicho comportamiento?

Si existe uno, o varios modelos ,

dichos modelos son compatibles
con lo que los cientificos de
clima reconocen en su cuerpo de
conocimiento?

CONCEPTOS GENERALES: Tendencia, Estacionalidad, Ciclo

Y o Z son dominados por varias componentes : { T, E, C, I }

*
#

*
#

Hay un patron recurrente en el comportamiento mensual el consumo de energia ?

Los picos (*) y los valles (#) se presentan cada 12 meses ?
El consumo de Energia es dominado por un componente estacional?
Existe ademas un componente de tendencia ?

CONCEPTOS GENERALES: Tendencia, Estacionalidad, Ciclo

Y o Z son dominados por varias componentes : { T, E, C, I }

T
t

*
#

Hay un patron recurrente en el comportamiento mensual el consumo de energia ?

Los picos (*) y los valles (#) se presentan cada 12 meses ?
El consumo de Energia es dominado por un componente estacional?
Existe ademas una componente de tendencia ?

Y = T + Z t Y T = Z t : Es posible expresar Z como? Z = Z

+
t
t
t
t
t
t
1 t 12
t
1
= (1 B 12 ) Z = Z =
Z Z

1 t 12
1
t
t
t
t
t
12 t
(1 B )
1

CONCEPTOS GENERALES: Tendencia, Estacionalidad, Ciclo

Z es dominado por varias componentes : { tendencia, estacional, ciclo , irregular}

Z = + et
t
t

Hay una componente recurrente

cada m>1 aos en las manchas
solares,?

Pareceria que existe un patron

?
Como se describe ese
comportamiento?

Existe una frecuencia

(1/periodo) donde se concentra
la variabilidad ?

Hay algun mecanismo para

evaluar donde oscila mas la
serie ? A que frecuencia se
producen las perturbaciones?

CONCEPTOS GENERALES: ALTERNATIVAS METODOLOGICAS

Dominio del
Tiempo

Dominio de la
Frecuencia

Auto-correlacion, (ACF,PACF),
Correlacion cruzada (CCF)

Peridiograma, densidad
espectral, espectro cruzado

Las graficas muestran el grado de

dependencia temporal

Graficas muestran como viibra la

seal a diferentes bandas de
frecuencia

Usos areas (clima, epidemiologia,

economia, .)

Usos areas (clima y

epidemiologia, economia,.)

SERIES ESTACIONARIAS
Procesos Estacionarios I(0)

(1) : E (Z t ) = ; (2) : V (Z t ) = 2 ;
Z
(3) : CovZ t , Z

(A)

= CovZ
,Z
= (h)

(t h)

t + k (t + k h)

(3 A) : Cor Z t , Z
= (h) = (h) / Z2

(t h)

Que hacer para poder identificar

si se cumplen las condiciones?
(B)

(C)

(1) (Simple)-Revisar las graficas (no hay tendencia?)

(2) (Complejo)Pruebas Hipotesis: Medias/varianzas
(3) (Complejo)Usar un modelo de series de tiempo
y evaluar los supuestos asociados al modelo
usando las observaciones
(4) Pruebas de estacionaridad

Los procesos generadores de los datos (PGD) no son conocido en la vida real - El modelo descrito es el que se intenta
descubrir.

SERIES NO ESTACIONARIAS
Procesos No-estacionarios

)
=

(y/o) (5) :V (Z ) = 2 (t);

t
t
t
Z

(4) : E(Z

(A*)

(B*)

Zt ~ I (1) Zt Z
= (1 B)Zt ~ I (0)
t 1

Que hacer para poder identificar

si se cumplen las condiciones?
(1) Revisar las graficas
Es dificil diferenciar: (Estocastica vs Deterministcia)

(C*)

(2) (Complejo) Pruebas Hipotesis:Medias/varianzas****

(3) (Complejo) Usar un modelo de series de tiempo
y evaluar los supuestos asociados al modelo usando
las observaciones
(4) Pruebas de raiz unitaria (pruebas estacionaridad)
-

Los procesos generadores de los datos (PGD) no son conocido en la vida real - El modelo descrito es el que se intenta
descubrir.

ESTRATEGIA DE ANALISIS

MST

Graficas de la
serie(s): (patrones,
Tendencia,
Estacionalidad,
Variabilidad)
(Estacionaria(s),
no-estacionaria(s)

ARIMA
ARMA
TFNM(ARIMAX)
STSM
REGRESION
VAR
VEC
PANEL
OTROS..

MODELO
SERIES
TIEMPO
(MST)

NO
EMST
(OK)

ESTIME MST (E-MST)

Verifique (supuestos)
Bondad de ajuste:
Significancia parmetros
Coherencia, Parsimonia,
Consistencia

ESTRATEGIA DE ANALISIS: EJEMPLOS

Serie no -estacionaria I(1) identificacion

This image cannot currently be display ed.

