TEMA2

CAPÍTULO 2
MÉTODOS AUTOPROYECTIVOS
DETERMINISTAS DE
PREDICCIÓN
PREDICCIÓN Y SUAVIZADO DE SERIES TEMPORALES.

Toda predicción es un intento de anticipar el futuro. En el contexto temporal,
y tratándose de procedimientos cuantitativos, puede hablarse de dos clases de
predicciones: condicionales e incondicionales.
Las predicciones condicionales son las que se realizan mediante modelos

causales. Por ejemplo, en un modelo de regresión que relaciona dos variables, una
dependiente, Y, y otra independiente, X, las predicciones de Y están condicionadas a X,
es decir, se predice Y dada X.
Las predicciones incondicionales son las que se hacen mediante métodos

autoprotectivos (el modelo de predicción sólo incluye valores actuales,
pasados y futuros de la propia serie en estudio). Estos métodos pueden estar
basados en dos enfoques alternativos: el determinista, o clásico, y el
estocástico, o moderno (basado en la metodología de Box y Jenkins).
 El enfoque determinista es el que tratamos en este capítulo. El

enfoque determinista es más adecuado cuando se dispone de un número
limitado de observaciones, mientras que el enfoque estocástico es más
adecuado cuando las series son de mayor tamaño. El enfoque
determinista está basado en modelos no parámétricos en los cuales no
se pone atención a la estructura estocástica de la población de la cual se
han extraído las observaciones de la serie. Se trata de modelos de
naturaleza más descriptiva en los que tiene menos interés la teoría de la
probabilidad, la inferencia estadística y la formalización de los modelos
econométricos.
2 SERIES TEMPORALES
 El enfoque estocástico se basa en la modelización econométrica

formal. Estamos aquí ante modelos estocásticos en los que se utiliza
todo el aparato formal probabilístico, inferencial y econométrico. El
enfoque estocástico está basado en modelos paramétricos en los que
se tendrán en cuenta todas las fases de la modelización econométrica,
incluyendo la identificación, estimación, diagnosis formal y predicción
con los modelos. En el enfoque estocástico se utiliza la metodología de
Box y Jenkins.
Para cada tipo de predicciones (a corto, medio y largo plazo), existen

determinados métodos más adecuados. Por ejemplo, el análisis de tendencias es un
método para realizar predicciones a largo plazo, los modelos econométricos son
adecuados para hacer predicciones a corto y medio plazo, y los métodos autoproyectivos
son más adecuados para realizar predicciones a corto plazo. Precisamente, en las
predicciones a corto plazo es conveniente tener presentes también las variaciones
estacionales, lo mismo que en las predicciones a medio plazo es conveniente tener
presente también la componente cíclica.
MÉTODOS AUTOPROYECTIVOS DETERMINISTAS
Suavizado por medias móviles

Los métodos autoprotectivos deterministas se utilizan para suavizar
irregularidades y fluctuaciones de una serie temporal a fin de obtener la línea de
suavizado como señal clara libre de variaciones estacionales y óptima para la
predicción. Cuando no hay tendencia clara ni estacionalidad en la serie original, se
utiliza el suavizado por medias móviles. El método de medias móviles es un
procedimiento mecánico para suavizar las irregularidades y las fluctuaciones de una
serie temporal a fin de obtener la línea de tendencia. Dada la serie temporal Xt
t = 1, 2, …, T, se define la media móvil de orden, por ejemplo 5, como sigue:
Ts = (Xs2+Xs1+Xs+Xs+1+Xs+2)/5 s = 3, 4, …, T  2
La serie temporal Ts es una versión suavizada de la Xt.
Si se elige bien el orden de la media móvil, Ts no contiene la componente

estacional, y será una representación correcta de las componentes a medio y largo
plazo (ciclo-tendencia). El método es equivalente a ajustar una tendencia lineal a
cada cinco puntos consecutivos de la serie inicial y tomar en cada ajuste solamente el
punto central de la recta ajustada para alisar la serie original.
CÉSAR PÉREZ LÓPEZ. UNIDAD DE ESTADÍSTICA. INSTITUTO DE ESTUDIOS FISCALES. 3
Suavizado exponencial de Brown

Sea Xt el valor observado de la serie temporal (a la que vamos a aplicar el método
suavizado) en el instante t. Sea St(l) la predicción de Xt a horizonte l. St va a ser un
suavizado de la serie Xt. El modelo simple de alisado exponencial de Brown obtiene
predicciones de una serie temporal en función de las observaciones pasadas. Cada
predicción se obtiene promediando los valores observados de la variable como sigue:
St(l) = aXt + a(1a)X2 t1 + a(1a)2 Xt2 + ...
Este procedimiento produce, efectivamente, un alisado de la serie Xt, ya que la

nueva serie alisada, St(l), al estar constituida por promedios (medias ponderadas) de
valores de la serie primaria, presentará fluctuaciones más amortiguadas que Xt. El valor
de a ha de ser fijado entre cero y uno. Valores más pequeños de a alisan más los datos.
Como regla práctica, si los datos presentan fuertes fluctuaciones o gran aleatoriedad, se
deben usar valores pequeños de a. Las predicciones obtenidas mediante este
procedimiento no cambian con el horizonte temporal, es decir, St(1) = St(2) = ... = St(l)
= ...
En general podemos poner:
St(l) = aXt + (1  a)St1(l)
para el modelo simple de alisado exponencial de Brown.
En todos los métodos de predicción basados en el suavizado exponencial, se

presenta el problema de la fijación de los valores iniciales.
Si el parámetro de alisamiento a está próximo a cero, el valor inicial fijado (S0)

influirá en el resultado durante muchos períodos de tiempo. Por el contrario, con
valores de a próximos a la unidad, desaparecerá rápidamente la influencia del valor
inicial adoptado, pero es muy posible que los datos presenten tendencias o
estacionalidad, en cuyo caso usar este método de predicción no sería muy adecuado. Se
toma como valor inicial S1 = X1.
También existe el modelo exponencial de Brown con tendencia lineal,

extensión del modelo simple mediante:
S’t(l) = aXt + (1  a)S’t1(l) y S’’t(l) = aS’t + (1  a)S’t1(l)
En este caso suponemos la serie temporal generada por el esquema definido

como Xt+i = d + ei + ut+i (i = 0, 1, 2, 3, ...). La predicción en el período t a horizonte
l se obtendrá mediante St(l) = at + bt l, donde at y bt son estimaciones de d y e.
4 SERIES TEMPORALES
Será necesario, una vez fijado a, dar un valor inicial a St' cuando t = 1. Este
valor se establece siguiendo algún criterio ajeno al método. Se puede hacer, por
ejemplo, S1' = X1. También se puede igualar S1' a un promedio de los primeros
valores de X. También habrá que dar un valor inicial a S1", que también puede ser X1.
También se toma at = 2 S’t - S’’t y bt = a(S’t - S’’t )/(1-a). Como valor fijado para a
se suele tomar un número entre 0,1 y 0,3.
Además, existe el modelo exponencial de Brown con tendencia cuadrática,

que es una extensión de los dos anteriores. En este caso suponemos que la serie original
sigue una tendencia cuadrática de la forma: Xt+i = d + ei + fi 2 + ut+i (i = 0, 1, 2, 3, ...).
Las ecuaciones para el modelo son:
S’t(l) = aXt + (1  a)S’t1(l)

