Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Series de Tiempo Comp
Series de Tiempo Comp
METODOLOGÍA DE ANÁLISIS
CON SERIES DE TIEMPO
Página 1
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
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.
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.
Por ejemplo:
Página 2
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
Página 3
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
Página 4
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
Página 5
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
4. MÉTODOS DE PRONÓSTICO
Página 6
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
Modelan componentes en una serie que normalmente son fáciles de ver en una
serie de tiempo.
Este método descompone los datos en sus partes componentes y los extiende al
futuro para pronosticar. Se pueden seleccionar los métodos siguientes:
Página 7
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
Página 8
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
MODELOS DE TENDENCIA
Lineal
Cuadrático
Crecimiento exponencial
Curva S de Pearl-Reed.
Toma en cuenta las observaciones que se ajustan a una curva con
forma de S.
Por ejemplo:
Página 9
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
MSD 67.4325
350
340
330
320
310
1 7 14 21 28 35 42 49 56 63 70
Index
Como hay un patrón curvilíneo de los datos, se usa un análisis de tendencias con
un modelo cuadrático.
Página 10
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
MSD 59.1305
360
350
340
330
320
1 7 14 21 28 35 42 49 56 63 70
Index
Accuracy Measures
MAPE 1.7076
MAD 5.9566
MSD 59.1305
Forecasts
Period Forecast
61 391.818
62 393.649
63 395.502
64 397.376
65 399.271
66 401.188
67 403.127
68 405.087
69 407.068
70 409.071
71 411.096
72 413.142
Página 11
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
La gráfica de tendencia muestra los datos originales, los datos ajustados y los
pronósticos. También se muestran la ecuación de regresión y los indicadores
MAPE, MAD y MSD que ayudan a determinar la exactitud del ajuste.
Modelos de descomposición
Multiplicativo
Yt es la observación en el tiempo t.
Aditivo
Página 12
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
Modelos de pronóstico:
Por ejemplo:
Additive Model
Data RESI1
Length 60
NMissing 0
Accuracy Measures
MAPE 881.582
MAD 2.802
MSD 11.899
Seasonal Indices
Period Index
1 -8.4826
2 -13.3368
3 -11.4410
Página 13
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
4 -5.8160
5 0.5590
6 3.5590
7 1.7674
8 3.4757
9 3.2674
10 5.3924
11 8.4965
12 12.5590
Forecasts
Period Forecast
61 -8.4826
62 -13.3368
63 -11.4410
64 -5.8160
65 0.5590
66 3.5590
67 1.7674
68 3.4757
69 3.2674
70 5.3924
71 8.4965
72 12.5590
Accuracy Measures
MAPE 881.582
MAD 2.802
RESI1
0 MSD 11.899
-10
-20
1 7 14 21 28 35 42 49 56 63 70
Index
En esta gráfica se muestran los residuos sin tendencia cuyo ajuste es adecuado,
excepto que al inicio del periodo anual los valores son subestimados y al final del
periodo anual los valores son sobreestimados, también es evidente en la gráfica
de abajo donde los residuos son mayores al principio y menores al final de la
serie.
Página 14
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
10
10
0 0
-10
-10
-20
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
5
8
0
4
-5
0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
10
Data
0
-10
-20
1 6 12 18 24 30 36 42 48 54 60
Index
10
0
-10
-20
1 6 12 18 24 30 36 42 48 54 60
Index
1. Una gráfica de serie de tiempo mostrando los datos originales con la línea
de tendencia ajustada, valores estimados y pronósticos
2. 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).
3. 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.
Página 15
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
MÉTODOS
Promedio móvil:
Ejemplo:
Página 16
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
Data Metals
Length 60
NMissing 0
Moving Average
Length 3
Accuracy Measures
MAPE 1.55036
MAD 0.70292
MSD 0.76433
Forecasts
Moving Av erage
48
Length 3
Accuracy Measures
Metals
46 MAPE 1.55036
MAD 0.70292
MSD 0.76433
44
42
40
1 7 14 21 28 35 42 49 56 63
Index
Página 17
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
Interpretación de resultados
Los métodos de suavizamiento exponencial han sido utilizados con éxito a través
de los años en muchos problemas de pronóstico. Fueron sugeridos en 1957 por
C.C. Holt para su aplicación en series de tiempo sin tendencia ni estacionalidad.
