Mintab V15 Módulo 8. Series de tiempo P. Reyes / Nov.

2007

MINITAB 15 MÓDULO 8. SERIES DE TIEMPO

1. Introducción
2

8.1 Series de tiempo

Para la teoría ver archivo Series de Tiempo.Doc anexo.

1. INTRODUCCIÓN
Los métodos de análisis de series de tiempo consideran el hecho que los datos tomados en diversos
periodos de tiempo pueden tener algunas características de autocorrelación, tendencia
o estacionalidad que se debe tomar en cuenta.

Definición de serie de tiempo: Es una secuencia ordenada de valores de una variable

en intervalos de tiempo periódicos y consecutivos.

Aplicación: la aplicación de estos métodos tiene dos propósitos: comprender las fuerzas de influencia
en los datos y descubrir la estructura que produjo los datos observados. Ajustar el modelo y proceder
a realizar pronósticos, monitoreo, retroalimentación y control en avance.

2. TENDENCIA Y ESTACIONALIDAD

Tendencias: Si los datos muestran una tendencia, se pueden ajustar los datos con algún tipo de curva
o recta y modelar los residuales. Como el propósito del ajuste es simplemente remover la tendencia
a largo plazo, una línea recta es suficiente.

Estacionalidad: son fluctuaciones periódicas, por ejemplo cuando hay picos de ventas en la navidad
y después declinan.

3. INDICADORES DE MODELOS DE SERIES DE TIEMPO

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 igual al valor observado,
es el valor estimado y n el número de observaciones.

MAD: Desviación 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: Desviación cuadrática media, es más sensible a errores anormales de pronóstico que el MAD.

MÉTODOS DE PRONÓSTICO
Los métodos de series de tiempo incluyen métodos de pronóstico y de suavizamiento simples,
métodos de análisis de correlación y métodos de Box Jenkins ARIMA.

Análisis de tendencias
Ajusta un modelo general de tendencias a datos de series de tiempo, se puede seleccionar
un modelo lineal, cuadrático, exponencial (crecimiento o declinación) y de curva - S (para tecnología).
Usar este modelo si no hay componente estacional en el patrón de serie de tiempo.

Modelan componentes en una serie que normalmente son fáciles de ver en una serie de tiempo.
Las instrucciones de Minitab son las siguientes:

Se utiliza el archivo EMPLOY.MTW anexo que contiene los datos de empleo de los últimos 60 meses.

Página 1 de 13
 Mintab V15 Módulo 8. Series de tiempo P. Reyes / Nov. 2007

1. Open Worksheet EMPLOY.MTW. o copiar los datos del archivo anexo.

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.

Los resultados son los siguientes:

Fitted Trend Equation
Yt = 320.762 + 0.509373*t + 0.0107456*t**2

Accuracy Measures
MAPE   1.7076
MAD    5.9566
MSD   59.1305

Se muestra una tendencia creciente aunque no es muy exacta por la estacionalidad, se sugiere
utilizar el método de descomposición:

Método de Descomposición
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 así como el error.
Se puede usar componente de estacionalidad en modo aditivo o multiplicativo con la tendencia

Las intrucciones de Minitab son las siguientes:

Después de correr el ejemplo de Análisis de Tendencias con el archivo EMPLOY.MTW

1. Stat > Time Series > Decomposition.

2. En Variable indicar RESI1 (columna donde se guardaron los residuos de Trend Analysis - Tendencias)
3. En Seasonal length, poner 12.
4. En Model Type, seleccionar Additive. En Model Components, seleccionar Seasonal only.
5. Seleccionar Generate forecasts y poner 12 en Number of forecasts.
6. Seleccionar Storage . Seleccionar Forecasts y Fits.
7. Seleccionar OK en cada cuadro de diálogo

Los resultados se muestran a continuación:
Time Series Decomposition for RESI1
Additive Model
Data      RESI1
Length    60

Seasonal Indices
Period     Index
     1   ­8.4826
Time Series Decomposition Plot for RESI1
     2  ­13.3368 Additive Model
20
     3  ­11.4410 Variable
Actual