S’’t(l) = aS’t + (1  a)S’t1(l)
S’’’t(l) = aS’’t + (1  a)S’’t1(l).
Las predicciones se obtendrán mediante la serie alisada St(l) = pt + (qt)l + 1/2

(rt)l2, en donde, dado a, los parámetros pt =3St’-3St’’+St’’’, qt = a[(1-5a)St’-(10-
8a)St’’+(4-3a)St’’’]/[2(1-a)2] y rt = a2(St’-2St’’+St’’’)/(1-a)2 se estiman con los valores
iniciales S1' = S1" = S1''' = X1. El método con tendencia cuadrática sirve para predecir
series con puntos de cambio de tendencia (turning points). Los métodos con tendencia
lineal y simple no son válidos para este fin.
Suavizado lineal de Holt

El método de Holt, al igual que el de Brown, sirve para realizar predicciones
bajo el supuesto de tendencia lineal, pero a diferencia de aquel, utiliza dos parámetros
de alisado a y b, que toman valores constantes entre 0 y 1. Los valores predichos vienen
dados por el modelo lineal:
Ft(l) = St-1 + (bt-1)l t > 2

St = aXt + (1-a)[St-1 + bt-1]
bt = b[St - St-1] + (1-b)bt-1
Los valores iniciales son S1 = x1 y b1 = x2-x1
N = Número de observaciones
xt = Observación t de la serie de tiempo en estudio
St = Observación t de la serie alisada
Ft(l) = Predicción en el instante t a horizonte l
bt = Valor del parámetro estimado del modelo en el instante t
a = Primera constante de alisado (relacionado con la componente aleatoria)
b = Segunda constante de alisado (relacionado con la tendencia)
Suavizado estacional de Winters

Winters generalizó el método de Holt para tratar con datos que presenten
variaciones estacionales. En este caso la fórmula de predicción es: Ft(l) = (St + l(bt))It+l-L
donde L es el número de observaciones anuales. La estacionalidad se tiene en cuenta
mediante el factor It+l-L (modelo multiplicativo). Las fórmulas de actualización son:
St = aXt/It-L + (1-a)[St-1 + bt-1]

bt = b(St - St-1) + (1-b)bt-1
It = cXt/St + (1-c)It-L.
Ahora es necesario conocer el valor de tres parámetros a, b y c. El primero está

relacionado con la componente aleatoria, el segundo con la tendencia y el tercero con
la componente estacional. La inicialización de los cálculos con este procedimiento
requiere usar al menos L períodos para establecer los índices estacionales iniciales.
Para estimar el factor de tendencia es conveniente utilizar datos referidos a 2L
períodos (dos años consecutivos) en la forma siguiente:
b1 = [(XL+1-X1)/L + (XL+2-X2)/L +...+ (XL+L-XL)]/L
PREDICCIONES INCONDICIONALES DETERMINISTAS

CON EL MODELIZADOR DE SPSS. SUAVIZADO
SPSS realiza el suavizado de series temporales mediante métodos deterministas
a través del procedimiento Suavizado exponencial. Este procedimiento suaviza
componentes irregulares de datos de series temporales, para lo cual hace uso de una
variedad de modelos que incorporan diferentes supuestos acerca de la tendencia y la
estacionalidad. Como ejemplo consideramos la serie temporal de nombre Cantidad
contenida en el archivo suavizado.sav y vamos a realizar un suavizado de la misma. En
primer lugar la representamos (Analizar  Predicciones → Gráfico de secuencia) con
el objeto de observar si presenta estacionalidad. Para ello se rellena la pantalla de entrada
de Gráficos de secuencia según la Figura 2-1 y se obtiene el gráfico de la Figura 2-2.
Figura 2-1 Figura 2-2

6 SERIES TEMPORALES
Gráficamente no se observa estacionalidad. Para obtener el periodograma de la

serie usamos Gráficos  Serie temporal  Análisis espectral y rellenamos la pantalla
de entrada del procedimiento Diagramas espectrales según se indica en la Figura 2-3. Al
pulsar Aceptar se obtiene el periodograma de frecuencia de la Figura 2-4, que no
presenta picos destacados, lo que hace intuir que no hay estacionalidad.

Para realizar el suavizado se utiliza el modelizador de SPSS. Para ello elija en los
menús Analizar  Predicciones  Crear modelos (Figura 2-5). Si la serie hubiese sido
estacional sería necesario definir fechas previamente. Aún así, el modelizador pregunta si
es necesario definir fechas (Figura 2-6). Podemos hacer clic en Definir fecha y realizar la
definición adecuada si fuese necesario. En nuestro caso pulsamos Aceptar para considerar
la serie Cantidad como temporal tratando los casos como períodos de tiempo consecutivos.
Se obtiene el Modelizador de series temporales de la Figura 2-7.
Figura 2-5
Figura 2-6
Figura 2-7
Seleccionamos la serie Cantidad y la desplazamos al campo Variables

dependientes. El campo Variable independiente, que sería el tiempo, se mantiene vacío,
ya que se suponen por defecto períodos de tiempo consecutivos. A continuación hacemos
clic en la flecha situada ala derecha de la opción Modelizador experto del campo Método
y elegimos Suavizado exponencial (Figura 2-8). En la pantalla Criterios de suavizado
exponencial (Figura 2-9) elegimos uno cualquiera de ellos, por ejemplo Tendencia lineal
de Brown. Al hacer clic en Continuar, ya tenemos la pestaña Variables del modelizador
rellenada adecuadamente (Figura 2-10). A continuación hacemos clic en la pestaña
Estadísticos y elegimos los estadísticos deseados en la salida (Figura 2-11). En la pestaña
Gráficos se eligen las opciones gráficas deseadas en la salida (Figura 2-12).
8 SERIES TEMPORALES
A continuación hacemos clic en la pestaña Filtro de resultados para incluir todos

los modelos posibles en los resultados (Figura 2-13). La siguiente tarea es hacer clic en
la pestaña Guardar para elegir las series a guardar (Figura 2-14). Por último hacemos
clic en la pestaña Opciones y situamos el valor 155 en la casilla Observación del campo
Fecha (Figura 2-15), ya que queremos predecir 6 observaciones a partir de la número
149 (que es la última de la serie). Previamente se ha marcado la opción para situar el
Periodo de prediccíon desde el Primer caso después del final del período de estimación
hasta una fecha especificada.
Al hacer clic en Aceptar se obtienen los estadísticos de ajuste del modelo (Figura
2-16) entre los que destacan R2=0,5 y el p-valor del estadístico de Lunj Box lo
suficientemente alto como para asegurar la aleatoriedad residual. Finalmente se obtienen
las funciones de autocorrelación y autocorrelación parcial residuales (Figura 2-17) cuyos
valores no se salen de las bandas de confianza, lo que certifica una buena diagnosis
residual. Se obtiene también sobre la misma gráfica la serie original, la serie suavizada y
las predicciones obtenidas (Figura 2-18). Si observamos el conjunto de datos vemos que
al final se han añadido las series de predicciones, sus intervalos de confianza y la serie de
errores (Figura 2-19).
Figura 2-8
Figura 2-9
Figura 2-10
10 SERIES TEMPORALES
Figura 2-11
Figura 2-12
Figura 2-13
Figura 2-14
Figura 2-15
Figura 2-16
Figura 2-17
Figura 2-18
Figura 2-19