Posteriormente el mismo ofreció un procedimiento que manejara tendencias.
Después Winters en 1965 generalizó el método para incluir estacionalidad, de ahí
el nombre de “Método de Holt Winters”.
Página 18
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
2. Los valores suavizados son los valores Y estimados por ARIMA, pero
desplazados en una unidad de tiempo.
Valor inicial suavizado = [Valor suavizado del periodo 2 - (dato en periodo 1)] / (1-)
Donde (1-) estima el parámetro MA.
Peso especificado
Valor suavizado en tiempo t = (dato en periodo t)] + (1-) (valor suavizado en periodo t-1)
Donde es el peso.
Por ejemplo:
Página 19
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
Accuracy Measures
MAPE 1.11648
MAD 0.50427
MSD 0.42956
Forecasts
Period Forecast Lower Upper
61 48.0560 46.8206 49.2914
62 48.0560 46.8206 49.2914
63 48.0560 46.8206 49.2914
64 48.0560 46.8206 49.2914
65 48.0560 46.8206 49.2914
66 48.0560 46.8206 49.2914
Smoothing Constant
48
Alpha 1.04170
Accuracy Measures
Metals
46 MAPE 1.11648
MAD 0.50427
MSD 0.42956
44
42
40
1 7 14 21 28 35 42 49 56 63
Index
Interpretación de resultados
Página 20
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
Tiene una amplitud de pronóstico corta siguiendo una línea de tendencia con
pendiente igual a la de la última tendencia estimada.
Página 21
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
Los valores iniciales en tiempo cero con la observación 1 se estiman por los
métodos siguientes:
Pesos especificados
1. Se hace una regresión lineal en los datos de la serie (Y) contra el tiempo (X).
Lt + mTt
Página 22
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
Por ejemplo:
Smoothing Constants
Alpha (level) 1.03840
Gamma (trend) 0.02997
Accuracy Measures
MAPE 1.19684
MAD 0.54058
MSD 0.46794
Forecasts
Period Forecast Lower Upper
61 48.0961 46.7718 49.4205
62 48.1357 46.0600 50.2113
63 48.1752 45.3135 51.0368
64 48.2147 44.5546 51.8747
65 48.2542 43.7899 52.7184
66 48.2937 43.0221 53.5652
Accuracy Measures
MAPE 1.19684
46
MAD 0.54058
MSD 0.46794
44
42
40
1 7 14 21 28 35 42 49 56 63
Index
Interpretación de resultados
Página 23
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
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.
Tiene una amplitud de pronóstico de corta a media siguiendo una tendencia con
un patrón estacional.
Página 24
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
El Método de Holt – Winters se puede ejecutar en forma sencilla con ayuda del
paquete estadístico Minitab.
Página 25
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
Página 26
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
Instrucciones de Minitab
Smoothing Constants
Alpha (level) 0.2
Gamma (trend) 0.2
Delta (seasonal) 0.2
Accuracy Measures
MAPE 1.88377
MAD 1.12068
MSD 2.86696
Forecasts
Period Forecast Lower Upper
61 57.8102 55.0646 60.5558
62 57.3892 54.6006 60.1778
63 57.8332 54.9966 60.6698
64 57.9307 55.0414 60.8199
65 58.8311 55.8847 61.7775
66 62.7415 59.7339 65.7492
Página 27
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
Smoothing Constants
A lpha (lev el) 0.2
65 Gamma (trend) 0.2
Food
Delta (seasonal) 0.2
A ccuracy Measures
60
MA PE 1.88377
MA D 1.12068
MSD 2.86696
55
50
1 7 14 21 28 35 42 49 56 63
Index
La gráfica muestra los valores de la serie y los valores estimados (un periodo
adelante) y los seis pronósticos.
Los valores de exactitud del modelo MAPE, MAD y MSD utilizando el modelo
Multiplicativo proporcionan un mejor ajuste en dos de los tres indicadores que con
el modelo Aditivo como se muestra a continuación.