     4   ­5.8160 Fits
Trend
10 Forecasts
     5    0.5590 Accuracy Measures

     6    3.5590 MA PE 881.582
MA D 2.802
RESI1

MSD 11.899
     7    1.7674 0

     8    3.4757
     9    3.2674 -10

    10    5.3924
    11    8.4965 -20
1 7 14 21 28 35 42 49 56 63 70
Index

Página 2 de 13
 -10
Mintab V15 Módulo 8. Series de tiempo P. Reyes / Nov. 2007
-20
1 7 14 21 28 35 42 49 56 63 70
    12   12.5590 Index

Accuracy Measures
MAPE  881.582
MAD     2.802
MSD    11.899

Forecasts
Period  Forecast

61       ­8.4826 Component Analysis for RESI1

Additive Model Seasonal Analysis for RESI1
62      ­13.3368 Additive Model
Original Data
Seasonal Indices Original Data, by Seasonal Period
63      ­11.4410
10 10
64       ­5.8160 10

Dat a
0

65        0.5590 -10 0 0

-20 -10
66        3.5590 1 6 12 18 24 30 36 42 48 54 60
-10
-20
67        1.7674 Index 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12

68        3.4757 Seasonally Adjusted Data Percent Variation, by Seasonal Period

10
Residuals, by Seasonal Period
12
Seas. Adj. Dat a

69        3.2674 10
5
8
0
70        5.3924 0
-10 4
71        8.4965 -20 -5

72       12.5590 1 6 12 18 24 30
Index
36 42 48 54 60 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

Analizando la información para un año se tiene:

Time Series Decomposition Plot for RESI1

Additive Model
20 Variable
A ctual
Fits
Trend
10 Forecasts

A ccuracy Measures
MA PE 881.582
MA D 2.802
RESI1

0 MSD 11.899

-10

-20
1 2 3 4 5 6 7 8 9 10 11 12
Index

Página 3 de 13
 Mintab V15 Módulo 8. Series de tiempo P. Reyes / Nov. 2007

La descomposición genera tres tipos de gráficas:

Una gráfica de serie de tiempo mostrando los datos originales con la línea de tendencia ajustada,
valores estimados y pronósticos

Un análisis de componentes con gráficas separadas para la serie, datos sin tendencia, datos ajustados
con estacionalidad y los datos ajustados estacionalmente y sin tendencias (los residuos).

Un análisis estacional, mostrando los índices estacionales y la variación porcentual dentro de cada
estación respecto a la suma de la variación por estación y gráficas de caja de los residuos por
periodo estacional.

Método de promedio móvil

Suaviza los datos al promediar observaciones consecutivas en la serie de tiempo. Este método es
adecuado cuando no hay componente de tendencia ni estacionalidad, sin embargo hay alternativas
si se presentan estos patrones.

Se calcula el promedio móvil de la serie. Por ejemplo si se tienen los números 4, 5, 8, 9, 10

y se usa un promedio móvil 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 próximos 6 meses en el segmento de metales con los datos
de los últimos 60 meses. Se usa el método de promedio móvil si no se tienen patrones bien definidos
de tendencia o estacionalidad en los datos

1 File > 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 continuación:

Moving Average for Metals 
Data      Metals
Length    60
NMissing  0
Moving Average Length  3 Moving Average Plot for Metals
52 Variable
Actual
Accuracy Measures Fits
50 Forecasts
MAPE  0.890317 95.0% PI

MAD   0.402299 48
Mov ing A v erage
Length 3
MSD   0.255287
Accuracy  Measures
Metals

46 MA PE 0.890317
MA D 0.402299
Forecasts MSD 0.255287
44
Period  Forecast    Lower    Upper
61          49.2  48.2097  50.1903
42
62          49.2  48.2097  50.1903
63          49.2  48.2097  50.1903 40
64          49.2  48.2097  50.1903 1 7 14 21 28 35 42 49 56 63
65          49.2  48.2097  50.1903 Index

66          49.2  48.2097  50.1903

En la gráfica se observa que el pronóstico está muy cercano a los valores reales.

Método de suavizamiento exponencial simple

Se aplica cuando se tiene un comportamiento de la serie de tiempo sin tendencia o estacionalidad
y se desean pronósticos a corto plazo.

Del ejemplo anterior se tiene:

1 File > Open worksheet EMPLOY.MTW.
2 Seleccionar Stat > Time Series > Single Exp Smoothing.
3 En Variable, poner Metals.
4 Seleccionar Generate forecasts, y 6 en Number of forecasts. Click OK.