CON EL MODELIZADOR DE STATGRAPHICS CENTURION
STATGRAPHICS CENTURION, al igual que las últimas versiones de SPSS,
introduce un modelizador de series temporales que puede ser también automático. Se
accede al mismo mediante Pronósticos → Modelo definido por el usuario (Figura 2-33).
Figura 2-33
En la pantalla de entrada del procedimiento Pronósticos (Figura 2-34) se

introduce la serie a pronosticar, que es la serie de stoks de IBM que henos utilizado
anteriormente y que ya sabemos que no es estacional y el número de pronósticos a
obtener. Al hacer clic en Aceptar se obtiene la figura 2-35 que presenta por defecto un
resumen de los datos de la serie y los posibles modelos a los que se puede ajustar para
realizar mejor las predicciones (Comparación de modelos). Como salidas gráficas
presenta por defecto la serie suavizada y las predicciones según el mejor modelo elegido.
Figura 2-34
Figura 2-35
A continuación se presenta la salida completa de Compración de modelos:
Comparación de Modelos
Variable de datos: ibm
Número de observaciones = 120
Indice Inicial = 1,0
Intervalo de Muestra = 1,0
Modelos
(A) Caminata aleatoria con drift = 1,10924
(B) Tendencia lineal = 448,776 + 1,07464 t
(C) Promedio móvil simple de 3 términos
(D) Suavización exponencial simple con alfa = 0,9999
(E) Suavización exp. De Brown con alfa = 0,5853
Periodo de Estimación
Modelo RMSE MAE MAPE ME MPE
(A) 5,23319 4,05395 0,787267 1,81517E-14 -0,0103603
(B) 16,8831 13,9372 2,73899 5,87382E-14 -0,0993993
(C) 7,41671 5,50712 1,05789 2,25926 0,423024
(D) 5,32803 4,05009 0,784242 1,10011 0,204948
(E) 5,86032 4,54833 0,88362 0,0448507 0,00883051
Modelo RMSE RUNS RUNM AUTO MEDIA VAR

(A) 5,23319 OK OK OK OK OK
(B) 16,8831 *** *** *** OK *
(C) 7,41671 *** *** *** OK OK
(D) 5,32803 * OK OK OK OK
(E) 5,86032 * OK *** OK OK
Clave:
RMSE = Root Mean Squared Error (Raíz del Cuadrado Medio del Error)
RUNS = Prueba corridas excesivas arriba y abajo
RUNM = Prueba corridas excesivas arriba y abajo de la mediana
AUTO = Prueba de Box-Pierce para autocorrelación excesiva
MEDIA = Prueba para diferencia en medias entre la 1ª mitad y la 2ª mitad
VAR = Prueba para diferencia en varianza entre la 1ª mitad y la 2ª mitad
OK = no significativo (p >= 0,05)
* = marginalmente significativo (0,01 < p <= 0,05)
** = significativo (0,001 < p <= 0,01)
*** = altamente significativo (p <= 0,001)
El StatAdvisor
Esta tabla compara los resultados de cinco diferentes modelos de pronósticos. Puede cambiar
cualquiera de los modelos pulsando el botón secundario del ratón y seleccionando Opciones de
Análisis. Viendo las estadísticas del error, el modelo con la menor raíz cuadrada del error cuadrado
medio (RMSE) durante el periodo de estimación del modelo es el modelo A. El modelo con el menor
error medio absoluto (MAE) es el modelo D. El modelo con el menor porcentaje del error medio
absoluto (MAPE) es el modelo D. Puede usar estos resultados para seleccionar el modelo más
apropiado para sus necesidades.
La tabla también resume los resultados de cinco pruebas para determinar si cada modelo es adecuado
para los datos. Un OK significa que el modelo pasa la prueba. Un * significa que no pasa la prueba al
nivel de confianza del 95%. Dos *'s significa que no pasa la prueba al nivel de confianza del 99%.
Tres *'s significa que no pasa la prueba al nivel de confianza del 99,9%. Note que el modelo
actualmente seleccionado, el modelo A, pasa 5 pruebas. Puesto que ninguna prueba es estadísticamente
significativa con un nivel de confianza del 95% o más, el modelo actual probablemente es adecuado
para los datos.
El apartado Modelos de la salida ordena de mejor a peor los posibles modelos
deterministas de ajuste para la serie (camino aleatorio, tendencia lineal, media móvil de
orden 3, suavizado exponencial simple y suavizado exponencial de Brown). Esta
ordenación la realiza según los resultados de los contrastes de ajuste que se presentan en
el apartado Periodo de estimación. Se presentan las distintas pruebas de diagnóstico para
el ajuste de los modelos (raíz del error cuadrático medio y pruebas de rachas de la
mediana y de Box-Pierce para la aleatoriedad de los residuos) y cuántas supera cada
modelo señaladas con OK. Se observa que también son modelos aceptables de ajuste el
suavizado exponencial simple y el suavizado exponencial de Brown. Para elegir
cualquier otro modelo de los aceptables para el ajuste, se hace clic con el botón derecho
del ratón sobre la salida anterior y se elige Opciones de análisis para obtener la pantalla
de Opciones de especificación del modelo (Figura 2-36) en la que elegiremos Suavizado
exponencial lineal de Brown. Al hacer clic en Aceptar se obtiene el ajuste gráfico de la
Figura 2-37 que incluye el suavizado y las prediciones.
Figura 2-36
Figura 2-37
Las opciones tabulares completas del procedimiento anterior se obtienen

haciendo clic en el icono de la barra de iconos (Figura -38). Las opciones gráficas
completas del procedimiento anterior se obtienen haciendo clic en el icono de la barra
de iconos (Figura -39). En ambas figuras hemos seleccionado las opciones más
habituales y efectivas para el análisis de la serie y sus predicciones.
La opción tabular Tabla de pronósticos presenta la tabla de datos de la serie, los