Accuracy Measures
Multiplicative Additive
MAPE 1.88377 1.95
MAD 1.12068 1.15
MSD 2.86696 2.67
El Modelo ARIMA puede utilizarse para modelar series de tiempo con o sin
componentes de tendencia o estacionalidad y proporcionar 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 fácilmente
automatizado.
Página 28
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
Las diferencias se calculan entre los valores de los datos de la serie de tiempo,
sirven para identificar patrones de tendencia y estacionalidad.
Los atrasos (lags), son valores anteriores con los que se determina el siguiente
valor pronosticado.
Ejemplo:
Intrucciones de Minitab:
C4 C5
Food Diferencias Retrasos
53.5 * *
53 * *
53.2 * *
52.5 * *
53.4 * *
56.5 * *
65.3 * *
70.7 * *
66.9 * *
58.2 * *
55.3 * *
53.4 * *
Página 29
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
4.8 Autocorrelación
Página 30
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
Página 31
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
Ejemplo de autocorrelación:
Página 32
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
Ejemplo:
Página 33
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
1 Worksheet EMPLOY.MTW
2 Ejecutar Stat > Time Series > Differences.
3 En Series, poner Food.
4 En Store differences in, poner Food2.
5 En Lag, poner 12 . OK.
6 Ejecutar Stat > Time Series > Partial Autocorrelation .
7 En Series, poner Food2. OK.
Interpretación de resultados
Página 34
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
Ajusta el modelo ARIMA de Box Jenkins a una serie de tiempo, representa pasos
de filtraje hasta que solo haya ruido aleatorio, se usa para generar pronósticos.
De acuerdo a Box y Jenkins para ajustar un modelo ARIMA a una serie de tiempo
proponen un método iterativo que incluye:
1. Primero, decidir si los datos son estacionarios. Es decir si los datos poseen
media y varianza constante.
Usar Stat > Time Series > Differences para obtener las diferencias. Examinar las
funciones ACF y PACF de las serie de datos diferenciada, con Stat > Time Series
> Autocorrelation y Stat > Time Series > Partial Autocorrelation.
Una 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 posiblemente 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.
Página 35
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
Si las funciones ACF y PACF tienen pico altos que gradualmente caen a
cero indican que los procesos de promedios móviles y autoregresivo están
presentes.
3. Una vez que se ha identificado uno o más de los modelos a utilizar, continuar
con el procedimiento de ARIMA.
Ejemplo de ARIMA
Página 36
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
Instrucciones de Minitab
1 Worksheet EMPLOY.MTW.
2 Stat > Time Series > ARIMA.
3 En Series, poner Food.
4 Seleccionar Fit seasonal model. En Period poner 12 en Nonseasonal, poner 1 en
Autoregressive. En Seasonal, poner 1 en Difference .
5 Seleccionar Graphs. Seleccionar ACF of residuals y PACF of residuals .
6 OK en cada cuadro de diálogo.
Lag 12 24 36 48
Chi-Square 11.3 19.1 27.7 *
DF 10 22 34 *
P-Value 0.338 0.641 0.768 *
Página 37
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
Interpretación de resultados
Página 38
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
Paso 1. Correr el modelo ARIMA sin gráficas de ACF y PACF de los residuos
Instrucciones de Minitab
1 Worksheet EMPLOY.MTW.
2 Stat > Time Series > ARIMA.
3 En Series, poner Food.
4 Seleccionar Fit seasonal model. En Period poner 12 en Nonseasonal, poner 1 en
Autoregressive. En Seasonal, poner 1 en Difference .
Página 39
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007
95 Percent
Limits
Period Forecast Lower Upper Actual
61 56.4121 54.3472 58.4770
62 55.5981 53.0251 58.1711
63 55.8390 53.0243 58.6537
64 55.4207 52.4809 58.3605
65 55.8328 52.8261 58.8394
66 59.0674 56.0244 62.1104
67 69.0188 65.9559 72.0817
68 74.1827 71.1089 77.2565
69 76.3558 73.2760 79.4357
70 67.2359 64.1527 70.3191
71 61.3210 58.2360 64.4060
72 58.5100 55.4240 61.5960
Interpretación de resultados
Página 40