Los resultados se muestran a continuación:

Página 4 de 13
 Mintab V15 Módulo 8. Series de tiempo P. Reyes / Nov. 2007

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    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

Smoothing Plot for Metals

Single Exponential Method
52 Variable
Actual
Fits
50 Forecasts
95.0% PI

48 Smoothing C onstant
Alpha 1.04170
Metals

A ccuracy  Measures
46
MA PE 1.11648
MA D 0.50427
MSD 0.42956
44

42

40

1 7 14 21 28 35 42 49 56 63
Index

De la gráfica se observan valores más altos que en el promedio móvil

Método de suavizamiento exponencial doble

Se aplica cuando se tiene una serie de tiempo con una cierta tendencia sin estacionalidad
y se desean pronósticos a corto plazo.

Del ejemplo anterior se tiene:

1 File > Open worksheet EMPLOY.MTW.
2 Seleccionar Stat > Time Series > Double Exp Smoothing.
3 En Variable, poner Metals.
4 Seleccionar Generate forecasts, y 6 en Number of forecasts. Click OK.

Los resultados se muestran a continuación:

Double Exponential Smoothing for Metals 
Data    Metals
Length  60

Smoothing Constants
Alpha (level)  1.03840
Gamma (trend)  0.02997 Smoothing Plot for Metals
Double Exponential Method

Accuracy Measures 54 Variable
A ctual
MAPE  1.19684 52 Fits
Forecasts
MAD   0.54058 95.0% PI
50
MSD   0.46794 Smoothing C onstants
Alpha (level) 1.03840
48 Gamma (trend) 0.02997
Metals

Forecasts Accuracy  Measures

46 MAPE 1.19684
Period  Forecast    Lower    Upper MAD 0.54058
44 MSD 0.46794
61       48.0961  46.7718  49.4205
62       48.1357  46.0600  50.2113 42
63       48.1752  45.3135  51.0368
40
64       48.2147  44.5546  51.8747
1 7 14 21 28 35 42 49 56 63
Index

Página 5 de 13
 42
Mintab V15 Módulo 8. Series de tiempo P. Reyes / Nov. 2007
40

1 7 14 21 28 35 42 49 56 63
65       48.2542  43.7899  52.7184 Index
66       48.2937  43.0221  53.5652

Los indicadores de exactitud son menores que para el suavizamiento simple, sin embargo si hay
tendencia, este modelo es mejor.

Método de Winters

Se aplica cuando en la serie de tiempo se presentan los patrones de tendencia y estacionalidad.

Suaviza los datos por el método exponencial de Holt - Winters. Se recomienda este método cuando
están presentes los componentes de tendencia y estacionalidad ya sea en forma aditiva o multiplicativa.

El efecto multiplicativo se presenta cuando el patrón estacional en los datos depende del tamaño
de los datos o sea cuando la magnitud del patrón estacional se incrementa conforme los valores
aumentan y decrece cuando los valores de los datos disminuyen

El efecto aditivo es mejor cuando el patrón estacional en los datos no depende del valor de los datos,
o sea que el patrón estacional no cambia conforme la serie se incrementa o disminuye de valor.

El método de Winters calcula los estimados de de tres componentes: nivel, tendencia y estacionalidad.
Calcula estimados dinámicos con ecuaciones para los tres componentes: nivel, tendencia y
estacionalidad. Estas ecuaciones dan una mayor ponderación a observaciones recientes y menos
peso a observaciones pasadas, las ponderaciones decrecen geométricamente a una tasa constante.

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 4 en Number of forecasts. Seleccionar OK.

Winters' Method for Food
Multiplicative Method Winters' Method Plot for Food
Smoothing Constants Multiplicative Method
85 Variable
Actual
Alpha (level)     0.2 80 Fits
Gamma (trend)     0.2 Forecasts
95.0% PI
Delta (seasonal)  0.2 75
Smoothing Constants
Accuracy Measures 70
Alpha (level) 0.2
Gamma (trend) 0.2
MAPE  1.88377
Food

Delta (seasonal) 0.2
65
MAD   1.12068 Accuracy Measures
MAPE 1.88377
MSD   2.86696 60 MAD 1.12068
MSD 2.86696

55
Con el método aditivo se tiene:
Accuracy Measures 50

MAPE  1.94769 1 7 14 21 28 35 42 49 56 63 70
MAD   1.15100 Index

MSD   2.66711

Interpretación de los resultados

La gráfica muestra los valores de la serie y los estimados (un periodo adelante) y 12 pronósticos.
El método multiplicativo es ligeramente mejor que el aditivo, de acuerdo a los indicadores.