pronósticos realizados, los intervalos de confianza para los pronósticos y los valores de
los errores de la predicción.
Si hacemos clic con el botón derecho del ratón sobre la salida de los pronósticos
se obtiene el menú emergente de la Figura 2-40, cuya opción Opciones de ventana
permite situar el nivel de confianza para la construcción de los intervalos de confianza de
las predicciones (Figura 2-41).
Tabla de Pronósticos para ibm
Modelo: Suavización exp. De Brown con alfa = 0,5893
Límite en 95,0% Límite en 95,0%
Periodo Pronóstico Inferior Superior
121,0 592,746 581,308 604,184
122,0 595,345 577,666 613,024
123,0 597,944 573,102 622,786
124,0 600,542 567,738 633,347
125,0 603,141 561,655 644,627
126,0 605,74 554,911 656,569
127,0 608,339 547,551 669,127
128,0 610,938 539,611 682,264
129,0 613,536 531,124 695,949
130,0 616,135 522,114 710,156
131,0 618,734 512,605 724,863
132,0 621,333 502,616 740,05
Figura 2-40
Figura 2-41
La opción tabular Contrastes de aleatoriedad de la Figura 2-38 presenta tres

contrastes para diagnosticar la aleatoriedad de los residuos. En concreto el contraste
de la mediana, el contraste de rachas y el contraste de Box-Pierce. Si observamos la
slida vemos que el primer contraste acepta la aleatoriedad residial al 95% (p-valor
mayor que 0,05), mientras que los otro dos la rechazan (p.valores menores que 0,05).
En estos coas no debemos de ser muy exigentes y aceptaremos la aleatoriedad
residual cuando al menos algín contraste la acepte. Es interesante observar los
comentarios del intérprete de resultados StatAdvisor situado al final de la salida.
Prueba de Aleatoriedad de residuos
Variable de datos: ibm
Modelo: Suavización exp. De Brown con alfa = 0,5893
(1) Corridas arriba o abajo de la mediana

Mediana = 0,190751
Número de corridas arriba o abajo de la mediana = 53
Número esperado de corridas = 61,0
Estadístico z para muestras grandes = 1,3751
Valor-P = 0,169101
(2) Corridas arriba y abajo

Número de corridas arriba y abajo = 70
Número esperado de corridas = 79,6667
Estadístico z para muestras grandes = 1,9998
Valor-P = 0,0455214
(3) Prueba Box-Pierce

Prueba basada en las primeras 24 autocorrelaciones
Estadístico de prueba para muestras grandes = 50,0902

Valor-P = 0,000896555
El StatAdvisor
Se han corrido tres pruebas para determinar si los residuos forman, o no, una secuencia aleatoria de
números. Una secuencia de números aleatorios a menudo es llamada ruido blanco, puesto que contiene
iguales contribuciones a varias frecuencias. La primer prueba cuenta el número de veces que la
secuencia estuvo arriba o abajo de la mediana. El número de tales corridas es igual a 53, comparado
con un valor esperado de 61,0 si la secuencia fuera aleatoria. Puesto que el valor-P para esta prueba es
mayor o igual que 0,05, no se puede rechazar la hipótesis de que los residuos son aleatorios, con un
nivel de confianza del 95,0% o mayor. La segunda prueba cuenta el número de veces que la secuencia
ascendió o descendió. El número de tales corridas es igual a 70, comparado con un valor esperado de
79,6667 si la secuencia fuera aleatoria. Puesto que el valor-P para esta prueba es menor que 0,05, se
puede rechazar la hipótesis de que la serie es aleatoria, con un nivel de confianza del 95,0%. La tercera
prueba está basada en la suma de cuadrados de los primeros 24 coeficientes de autocorrelación. Puesto
que el valor-P para esta prueba es menor que 0,05, se puede rechazar la hipótesis de que la serie es
aleatoria, con un nivel de confianza del 95,0%. Puesto que las tres pruebas son sensibles a diferentes
tipos de desviacíon de una comportamiento aleatorio, una falla para pasar cualquiera sugiere que los
residuos no son completamente aleatorios, y que el modelo seleccionado no captura toda la estructura
en los datos.
La opción gráfica Gráfico de los residuos de la Figura 2-39 nos lleva a la Figura
2-42, que presenta la estructura gráfica residual. Se observa que se trata de una estructura
aleatoria sin lugar a dudas.
La opción gráfica Periodograma de los residuos de la Figura 2-39 nos lleva a la

Figura 2-43, que presenta el periodograma residual. Se observa una estructura uniforme
sin decrecimientos ni crecimientos tendenciales bruscos ni periódicos, lo que que indica
que los residuos son aleatorios.
Figura 2-42
Figura 2-43
PROCEDIMIENTOS DE SUAVIZADO EN STATGRAPHICS

CENTURION
STATGRAPHICS CENTURION incorpora el procedimiento Suavizado que
permite aplicar hasta dos métodos consecutivos de suavizado a una serie temporal. A
este procedimiento se accede mediante Describir → Series de tiempo → Suavización
(Figura 2-44)
Figura 2-44
Figura 2-45
La pantalla de entrada se presenta en la Figura 2-45. Previamente se carga en
memoria el fichero cap13.sf3 que contiene la variable ibm relativa a los precios de
los stocks de la compañía IBM. La finalidad de los campos de la figura ya los
conocemos, pues son similares a los de la pantalla de entrada del procedimiento
Predicción ya visto en este capítulo. Se observa que no está la casilla del número de
predicciones a obtener, ya que este procedimiento solamente suaviza la serie y no
obtiene predicciones (lo mismo que ocurría en STATGRAPHICS). Al pulsar Aceptar
se obtiene la salida de la Figura 2-46 en la que se contemplan las dos opciones
tabulares del procedimiento (Resumen de Análisis y Tabla de datos) y las dos
opciones gráficas (Gráfico de secuencia cronológica y Gráfico de los residuos). La
tabla de datos presenta los valores de la serie, los valores de la serie suavizada y los
errores cometidos en la suavización. El resumen de análisis para el suavizado de la
serie ibm imforma que se ha utilizado por defecto un suavizado por medias móviles
de orden cinco.
Para cambiar el criterio de suavizado se hace clic con el botón derecho del ratón
sobre la salida de la tabla datos y en el menú emergente resultante (Figura 2-47) se
elige Opciones de ventana. Se obtiene la Figura 2-48 que permite elegir hasta dos
tipos simultáneos diferentes de suavizado basados en diferentes tipos de medias
móviles.
Figura 2-46
Figura 2-47
Figura 2-48
Si en la Figura 2-47 hacemos clic en Opciones de análisis se obtiene la

Figura 2-49 que permite elegir diferentes tendencias para el suavizado (Lineal,
Cuadrática, Exponencial y Curva S).
Figura 2-49

Y SUAVIZADO CON EVIEWS
Eviews permite el suavizado de una serie temporal X mediante medias
móviles de orden n a través de la función @MOVAV(X,n). Como ejemplo
consideramos la serie VENTAS1 de la Figura 1-82, elegimos Proc  Generate by
Equation (Figura 1-84) y en el campo Enter equation introducimos la fórmula que
genera la media móvil de orden 3 (Figura 1-85). Al pulsar OK se obtiene la serie de
medias móviles de orden 3 de nombre MEDIAMOVIL3 (Figura 1-83).