Tendencia ?

Decae
lentamente?

Se corta
despues de
rezago 1 ?

Los procesos generadores de los datos (PGD) no son conocido en la vida real - El modelo descrito es el que se intenta
descubrir.

ESTRATEGIA DE ANALISIS: EJEMPLOS

Serie estacionaria I(0)
(3A)
Promedio >0, no-hay una tendencia manifiesta

ESTRATEGIA DE ANALISIS: EJEMPLOS

Busque un modelo adecuado que ajuste

Modelo Teorico {debe incluir un intercepto}

(3A)

Z = c + 1Z
+ et ; (1 1B12)Z = c + et
t
t 12
t
1
Z =+
et ;
t
12
(1 B )
1
ACF:
(h) = 1 j ; h = j *12 , j = 1,2,3,..;
PACF:

( )

h, h

= 1; h = 1; = 0, otro caso
h, h

ESTRATEGIA DE ANALISIS: EJEMPLOS

ESTIMACION DEL MODELO

Comportamiento de los residuos : ruido banco

Parametros
(Intercept)
y_s_12

Estimate Std.Error
17.559
5.387
0.825
0.054

t-stat
p-value
Pr(>|t|)
3.259
0.002 **
15.205 <2e-16
***

This image cannot currently be display ed.

sigma^2 estimated =0.8766: part log likelihood = -135.31

Ljung-Box(20)=12.47- p-value=.90

LA TENDENCIA

TENDENCIA

This image cannot currently be display ed.

- Movimiento de largo plazo de una serie

de tiempo. Si existe, refleja su nivel
subyacente
- Resulta importante ,en algunas
oportunidades, eliminarla para ver que otras
componentes existen o pueden ser
identificadas
- Problema es identificar cual es el proceso
que genera la tendencia :
- Estocastica (Pruebas de Raiz Unitaria)
- Deterministica
- Y_st (Estocastica); Y_dt (Deterministica)

LA TENDENCIA: Estocastica (Y_st) vs Deterministica (Y_dt)

Caso : Y_st :

Y = +Y
+
t
t 1 t
This image cannot currently be display ed.

Y = + *t +
t
t

Y = +Y
+ ; ~ NI (0, 2 )
t
t 1 t t
t
Y = y + *t + ;
t
i
0
i =1
E(Y ) = y + * t; V (Y ) = t 2
t
t
0
t
Y = y + *t +
t
0
i
i =1
( I ) : Y = c + * t + ;
donde
t
t
t
t 1
= = + t = v
+
t
i
i
t 1 t
i =1
i =1
Caso : Y_dt
( II ) : Y = + * t + ; donde
t
t
~ NI (0, 2 )
t

LA ESTACIONALIDAD

ESTACIONALIDAD:

15
10
5

1
6
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
91
96
101
106
111
116

0
-5
-10
-15

Z = c + 1Z
+e
t
t 12 t

S_(2)

- Cuando las series siguen un patron de

variacion periodico en su evolucion que esta
atado al calendario, se dice que tienen un
comportamiento estacional.
- Al igual que en el caso de la tendencia es
factible construir patrones similares a
comportamientos estacionales a partir de
representaciones deterministicas [S(L)], o
partir de modelos que dependen de una
estructura que depende de la frecuencia
estacional. (SARMA, SARIMA-(raiz unitaria
estacional)
- Regularmente cuando se identifica su
presencia se le puede asociar con la
existencia de un filtro lineal estacional
(SARMA,SARIMA), o con f-sinusiodales: S(L)

LA ESTACIONALIDAD

ESTACIONALIDAD:
- Cuando las series siguen un patron de
variacion periodico en su evolucion que esta
atado al calendario, se dice que tienen un
comportamiento estacional.
- Al igual que en el caso de la tendencia es
factible construir patrones similares a
comportamientos estacionales a partir de
representaciones deterministicas [S(L)], o
partir de modelos que dependen de una
estructura que depende de la frecuencia
estacional. (SARMA, SARIMA-(raiz unitaria
estacional)
- Regularmente cuando se identifica su
presencia se le puede asociar con la
existencia de un filtro lineal estacional
(SARMA,SARIMA), o con f-sinusiodales: S(L)

EL CICLO
CICLO:

This image cannot currently be display ed.