ANÁLISIS DE CORRELACIÓN Y MÉTODO DE ARIMA

El análisis de correlación, análisis de diferencias, autocorrelación y autocorrelación 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 pronósticos. El perfil de pronóstico depende del modelo de ajuste.
Tiene la ventaja de ser más flexible que los métodos de suavizamiento para el ajuste de los datos,
sin embargo la identificación del modelo adecuado consume tiempo y no puede ser automatizado.

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.

Página 6 de 13
 Mintab V15 Módulo 8. Series de tiempo P. Reyes / Nov. 2007

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: Los resultados parciales se muestran a continuación:

1. File > Open Worksheet Employ.mtw Food Difs Lags

2. Stat > Time series > Differences 43.1 A partir del renglón 10
3. Series Food 42.6
4. Store Differences in C4 42.4
5. Lag 12 42.2 -1.4 53.5
6. OK 41.8 -1.5 53
40.1 -1.7 53.2
Y para los retrasos (lags): 42 -0.1 52.5
42.4 -0.1 53.4
1. File > Open Worksheet Employ.mtw 43.1 -1 56.5
2. Stat > Time series > Lags 42.4 -1.1 65.3
3. Series Food 43.1 -1.1 70.7
4. Store Lags in C5
5. Lag 12
6. OK

Para ver las gráficas:

1. Graph > Time series > simple

2. Series Difs o Lags. Ok

Time Series Plot of Lags Time Series Plot of Difs

6
70
5

4
65
3
Lags

Difs

2
60
1

0
55

-1

50 -2
1 6 12 18 24 30 36 42 48 54 60 1 6 12 18 24 30 36 42 48 54 60
Index Index

Autocorrelación
La autocorrelación: es la correlación entre observaciones de una serie de tiempo separadas
por K unidades de tiempo, su gráfica se denomina función de autocorrelación (ACF), su análisis
permite seleccionar los términos a ser incluidos en el modelo ARIMA.

Ejemplo con los datos anteriores:

Se desea predecir el empleo para los siguientes seis meses en la industria alimenticia usando
datos colectados sobre los últimos 60 meses, se utiliza el modelo de autocorrelación
para identificar el modelo ARIMA adecuado. Se asume que puede haber estacionalidad cada 12 meses.

1 File > 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
Autocorrelation Function for Food2
  1  0.701388  4.86  25.12 (with 5% significance limits for the autocorrelations)
  2  0.512266  2.52  38.81 1.0
  3  0.366882  1.60  45.99 0.8
  4  0.310364  1.29  51.24 0.6
0.4
Autocorrelation

0.2
0.0
Página 7 de 13
-0.2
-0.4
-0.6
-0.8
 Mintab V15 1.0 Módulo 8. Series de tiempo P. Reyes / Nov. 2007
0.8
0.6
0.4
  5  0.234743  0.94  54.32

Autocorrelation
0.2
  6  0.173069  0.68  56.03 0.0
  7  0.162046  0.63  57.57 -0.2
  8  0.170051  0.66  59.30 -0.4

  9  0.322438  1.24  65.70 -0.6
-0.8
 10  0.252774  0.94  69.74
-1.0
 11  0.208020  0.76  72.54 1 2 3 4 5 6 7 8 9 10 11 12
 12  0.150936  0.55  74.06 Lag

Es estadístico Ljung-Box Q (LBQ) prueba la hipótesis nula de que las autocorrelaciones hasta el
retaraso K=12 son iguales a cero. Si el LBQ es mayor que un cierto valor crítico, las autocorrelaciones
para uno o más retrasos pueden ser diferentes de cero significativamente. Sugiriendo que los valores
no son aleatorios e independientes en el tiempo.

LBQ también se usa para evaluar el supuesto después de ajuste de un modelo ARIMA, que los
residuos son independientes.