Mediante View  Graph Line (Figura 1-86) se obtiene la gráfica de la serie
original y de la serie suavizada por media móvil sobre los mismos ejes (Figura 1-87).
Eviews también permite el suavizado exponencial (simple, doble de Brown,

Holt-Winters no estacional y Holt-Winters estacional aditivo y multiplicativo) de una
serie temporal. Como ejemplo consideramos la serie VENTAS1 de la Figura 1-82,
elegimos Quick  Series Statistics  Exponential Smoothing (Figura 1-88) y en el
campo Series name introducimos el nombre de la serie que vamos a suavizar (Figura
1-89). Al pulsar OK se obtiene la pantalla Exponential Smoothing (Figura 1-90) en
cuyo campo Smoothing method elegimos el tipo de suavizado (simple en nuestro
caso). Al pulsar OK se obtiene la serie suavizada por suavizado exponencial simple
de nombre VENTASSM (Figura 1-91). El parámetro 0,09, que es bajo, indica
convergencia lenta. Podemos representar la serie original y la suavizada en el mismo
gráfico (Figura 1-92). La Figura 1-93 presenta la serie original y las series suavizadas
por medias móviles de orden 3 y suavizado exponencial simple. La Figura 1-94
grafica esas tres series sobre los mismos ejes.
Figura 1-92
Si en la pantalla la pantalla Exponential Smoothing elegimos Double (Figura 1-95)

se obtiene la serie suavizada VENTASSM1 por suavizado exponencial doble de Brown
(Figura 1-96). Mediante View  Graph Line (Figura 1-97) se obtiene la gráfica de la
serie original y de la serie suavizada por media móvil, suavizadao explonencial simple y
suavizado exponencial doble de Brown sobre los mismos ejes (Figura 1-98).

Si en la pantalla la pantalla Exponential Smoothing elegimos Holt-Winters no

seasonal (Figura 1-99) se obtiene la serie suavizada VENTASSM2 por suavizado
exponencial no estacional de Holt Winters. Mediante View  Graph Line se obtiene la
gráfica de la serie original y de la serie suavizada sobre los mismos ejes (Figura 1-100).


Y SUAVIZADO CON SAS. PROCEDIMIENTO FORECAST
El procedimiento FORECAST realiza suavizados y predicciones en series
temporales mediante métodos de predicción incondicionales. Su sintaxis es la siguiente:
PROC FORECAST opciones;

BY variables;
ID variables;
VAR variables;
La sentencia BY se utiliza para obtener análisis separados por grupos de

observaciones. La primera variable especificada en la sentencia ID identifica las
observaciones, y más concretamente, la variable tiempo. El resto de las variables suelen
ser del input o del output. La sentencia VAR especifica las variables a predecir. Las
opciones del procedimiento FORECAST son las siguientes:
ALIGN= BEGINNING| BEG| B, ALPHA= n sitúa el tamaño de los AR= n especifica el máximo
MIDDLE|MID|M, o ENDING|END|E límites de confianza de las orden del modelo
controlan la alineación de fechas predicciones autorregresivo
ASTART= valor inicial para el término BSTART= valor inicial para la CSTART= valor inicial de
constante en alisado exponencial y de tendencia lineal en alisado tendencia cuadrática en alisado
Winters exponencial y de Winters exponencial y Winters
DATA= conjuntyo de datos de entrada INTERVAL= intervalo de INTPER= n incremento si
tiempo usado en la serie no se usa INTERVAL
LEAD= número de períodos a predecir METHOD= STEPAR | EXPO | NSTART= n especifica el
WINTERS | ADDWINTERS número de observaciones del
(paso a paso, exponencial, comienzo de la serie a usar
Winters y Winters estacional) para calcular valores iniciales
NSSTART= n especifica el OUT= Conjunto de datos de OUTACTUAL escribe los
número de observaciones del comienzo de salida valores actuales en el
la serie a usar para calcular valores iniciales conjunto de datos de salida
en métodos estacionales
OUTALL escribe una salida completa OUTEST= Conjunto de salida con OUTESTALL escribe
valores estimados y de ajuste estadísticos adicionales
OUTESTTHEIL escribe estadísticos de OUTFITSTATS escribe OUTFULL controla todas
Theil estadístico tipo R2 las opciones de prtedición
OUTLIMIT escribe límites de confianza OUTRESID escribe los residuos OUTSTD escribe los errores
para predicciones estándar de las predicciones
OUT1STEP escribe los valores un paso SEASONS= intervalo estacional SINGULAR= valor de
adelante (QTR, MONTH, DAY, o HOUR) control de singularidades
SINTPER= número de períodos a SLENTRY= valor de nivel de SLSTAY= valor de nivel de
combinar en una estación siginificación de parámetros AR siginificación de parámetros
entrantes AR salientes
START= n para usar las n primeras ZEROMISS para tratar los ceros
observaciones como serie y a partir de la al comienzo de la serie como
n+1 predicciones como valores desaparecidos
Como ejemplo suavizamos y predecimos 12 períodos de la evolución

mensual de las ventas de vehículos utilizando los datos de la variable estacional
mensual vehicles del fichero usecon y el método de suavizado estacional de Winters.
La variable del fichero que indica las fechas es date.
Con la finalidad de corroborar que se trata de una serie mensual utilizaremos

el procedimiento TIMESERIES para graficar la serie de datos y el periodograma. Se
utilizará la sintaxis SAS siguiente:
ods graphics on;

data datos;
set ejemplos.usecon;
proc timeseries data=datos plot=(series periodogram);
var vehicles;
id date interval=month;
spectra p / adjmean;
run;
Una vez ejecutada la sintaxis anterior se obtienen las Figuras 2-69 y 2-70 que
representan la serie original y su periodograma.
Se observa que el periodograma por período presenta estacionalidad para el

período 12, lo que certifica que es estacional mensual.
Figura 2-69
Figura 2-70
A continuación utilizaremos el procedimiento FORECAST para suavizar la

serie por el método del suavizado estacional de Holt Winters obteniendo 12
predicciones. La sintaxis sería la siguiente:
proc forecast data=ejemplos.usecon interval=month

method=winters seasons=month lead=12
out=out outfull outresid outest=est;
id date;
var vehicles;
run;
Una vez ejecutado el programa, el fichero out de la librería ejemplos contiene

las predicciones y un intervalo de confianza al 95% para ls mismas. La variable
_lead_ de este fichero indica el número de predicción (desde 1 hasta 12) y solo
tendrá valores distintos de cero para las predicciones.
Para ver las predicciones y sus intervalos de confianza utilizaremos la

sintaxis siguiente:
data a;
set ejemplos.out;
where _lead_ >= 1;
proc print;
run;
La salida se presenta a continuación:
Obs DATE _TYPE_ _LEAD_ VEHICLES
1 JAN92 FORECAST 1 16557.97