Fuente:prudentinvestor.com

- Variaciones inter -anuales recurrentes ( e.g.

m > 1 ao) con fases no necesariamente
estables son asociadas al concepto de
ciclo.
- Ejemplos tipicos de dichas fluctuaciones
son los asociados con ENSO, las manchas
solares (sunspots), o con los ciclos
econmicos, o financieros.
- Este tipo de movimientos pueden ser
recreados usando funciones sinusoidales,
similares a S(L), o a partir de modelos
Autoregresivos de orden 2, AR(2), que tienen
implcitas raices imaginarias.
- La naturaleza del ciclo C(t) esta asociada con
frecuencias de oscilacin bajas (inverso del
periodo) y requiere en algunos casos
descontar la tendencia de largo, plazo, T(t),
para derivar una medida asociada con con
C(t), e.g, C(t) Y(t)-T(t) (Beverigde-Nelson
Decomposition).
- .

EL CICLO
(A)

CICLO:
- De igual forma es factible usar filtros
lineales, o bandpass filtros (BPF). BPF
dejan pasar seales en un intervalo
especifico de frecuencia: [x1,x2] El
intervalo esta asociado con la
frecuencias de interes, (Ver: HodrickPrescott , Butterworth Filters).

(B)

- Wavelets anlisis revela como

diferentes escalas (frecuencias
periodicas) de un serie temporal
flutuan a traves del tiempo. En
consecuencia pueden ser utiles para
identificar ciclos (A), (B).
(A) Fuente: Torrence, C., Compo,G. , 1998, A
Practical Guide to Wavelet Analysis, Bulletin
of the American Meteorological Society;
(Wavelet Morlet)
(B) Simulacion de una serie de tiempo con
frecuencias de oscilacion (1/12, 1/60, 1/120)
bajo comportamientos del tipo S(1) ; (Wavelet
Morlet)

LA TENDENCIA Y EL CICLO
Y : Estacionaria (E), es decir, Y ~ I(0) : si para todo t, k, h se tiene :
t
t
(1) E (Yt ) = ; (2) V (Yt ) = 2 ; (3) cor Yt , Yt k = cor Yt +h , Yt +hk = (k )
Y

Y : No - Estacionaria (NE) : No se cumplen (1, o, 2, o, 3);

t
Y : es I (1), si se tiene que Y Y
~ I ( 0)
t
t
t 1
( A) : Y = + * t + e ; e ~ I (0); e ~ NI (0, 2 ); Y es NE, [Caso (II), (T_dt)]
t
t t
t
t
( B) : Y = + Y
+ ; Y es NE [Caso (I) , (T_st)]
t
t 1 t
t
Para (B) Si Y ~ I (1) Y Y
~ I ( 0) + ~ I ( 0)
t
t
t 1
t
(B1) : ~ NI (0, 2 )
t
1

(B2) w = w
+ w
+ ; w =
t
1 t 1 2 t 2
t
t
t
2

1 1B 2 B

donde ~ NI (0, 2 ). Escoger 1 , 2 tal que w ~ I (0). = w , en (B)

t
t
t
t
o, e = w .en (A). (B2) puede recrear variabilidad inter - anual (ENSO, Decadal).
t
t

LA TENDENCIA Y EL CICLO

1
1 B B 2 Y Y
= c + Y Y
=+

1
2
t 1
t
t
t 1

t
1 B B 2 t
1
2

CONSIDERACIONES FINALES

La identicacion de la presencia {T, E,C,I} en una serie de tiempo permite entender su dinamica, la
persistencia y la recurrencia de patrones de comportamiento que se presentan en las series de
tiempo.

Su separacion no es proceso simple. Por ejemplo: dado que los ciclos pueden oscilar a frecuencias
bajas (asociadas con tendencias de largo plazo), la separacion entre la tendencia y el ciclo requiere
de procedemientos especializados (filtros y modelos complejos).

Existen multiples alternativas para eliminar algunos de las componentes de T, C, E, I, de las series
de tiempo (e.g. modelacion, uso de filtros ) y por defecto encontrar los restantes, sin embargo, cada
alternativa escogida tiene costo que necesario evaluar a luz de pruebas adecuadas sobre los
supuestos y la dinamica que las series generadas deben seguir.

R, SAS/ETS, SAS/IML, y MATLAB entre otros paquetes ofrecen rutinas para procesar y filtrar las
series al igual que para evaluar las hipotesis subyacentes. Sin embargo, es importante consultar la
pertinencia de los modelos implicitos en la derivacion de las componentes (estadistica + algo mas)

Si las variables que se analizan causan (o son las fuerzas que determinan parcialmente) la dinamica
de otras variables, sus propiedades estadisticas pueden/deben aparecer en el comportamiento de
dichas variables. En consecuencia analisis conjuntos podrian ofrecer alternativas mas utiles para
confirmar los hallazgos.

Para construir los modelos, o usar los filtros se requieren series de tiempo largas (varias
repeticiones de los patrones existentes) en consecuencia los esfuerzos por recuperar , limpiar y
mantener las series (las bases de datos) deben ser parte fundamental de la estrategia al momento de
discutir el presupuesto.