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

Modelo Z t = t + et
:

E ( et ) = 0; V ( et ) = e2
Preguntas :
Z = + et E ( Z t ) = Z t = + et
t t
2

Z
V (Z t ) =
2
t
CONCEPTOS GENERALES: Tendencia, Estacionalidad, Ciclo
Z es dominado por varias componentes : { tendencia, estacional, ciclo , irregular}

Hay una componente de tendencia

Z = + et identificable en el comportamiento
t t
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 ?

t
(
t t
)
Y = T + Z t Y T = Z t : Es posible expresar Z como? Z = Z
t t t 1 t 12
+
t
1
Z Z = (1 B 12 ) Z = Z =
t 1 t 12 t 1 t t t 12 t
(1 B )
1
CONCEPTOS GENERALES: Tendencia, Estacionalidad, Ciclo
Z es dominado por varias componentes : { tendencia, estacional, ciclo , irregular}

Hay una componente recurrente

Z = + et
t t 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 Dominio de la

Tiempo Frecuencia

Auto-correlacion, (ACF,PACF), Peridiograma, densidad

Correlacion cruzada (CCF) espectral, espectro cruzado

Las graficas muestran el grado de Graficas muestran como viibra la

dependencia temporal 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
= CovZ ,Z
= (h)
(t h) t + k (t + k h)
(A) (3 A) : Cor Z t , Z
= (h) = (h) / Z2
(t h)

Que hacer para poder identificar

si se cumplen las condiciones?
(B)
(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
(C)

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

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

t t Z

(A*) Zt ~ I (1) Zt Z = (1 B)Zt ~ I (0)

t 1

Que hacer para poder identificar

(B*) si se cumplen las condiciones?

(1) Revisar las graficas

Es dificil diferenciar: (Estocastica vs Deterministcia)

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

(C*) (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
ARIMA
ARMA
TFNM(ARIMAX)
STSM
REGRESION
MODELO
VAR
SERIES
VEC
TIEMPO PANEL
(MST) OTROS..
Graficas de la
serie(s): (patrones,
Tendencia,
Estacionalidad,
Variabilidad)
(Estacionaria(s),
no-estacionaria(s) NO

E-
MST
ESTIME MST (E-MST)
(OK)
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}

Z = c + 1Z + et ; (1 1B12)Z = c + et
t t 12 t
1
Z =+ et ;
(3A) t 12
(1 B )
1
ACF:
( )
(h) = 1 j ; h = j *12 , j = 1,2,3,..;
PACF:
= 1; h = 1; = 0, otro caso
h, h h, h
ESTRATEGIA DE ANALISIS: EJEMPLOS

Comportamiento de los residuos : ruido banco ESTIMACION DEL MODELO

Parametros Estimate Std.Error t-stat p-value Pr(>|t|)

(Intercept) 17.559 5.387 3.259 0.002 **
This image cannot currently be display ed.
y_s_12 0.825 0.054 15.205 <2e-16 ***

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

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

TENDENCIA

- Movimiento de largo plazo de una serie

This image cannot currently be display ed. 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 + ; ~ NI (0, 2 )
t t 1 t t
Y = +Y + t
t t 1 t
This image cannot currently be display ed. Y = y + *t + ;
t 0 i
i =1
E(Y ) = y + * t; V (Y ) = t 2
t 0 t
t
Y = y + *t +
t 0 i
i =1
( I ) : Y = c + * t + ; donde
t t
t t 1
= = + t = v +
Y = + *t +
t t 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

15 ESTACIONALIDAD:
10 - Cuando las series siguen un patron de
5
variacion periodico en su evolucion que esta
atado al calendario, se dice que tienen un
0 S_(2) comportamiento estacional.
1
6
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
91
96
101
106
111
116
-5
- Al igual que en el caso de la tendencia es
-10 factible construir patrones similares a
comportamientos estacionales a partir de
-15 representaciones deterministicas [S(L)], o
partir de modelos que dependen de una
Z = c + 1Z +e estructura que depende de la frecuencia
t t 12 t
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:
- Variaciones inter -anuales recurrentes ( e.g.
m > 1 ao) con fases no necesariamente
This image cannot currently be display ed.
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
Fuente:prudentinvestor.com 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: Hodrick-
Prescott , Butterworth Filters).

- Wavelets anlisis revela como

diferentes escalas (frecuencias
periodicas) de un serie temporal
(B) 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
t
(
Y : es I (1), si se tiene que Y Y
t t 1
) ~ I ( 0)

( 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
t t
)
t 1
( )
~ I ( 0) + ~ I ( 0)
t
(B1) : ~ NI (0, 2 )
t
1
(B2) w = w + w + ; w =
t 1 t 1 2 t 2 t t 2 t
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 2
(
1 B B 2 Y Y
t
)
t 1 t
(
= c + Y Y
t t 1
)=+
1

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.