2 JAN92 L95 1 13989.11
3 JAN92 U95 1 19126.84
4 FEB92 FORECAST 2 19502.20
5 FEB92 L95 2 16456.80
6 FEB92 U95 2 22547.60
7 MAR92 FORECAST 3 19590.92
8 MAR92 L95 3 16507.88
9 MAR92 U95 3 22673.97
10 APR92 FORECAST 4 19968.08
11 APR92 L95 4 16797.15
12 APR92 U95 4 23139.01
13 MAY92 FORECAST 5 20804.26
14 MAY92 L95 5 17466.08
15 MAY92 U95 5 24142.43
16 JUN92 FORECAST 6 20512.61
17 JUN92 L95 6 17182.38
18 JUN92 U95 6 23842.85
19 JUL92 FORECAST 7 13821.67
20 JUL92 L95 7 11548.11
21 JUL92 U95 7 16095.24
22 AUG92 FORECAST 8 17920.01
23 AUG92 L95 8 14929.32
24 AUG92 U95 8 20910.70
25 SEP92 FORECAST 9 19567.31
26 SEP92 L95 9 16249.66
27 SEP92 U95 9 22884.97
28 OCT92 FORECAST 10 21185.08
29 OCT92 L95 10 17531.13
30 OCT92 U95 10 24839.02
31 NOV92 FORECAST 11 18887.05
32 NOV92 L95 11 15569.09
33 NOV92 U95 11 22205.00
34 DEC92 FORECAST 12 14962.41
35 DEC92 L95 12 12282.02
36 DEC92 U95 12 17642.80
Para realizar un gráfico con la serie inicial, la serie suavizada, las

predicciones y los intervalos de confianza correspondientes utilizaremos la sintaxis
siguiente:
ods graphics on;

proc sgplot data=ejemplos.out;
series x=date y=vehicles / group=_type_ ;
where _type_ ^= 'RESIDUAL';
run;
La salida se observa en el gráfico de la Figura 2-71.

Figura 2-71
Ejercicio 2-1. Consideramos los datos de población de un país en varias décadas:

Población Año Década Población Año Década
3,895 1790 0 49,92 1880 9
5,267 1800 1 62,69 1890 10
7,182 1810 2 75,73 1900 11
9,566 1820 3 91,81 1910 12
12,834 1830 4 109,81 1920 13
16,985 1840 5 122,78 1930 14
23,069 1850 6 131,67 1940 15
31,278 1860 7 150,70 1950 16
38,416 1870 8 178,46 1960 17
Ajustar a los datos un modelo exponencial de evolución de población según el tiempo.
Introducimos los datos en la hoja de Stagraphics como dos variables de

nombres POBLACIÓN Y AÑO (archivo cap9.sf3) y rellenamos la pantalla de entrada
del procedimiento Regresión Simple como se indica en la Figura 1-104.

Se pulsa Aceptar y sobre la salida se hace click con el botón derecho del
ratón y se eligen Opciones de Análisis rellenando la pantalla resultante según la
Figura 1-105. Al pulsar Aceptar se obtiene el ajuste exponencial siguiente:
Ejercicio 2-2. Consideramos el archivo estacional.sav que contiene la variable X que

define los datos de una serie temporal de estacionalidad mensual desde el 1 de enero
de 1968 hasta el 1 de octubre de 1981. Se trata de suavizar la serie temporal X y
realizar predicciones hasta el año 2000 mediante un método determinista.
La componente estacional de la variable X ya fue analizada durante este capítulo y

por lo tanto ya está definida como serie de fechas de período 12 (con Datos  Definir fechas
se define la serie de fechas). Como se trata de una serie con estacionalidad (ya
estudiada), para suavizarla y realizar predicciones con ella, utilizaremos el método de
Winters.
SPSS realiza el suavizado de series temporales mediante métodos deterministas a

través del procedimiento Suavizado exponencial. Este procedimiento suaviza
componentes irregulares de datos de series temporales, para lo cual hace uso de una
variedad de modelos que incorporan diferentes supuestos acerca de la tendencia y la
estacionalidad, entre ellos el de Winters. Para utilizar Suavizado exponencial elija en los
menús Analizar  Series temporales  Suavizado exponencial (Figura 1-106),
seleccione la variable X y desplácela al cuadro Variables de la Figura 1-107. Como
hemos seleccionado el modelo estacional de Winters entre las opciones de Modelo y ya
se ha definido la periodicidad en el cuadro de diálogo Definir fechas del menú Datos y
realizado su descomposición estacional durante el capítulo, es posible seleccionar la
variable que represente los factores estacionales (SAF_1) y desplazarla dentro del cuadro
Factores estacionales. Pulse en Guardar (Figura 1-108) para guardar nuevas variables o
para pronosticar casos (en nuestro caso hacemos predicciones hasta enero del año 2000).
Pulse en Parámetros (Figura 1-109) para definir los parámetros de suavizado del modelo.

Si no se dispone de la variable SAF_1, se genera rellenando la pantalla del

procedimiento Descomposición estacional como se indica en la Figura 1-110 y eligiendo
Guardar en archivo. Al pulsar Aceptar, se observa ya la variable SAF_1 con los factores
estacionales como una columna del Editor de datos (Figura 1-111).
Al pulsar Aceptar en la Figura 1-107 se obtiene la salida del procedimiento

Suavizado exponencial y la indicación del nombre de las nueva serie que se ha incorporado
al fichero de datos y que contiene la serie suavizada. También se ha generado una variable
de error que indica las diferencias entre los valores reales de la serie y los ajustados.
Results of EXSMOOTH procedure for Variable X
MODEL= WINTERS (Linear trend, multiplicative seasonality) Period= 12
Seasonal indices:
1 65,61473
2 69,37018
3 101,06416
4 114,58103
5 120,42575
6 119,40009
7 112,54612
8 113,50619
9 106,26145
10 110,17330
11 92,15752
12 74,89948
Results of EXSMOOTH procedure for Variable X
MODEL= WINTERS (Linear trend, multiplicative seasonality) Period= 12
Initial values: Series Trend

126,37257 -,12459
DFE = 153.
The SSE is: Alpha Gamma Delta SSE
,1000000 ,1000000 ,1000000 118440,24297
The following new variables are being created:
NAME LABEL
FIT_2 Fit for X from EXSMOOTH, MOD_21 WI A ,10 G ,10 D ,10
ERR_2 Error for X from EXSMOOTH, MOD_21 WI A ,10 G ,10 D ,10
219 new cases have been added.
La salida indica que se han generado dos variables en el Editor de datos. La

variable FIT_2 contiene la serie suavizada y las predicciones, y la variable ERR_2
contiene los errores cometidos en el suavizado (Figura 1-112).
Figura 1-112
Rellenado la pantalla de entrada del procedimiento Gráfico de secuencia como

se indica en la Figura 1-113, se obtiene la representación de la serie original y la serie
suavizada con las predicciones sobre los mismos ejes (Figura 1-114).
Si en la pantalla de entrada del procedimiento Suavizado exponencial no

introducimos variable de Factores estacionales (Figura 1-115) y en el botón Guardar
pedimos predicciones hasta enero de 2000 (Figura 1-116), al pulsar Aceptar se
obtienen nuevas variables de suavizado con predicción y errores. Al graficar la serie
original y la predicha en un gráfico de secuencia (Figura 1-117) se tiene la Figura 1-
118 similar a la anterior.

