Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Mtb15 Series Tiempo
Mtb15 Series Tiempo
2007
1. Introducción
2
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.
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.
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
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
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
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
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
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
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.
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
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.
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
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
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
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
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
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
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.
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:
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.
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
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.
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.
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.
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.
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.
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 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 .
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