Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Series de Tiempo Comp
Series de Tiempo Comp
METODOLOGA DE ANLISIS
CON SERIES DE TIEMPO
Pgina 1
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
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.
2. TENDENCIA Y ESTACIONALIDAD
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
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
Pgina 3
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
Pgina 4
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
Pgina 5
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
4. MTODOS DE PRONSTICO
Pgina 6
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
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:
Pgina 7
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
Pgina 8
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
MODELOS DE TENDENCIA
Lineal
Cuadrtico
Crecimiento exponencial
Curva S de Pearl-Reed.
Toma en cuenta las observaciones que se ajustan a una curva con
forma de S.
Por ejemplo:
Pgina 9
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
MSD 67.4325
350
340
330
320
310
1 7 14 21 28 35 42 49 56 63 70
Index
Como hay un patrn curvilneo de los datos, se usa un anlisis de tendencias con
un modelo cuadrtico.
Pgina 10
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
MSD 59.1305
360
350
340
330
320
1 7 14 21 28 35 42 49 56 63 70
Index
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
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
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.
Modelos de descomposicin
Multiplicativo
Yt es la observacin en el tiempo t.
Aditivo
Pgina 12
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
Modelos de pronstico:
Por ejemplo:
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 P. Reyes / Marzo 2007
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
AccuracyMeasures
MAPE 881.582
MAD 2.802
RESI1
0 MSD 11.899
-10
-20
1 7 14 21 28 35 42 49 56 63 70
Index
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
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
10
10
0 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
5
8
0
4
-5
0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
10
Data
0
-10
-20
1 6 12 18 24 30 36 42 48 54 60
Index
10
0
-10
-20
1 6 12 18 24 30 36 42 48 54 60
Index
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
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
MTODOS
Promedio mvil:
Ejemplo:
Pgina 16
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
Data Metals
Length 60
NMissing 0
Moving Average
Length 3
Accuracy Measures
MAPE 1.55036
MAD 0.70292
MSD 0.76433
Forecasts
MovingAv erage
48
Length 3
Accuracy Measures
Metals
46 MAPE 1.55036
MAD 0.70292
MSD 0.76433
44
42
40
1 7 14 21 28 35 42 49 56 63
Index
Pgina 17
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
Interpretacin de resultados
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.
Pgina 18
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
2. Los valores suavizados son los valores Y estimados por ARIMA, pero
desplazados en una unidad de tiempo.
Valor inicial suavizado = [Valor suavizado del periodo 2 - (dato en periodo 1)] / (1-)
Donde (1-) estima el parmetro MA.
Peso especificado
Valor suavizado en tiempo t = (dato en periodo t)] + (1-) (valor suavizado en periodo t-1)
Donde es el peso.
Por ejemplo:
Pgina 19
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
Accuracy Measures
MAPE 1.11648
MAD 0.50427
MSD 0.42956
Forecasts
Period Forecast Lower Upper
61 48.0560 46.8206 49.2914
62 48.0560 46.8206 49.2914
63 48.0560 46.8206 49.2914
64 48.0560 46.8206 49.2914
65 48.0560 46.8206 49.2914
66 48.0560 46.8206 49.2914
SmoothingConstant
48
Alpha 1.04170
AccuracyMeasures
Metals
46 MAPE 1.11648
MAD 0.50427
MSD 0.42956
44
42
40
1 7 14 21 28 35 42 49 56 63
Index
Interpretacin de resultados
Pgina 20
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
Tiene una amplitud de pronstico corta siguiendo una lnea de tendencia con
pendiente igual a la de la ltima tendencia estimada.
Pgina 21
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
Los valores iniciales en tiempo cero con la observacin 1 se estiman por los
mtodos siguientes:
Pesos especificados
1. Se hace una regresin lineal en los datos de la serie (Y) contra el tiempo (X).
Lt + mTt
Pgina 22
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
Por ejemplo:
Smoothing Constants
Alpha (level) 1.03840
Gamma (trend) 0.02997
Accuracy Measures
MAPE 1.19684
MAD 0.54058
MSD 0.46794
Forecasts
Period Forecast Lower Upper
61 48.0961 46.7718 49.4205
62 48.1357 46.0600 50.2113
63 48.1752 45.3135 51.0368
64 48.2147 44.5546 51.8747
65 48.2542 43.7899 52.7184
66 48.2937 43.0221 53.5652
Accuracy Measures
MAPE 1.19684
46
MAD 0.54058
MSD 0.46794
44
42
40
1 7 14 21 28 35 42 49 56 63
Index
Interpretacin de resultados
Pgina 23
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
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.
Tiene una amplitud de pronstico de corta a media siguiendo una tendencia con
un patrn estacional.
Pgina 24
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
El Mtodo de Holt Winters se puede ejecutar en forma sencilla con ayuda del
paquete estadstico Minitab.
Pgina 25
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
Pgina 26
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
Instrucciones de Minitab
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
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
SmoothingConstants
A lpha(lev el) 0.2
65 Gamma(trend) 0.2
Food
Delta(seasonal) 0.2
A ccuracy Measures
60
MA PE 1.88377
MA D 1.12068
MSD 2.86696
55
50
1 7 14 21 28 35 42 49 56 63
Index
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 Additive
MAPE 1.88377 1.95
MAD 1.12068 1.15
MSD 2.86696 2.67
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
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
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:
Intrucciones de Minitab:
C4 C5
Food Diferencias Retrasos
53.5 * *
53 * *
53.2 * *
52.5 * *
53.4 * *
56.5 * *
65.3 * *
70.7 * *
66.9 * *
58.2 * *
55.3 * *
53.4 * *
Pgina 29
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
4.8 Autocorrelacin
Pgina 30
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
Pgina 31
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
Ejemplo de autocorrelacin:
Pgina 32
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
Ejemplo:
Pgina 33
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
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
Pgina 34
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
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:
1. Primero, decidir si los datos son estacionarios. Es decir si los datos poseen
media y varianza constante.
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.
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.
Pgina 35
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
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.
Ejemplo de ARIMA
Pgina 36
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
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.
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 *
Pgina 37
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
Interpretacin de resultados
Pgina 38
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
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 .
Pgina 39
Metodologa de anlisis con Series de tiempo P. Reyes / Marzo 2007
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
Pgina 40