Ejercicio 2-3. Una región de un determinado país ha experimentado en siete años

las siguientes entradas de turistas por estaciones en millones
1978 1979 1980 1981 1982 1983 1984
Primavera 2 3 3 4 4 5 6
Verano 6 9 11 14 16 19 20
Otoño 3 3 4 4 5 5 6
Invierno 1 1 2 2 3 3 4
Analizar la estacionalidad de la serie y, si es necesario, desestacionalizarla a través del

método de las variables ficticias y a través del suavizado exponencial de Holt-Winters.
Representar la serie original y las serie desestacionalizada sobre los mismos ejes.
Hallar los índices de variación estacional, descomponer la serie en sus componentes y
predecir un trimestre adicional de datos por el método de Holt-Winters.
En Eviews introducimos los datos en el fichero 1-4.wf1 y usamos Quick 
Graph  Line graph (Figura 1-119) para obtener el gráfico de la serie (Figura 1-120),
que muestra una fuerte estacionalidad trimestral de los datos. Sin embargo, sería
necesario aplicar un procedimiento formal que asegure la presencia de estacionalidad.
Como tenemos una serie temporal Yt con posible estacionalidad trimestral,
para certificarla consideramos el modelo:
Yt = 1D1t + 2D2t + 3D3t + 4D4t + ut
1 en el trimestre i
Dit   i  1, ,4
0 en el resto
Se observa que en el modelo se omite la constante para evitar la colinealidad
perfecta. Para que el efecto estacional esté presente, los parámetros estimados del
modelo anterior han de ser significativamente distintos de cero individualmente. E
incluso los residuos estimados de la regresión anterior uˆt  Yt  Yˆt marcarán la
evolución de la serie desestacionalizada.
Para estimar el modelo anterior con Eviews se elige Quick  Estimate

Equation (Figura 1-121), se rellena la pantalla Equation Specification de la solapa
Specification como se indica en la Figura 1-122 eligiendo Least Squares en el campo
Method (para ajustar por mínimos cuadrados) y se hace clic en Aceptar. Se obtienen los
resultados de la Figura 1-123 cuyos p-valores muestran una significatividad individual
de los parámetros superior al 95%, lo que certifica la fuerte estacionalidad de la serie.
Mediante View  Actual-Fitted-Residual  Actual-Fitted-Residual Table (Figura 1-
124) se obtiene la tabla de los valores de la serie, los valores ajustados y los residuos
estimados, así como una gráfica de estos últimos que da una idea de la evolución de
la serie desestacionalizada.

Figura 1-125
Una vez que sabemos a ciencia cierta que nuestra serie tiene estacionalidad
trimestral realizaremos su desestacionalización mediante el método de Holt_Winters.
Para ello elegimos Quick  Series Statistics  Exponential Smoothing (Figura 1-116) y
en el campo Series name introducimos el nombre de la serie que vamos a suavizar
(turistas). Al pulsar OK se obtiene la pantalla Exponential Smoothing (Figura 1-117) en
cuyo campo Smoothing method elegimos el tipo de suavizado (Holt-Winters
Multiplicativo en nuestro caso). Al pulsar OK se obtiene la serie suavizada por suavizado
exponencial simple de nombre TURISTSM y los parámetros del modelo de Holt-
Winters (Figura 1-118). La Figura 1-119 presenta la serie original y las serie suavizada.

También podemos analizar la serie mediante STATGRAPHICS a través del

procedimiento Descomposición Estacional en la opción Análisis de Series
Temporales del menú Avanzado (Figura 1-130), que permite descomponer una serie
temporal en sus componentes, según los esquemas aditivo y multiplicativo así como
desestacionalizarla calculando los índices de variación estacional. Para los datos de la
variable turistas del fichero 1-4.sf3 podemos rellenar la pantalla de entrada del
procedimiento como se indica en la Figura 1-131.
Al pulsar Aceptar se obtiene la salida del procedimiento. Al elegir la opción

tabular Tabla de Datos (Figura 1-132) se obtiene la serie desestacionalizada y las
componentes cíclica, estacional y regular de la descomposición estacional de la serie
por el método multiplicativo:
Si sobre la salida anterior pulsamos el botón derecho del ratón y elegimos la

opción Opciones de Ventana se obtiene la pantalla Opciones de Descomposición
Estacional (Figura 1-133) en la que se puede elegir la opción Aditiva o Multiplicativa.
Los índices de variación estacional (valores que permiten desestacionalizar

la serie) se obtienen a partir de la opción tabular Índices de Estacionalidad de la
Figura 1-132. La salida es la siguiente:
Las opciones gráficas de este procedimiento (Figura 1-134) permiten realizar la

descomposición de la serie. La opción Ciclo y Tendencia halla la componente tendencia
Tik también llamada ciclotendencia o señal (Figura 1-135). Lo opción Índices de
Estacionalidad halla la componente estacional Eik representando los índices de
variación estacional (Figura 1-136). La opción Componente Irregular halla las
variaciones residuales Rik (Figura 1-137). La opción Datos Ajustados Estacionalmente
presenta las variaciones cíclicas Cik y permite detectar el ciclo (Figura 1-138). La
opción Gráfico de Subseries Estacionales representa la serie por estaciones y permite
detectar el período estacional (Figura 1-139). La opción Gráfico de Subseries Anuales
permite observar la calidad de la estacionalidad, de modo que mientras más paralelas
sean sus líneas más perfecta es la estacionalidad (Figura 1-140).

Figura 1-140
Para calcular las predicciones de un trimestre adicional por el método de Holt-

Winters rellenamos la pantalla de entrada del procedimiento Predicción como se indica
la Figura 1-141. El campo Retener para Validación se utiliza para especificar el número
de elementos del final de la serie a retener para validar las predicciones realizadas. El
campo Número de Predicciones lo rellenamos con un 4, ya que queremos cuatro
predicciones. Al pulsar Aceptar se obtiene el siguiente resumen de los datos:
Se observa que los mejores modelos de ajuste son una tendencia lineal de
ecuación turistas = 2,39 + 0,26 t y el suavizado exponencial de Holt-Winters, ya que
ambos presentan OK en todos los contrastes.
Al pulsar el botón derecho del ratón sobre la salida anterior y elegir Opciones de
Análisis en el menú emergente resultante se obtiene la Figura 1-142.