Prueba de que los coeficientes de autocorrelación son significativos hasta un retraso de 6 (LBQ).
El estadístico LBQ es 56.03

Paso 1. calcular la función de distribución acumulada.

1 Calc > Probability Distributions > Chi-Square.
2 Seleccionar Cumulative Probability.
3 En Degrees of freedom, poner 6 (el retraso en la prueba).
4 Seleccionar Input constant y poner 56.03 (el valor de LBQ ).
5 En Optional storage, poner Cumprob. Click OK.

Paso 2. Calcular el valor P

1 Calc > Calculator.
2 En Store result in variable poner pvalue.
3 En Expression, poner 1 - 'Cumprob'. Click OK.

Pvalue
2.8706E-10 Alguno de los retrasos hasta 6 son significativos.

En la gráfica se muestran los retrasos 1 y 2 con valores excediendo los límites de confianza, por lo
indican que un modelo autoregresivo puede modelar los datos.

Autocorrelación parcial:
Es la correlación entre conjuntos de pares ordenados de una serie de tiempo, mide la fuerza
de la relación con otros términos tomados en cuenta. La autocorrelación parcial en una posición K
es la correlación entre residuos en tiempo t de un modelo autoregresivo y las observaciones
en la posición K con términos para todas las posiciones que intervienen en el modelo autoregresivo.
Su gráfica se denomina función de autocorrelación (PACF). su análisis permite seleccionar
los términos a ser incluidos en el modelo ARIMA.

Ejemplo:
Se obtiene una función de autocorrelación parcial (PACF) de los datos de empleo anteriores,
después de tomar una diferencia del valor anterior 12 para determinar el modelo ARIMA más adecuado.

Las instrucciones de Minitab son las siguientes:

1 File > 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 > Partial Autocorrelation .

7 En Series, poner Food2. OK.

Los resultados se muestran a continuación:

Partial Autocorrelation Function: Food2 
Lag       PACF      T
  1   0.701388   4.86 Partial Autocorrelation Function for Food2
  2   0.039998   0.28 (with 5% significance limits for the partial autocorrelations)

  3  ­0.012022  ­0.08 1.0
  4   0.092572   0.64 0.8
  5  ­0.034921  ­0.24 0.6
Partial Autocorrelation

0.4
0.2
0.0
Página 8 de 13
-0.2
-0.4
-0.6
 1.0
Mintab V15 Módulo 8. Series de tiempo P. Reyes / Nov. 2007
0.8
0.6

Partial Autocorrelation
  6  ­0.014194  ­0.10 0.4
  7   0.075222   0.52 0.2
  8   0.049848   0.35 0.0
  9   0.326936   2.27 -0.2
 10  ­0.227678  ­1.58 -0.4
 11   0.005302   0.04 -0.6
 12  ­0.000979  ­0.01 -0.8
-1.0

1 2 3 4 5 6 7 8 9 10 11 12
Lag

En el ejemplo para los alimentos, hay un pico único de 0.7 en el retraso 1, el cual es típico de un
proceso autopregresivo de orden uno. Hay un pico en el retraso 9 pero no hay evidencia de que haya
ocurrido un proceso no aleatorio alli.

Después, examinar las funciones ACF y PACF de los datos estacionarios de manera de identificar
que modelo autorregresivo o de promedio móvil se sugiere.
§ Una función ACF con picos altos iniciales que decaen a cero o una función PACF
con picos altos en el primero y posiblemente en el segundo atraso indica un proceso autorregresivo.

§ Una función ACF con pico alto inicial y posib. en el segundo retraso y una función PACF
con picos altos en los primeros atrasos que decaen a cero indica un proceso de promedio móvil.

§ Si las funciones ACF y PACF tienen pico altos que gradualmente caen a cero
indican que los procesos de promedios móviles y autoregresivo están presentes.

Correlación cruzada
Se usa para calcualr la correlación cruzada entre dos series de tiempo, las cuales prueden ser
utilizadas para determinar si uan serie de datos sigue a la otra y por cuantos periodos
de tiempo ya sea con K periodos adelante o atrás.

1 Stat > Time Series > Cross Correlation.

2 En First Series, seleccionar la clumna con la primera serie.
3 En Second Series, seleccionar la columna con la segunda serie.
4 Seleccionar el número de retrasos K a probar.Click OK.

El método ARIMA

Ajustar 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 pronósticos.

De acuerdo a Box y Jenkins para ajustar un modelo ARIMA a una serie de tiempo proponen un método
iterativo que incluye:
Identificar el modelo aplicando el juicio del analista.
Estimar los parámetros.
Verificar la adecuación del modelo.
Hacer pronósticos de ser necesario.

1. Decidir si los datos son estacionarios. Es decir si los datos poseen media y varianza constante.
Examinar la gráfica de serie de tiempo para ver si es necesaria una transformación para
tener varianza constante.
Examinar la función de autocorrelación (ACF) para ver si las autocorrelaciones no decaen,
indicando que se pueden requerir diferencias para dar una media constante.

Un patrón de estacionalidad que se repite cada k-ésimo intervalo de tiempo sugiere tomar una
diferencia k-ésima para eliminar una porción del patrón. La mayoría de las series no requieren más
de dos operaciones de diferencias u órdenes.

Página 9 de 13
Mintab V15 Módulo 8. Series de tiempo P. Reyes / Nov. 2007

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. Después, examinar las funciones ACF y PACF de los datos estacionarios de manera de identificar
que modelo autorregresivo o de promedio móvil se sugiere (ver Autocorrelación parcial).

3. Una vez que se ha identificado uno o más de los modelos a utilizar, continuar con el proced. ARIMA.

Ajustar el modelo y examinar la significancia de los parámetros y seleccionar un modelo que

tenga el mejor ajuste.
Si se desea un modelo estacional (intervalo en que se repite el patrón) seleccionar
Fit seasonal model e introducir el periodo (default 12).

Para especificar los parámetros del modelo de promedios móviles y autoregresivo

incluyendo el modelo estacional o no estacional ARIMA, seleccionar un valor de 0 a 5.
Al menos uno de esos parámetros no debe ser cero. La mayoría de modelo
sólo requieren dos parámetros. Si se pone 2 en la celda Moving Average en Seasonal
el modelo incluirá términos de primero y segundo orden de promedios móviles.

Para especificar el número de diferencias estaciónales o no estaciónales a tomar,

poner el número en la celda apropiada. Si se requiere una diferencia estacional de K
como el periodo de estacionalidad, se tomará la diferencia k-ésima.

Para incluir la constante en el modelo, seleccionar Include constant term in model.

Checar que las funciones ACF y PACF de residuos indiquen un proceso aleatorio, sin picos altos,
usando las gráficas de ARIMA. Si hay picos altos, considerar cambiar el modelo.

Ejemplo de ARIMA
Las gráficas de autocorrelación (ACF) y de autocorrelación parcial (PACF) sugieren un modelo de
autoregresivo de orden 1 o AR(1), después de tomar una diferencia de 12.

Ahora se corre el modelo, analizando las gráficas y la bondad de ajuste.

Para tomar una diferencia estacional de orden 12, se especificó el periodo estacional de 12
y el orden de la diferencia 1, con esto se realiza el pronóstico.

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 diálogo.

Los resultados se muestran a continuación:

ARIMA Model: Food 
ACF of Residuals for Food
Estimates at each iteration (with 5% significance limits for the autocorrelations)

Iteration      SSE   Parameters 1.0
0.8
        0  95.2343  0.100  0.847 0.6
        1  77.5568  0.250  0.702 0.4
Autocorrelation

0.2
        2  64.5317  0.400  0.556 0.0
        3  56.1578  0.550  0.410 -0.2
-0.4
        4  52.4345  0.700  0.261 -0.6
        5  52.2226  0.733  0.216 -0.8

        6  52.2100  0.741  0.203 -1.0

1 2 3 4 5 6 7 8 9 10 11 12
        7  52.2092  0.743  0.201 Lag

        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 PACF of Residuals for Food
(with 5% significance limits for the partial autocorrelations)
AR   1    0.7434   0.1001  7.42  0.000
1.0
Constant  0.1996   0.1520  1.31  0.196 0.8
Differencing: 0 regular, 1 seasonal of order 12 0.6
Partial Autocorrelation