En el campo Modelo se elige el modelo de predicción para el ajuste de datos (se
puede elegir A, B, C, D o E para camino aleatorio, tendencia en media, tendencia lineal,
medias móviles y alisado exponencial). En el campo Tipo elegimos el modelo de
predicción Suavizado exponencial de Winters. En el campo Matemático se puede elegir
un tipo de transformación previa para los datos (no es nuestro caso). En el campo
Parámetros y Términos se introducen los parámetros Alpha, Beta y Gamma utilizados en
el modelo de Winters. El botón Optimizar permite buscar los valores que minimizan el
cuadrado medio del error. El botón Constante permite introducir la constante en el modelo
de ajuste. Al pulsar Aceptar se obtiene la salida de resumen de análisis con el modelo
exponencial de Brown ajustado y con la significatividad de los parámetros.
Figura 1-143
Si en opciones tabulares elegimos Tabla de Pronósticos y Contraste de
Aleatariedad de los Residuos (Figura 1-143) obtenemos en primer lugar la tabla de
predicciones siguiente que muestra los 4 valores predichos y sus intervalos de
confianza al 95%.
El contraste de aleatoriedad de los registros se presenta a continuación:

El intérprete de resultados de Statgraphics (StatAdvisor) confirma que se acepta la

aletoriedad de los residuos, lo que indica que el ajuste de Holt-Winters es efectivo.
Si hacemos clic en el botón Opciones gráficas y rellenamos la pantalla de
entradas como se indica en la Figura 1-144 se obtiene la Figura 1-145 que permite
obtener los gráficos pedidos

Ejercicio 2-4. Disponemos de datos mensuales de ventas de un determinado
producto que se presentan a continuación
1 JUL89 9.5161
2 AUG89 9.6994
3 SEP89 9.2644
4 OCT89 9.6837
5 NOV89 10.0784
6 DEC89 9.9005
7 JAN90 10.2375
8 FEB90 10.6940
9 MAR90 10.6290
10 APR90 11.0332
11 MAY90 11.0270
12 JUN90 11.4165
13 JUL90 11.2918
14 AUG90 11.3475
15 SEP90 11.2913
16 OCT90 11.3771
17 NOV90 11.5457
18 DEC90 11.6433
19 JAN91 11.9293
20 FEB91 11.9752
21 MAR91 11.9283
22 APR91 11.8985
23 MAY91 12.0419
24 JUN91 12.3537
25 JUL91 12.4546
Obtener 10 predicciones utilizando cualquiera de los métodos deterministas que
sean adecuados.

TEMA2

Cargado por

Información del documento

Descripción original:

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

TEMA2

Cargado por

Copyright:

Formatos disponibles

CAPÍTULO 2

PREDICCIÓN Y SUAVIZADO DE SERIES TEMPORALES.

Las predicciones condicionales son las que se realizan mediante modelos

Las predicciones incondicionales son las que se hacen mediante métodos

 El enfoque determinista es el que tratamos en este capítulo. El

 El enfoque estocástico se basa en la modelización econométrica

Para cada tipo de predicciones (a corto, medio y largo plazo), existen

MÉTODOS AUTOPROYECTIVOS DETERMINISTAS

Suavizado por medias móviles

La serie temporal Ts es una versión suavizada de la Xt.

Si se elige bien el orden de la media móvil, Ts no contiene la componente

Suavizado exponencial de Brown

Este procedimiento produce, efectivamente, un alisado de la serie Xt, ya que la

En general podemos poner:

St(l) = aXt + (1  a)St1(l)

para el modelo simple de alisado exponencial de Brown.

En todos los métodos de predicción basados en el suavizado exponencial, se

Si el parámetro de alisamiento a está próximo a cero, el valor inicial fijado (S0)

También existe el modelo exponencial de Brown con tendencia lineal,

S’t(l) = aXt + (1  a)S’t1(l) y S’’t(l) = aS’t + (1  a)S’t1(l)

En este caso suponemos la serie temporal generada por el esquema definido

Además, existe el modelo exponencial de Brown con tendencia cuadrática,

S’t(l) = aXt + (1  a)S’t1(l)

Las predicciones se obtendrán mediante la serie alisada St(l) = pt + (qt)l + 1/2

Suavizado lineal de Holt

Ft(l) = St-1 + (bt-1)l t > 2

Los valores iniciales son S1 = x1 y b1 = x2-x1

Suavizado estacional de Winters

St = aXt/It-L + (1-a)[St-1 + bt-1]

Ahora es necesario conocer el valor de tres parámetros a, b y c. El primero está

b1 = [(XL+1-X1)/L + (XL+2-X2)/L +...+ (XL+L-XL)]/L

PREDICCIONES INCONDICIONALES DETERMINISTAS

Figura 2-1 Figura 2-2

Gráficamente no se observa estacionalidad. Para obtener el periodograma de la

Figura 2-3 Figura 2-4

Seleccionamos la serie Cantidad y la desplazamos al campo Variables

A continuación hacemos clic en la pestaña Filtro de resultados para incluir todos

PREDICCIONES INCONDICIONALES DETERMINISTAS

En la pantalla de entrada del procedimiento Pronósticos (Figura 2-34) se

A continuación se presenta la salida completa de Compración de modelos:

Modelo RMSE RUNS RUNM AUTO MEDIA VAR

Las opciones tabulares completas del procedimiento anterior se obtienen

Figura 2-38 Figura 2-39

La opción tabular Tabla de pronósticos presenta la tabla de datos de la serie, los

La opción tabular Contrastes de aleatoriedad de la Figura 2-38 presenta tres

(1) Corridas arriba o abajo de la mediana

(2) Corridas arriba y abajo

(3) Prueba Box-Pierce

Estadístico de prueba para muestras grandes = 50,0902

La opción gráfica Periodograma de los residuos de la Figura 2-39 nos lleva a la

PROCEDIMIENTOS DE SUAVIZADO EN STATGRAPHICS

Si en la Figura 2-47 hacemos clic en Opciones de análisis se obtiene la

PREDICCIONES INCONDICIONALES DETERMINISTAS

Figura 1-82 Figura 1-83

Figura 1-84 Figura 1-85

Figura 1-86 Figura 1-87

Eviews también permite el suavizado exponencial (simple, doble de Brown,

Figura 1-88 Figura 1-89

Figura 1-90 Figura 1-91

Figura 1-93 Figura 1-94

Si en la pantalla la pantalla Exponential Smoothing elegimos Double (Figura 1-95)

Figura 1-95 Figura 1-96

Figura 1-97 Figura 1-98