0.4
Number of observations:  Original series 60,
0.2
 after differencing 48 0.0
Residuals:    SS =  51.0364 (backforecasts excluded)-0.2
              MS =  1.1095  DF = 46 -0.4
-0.6
-0.8
-1.0
Página 10 de 13
1 2 3 4 5 6 7 8 9 10 11 12
Lag
Mintab V15 Módulo 8. Series de 0.0
tiempo P. Reyes / Nov. 2007

Partial Autoc
-0.2
-0.4
-0.6
Modified Box­Pierce (Ljung­Box) Chi­Square statistic-0.8
Lag            12     24     36  48 -1.0
Chi­Square   11.3   19.1   27.7   * 1 2 3 4 5 6 7 8 9 10 11 12
Lag
DF             10     22     34   *
P­Value     0.338  0.641  0.768   *

El modelo ARIMA converge en 9 iteraciones. El modelo AR(1) tiene un estadístico t de 7.42,

como regla si t es mayor a 2 se puede juzgar el parámetro 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 se muestra en las gráficas (estan dentro de los intervalos de
confianza, se asume que el valor 9 es aleatorio).

El modelo AR(1) parece ser adecuado para pronosticar los siguientes 12 meses de alimentos.

Paso 1. Correr el modelo ARIMA sin gráficas de ACF y PACF de los residuos
1 File > Open 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 Gráfica de serie de tiempo

1 Seleccionar Graphs. Seleccionar Time series plot. OK.

Paso 3. Generar los pronósticos

1 Seleccionar Forecast. en Lead, poner 12 . OK en cada cuadro de diálogo.

Los pronósticos son los siguientes:

Forecasts from period 60
Time Series Plot for Food
                     95% Limits (with forecasts and their 95% confidence limits)

Period  Forecast    Lower    Upper  Actual 80
    61   56.4121  54.3472  58.4770
    62   55.5981  53.0251  58.1711 75

    63   55.8390  53.0243  58.6537
70
    64   55.4207  52.4809  58.3605
Food

    65   55.8328  52.8261  58.8394 65
    66   59.0674  56.0244  62.1104
    67   69.0188  65.9559  72.0817 60

    68   74.1827  71.1089  77.2565
55
    69   76.3558  73.2760  79.4357
    70   67.2359  64.1527  70.3191
50
    71   61.3210  58.2360  64.4060 1 6 12 18 24 30 36 42 48 54 60 66 72
    72   58.5100  55.4240  61.5960 Time

El modelo ARIMA proporciona pronósticos con bandas de confianza en 95%, usando el modelo AR(1)
la estacionalidad domina el perfil de pronósticos para los próximos 12 meses con los valores
pronosticados ligeramente mayores que los 12 meses previos.

Página 11 de 13
ARCHIVO EMPLOY.MTW
Contiene datos de empleo de los últimos 60 meses
Trade Food Metals
322 53.5 44.2
317 53 44.3
319 53.2 44.4
323 52.5 43.4
327 53.4 42.8
328 56.5 44.3
325 65.3 44.4
326 70.7 44.8
330 66.9 44.4
334 58.2 43.1
337 55.3 42.6
341 53.4 42.4
322 52.1 42.2
318 51.5 41.8
320 51.5 40.1
326 52.4 42
332 53.3 42.4
334 55.5 43.1
335 64.2 42.4
336 69.6 43.1
335 69.3 43.2
338 58.5 42.8
342 55.3 43
348 53.6 42.8
330 52.3 42.5
326 51.5 42.6
329 51.7 42.3
337 51.5 42.9
345 52.2 43.6
350 57.1 44.7
351 63.6 44.5
354 68.8 45
355 68.9 44.8
357 60.1 44.9
362 55.6 45.2
368 53.9 45.2
348 53.3 45
345 53.1 45.5
349 53.5 46.2
355 53.5 46.8
362 53.9 47.5
367 57.1 48.3
366 64.7 48.3
370 69.4 49.1
371 70.3 48.9
375 62.6 49.4
380 57.9 50
385 55.8 50
361 54.8 49.6
354 54.2 49.9
357 54.6 49.6
367 54.3 50.7
376 54.8 50.7
381 58.1 50.9
381 68.1 50.5
383 73.3 51.2
384 75.5 50.7
387 66.4 50.3
392 60.5 49.2
396 57.7 48.1