Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Escuela de Estadı́stica
Semestre 02 de 2020
Contenido I
4 Lista de Abreviaturas
Contenido
4 Lista de Abreviaturas
Ajuste Global
Aplicado con los modelos de regresión donde se asume y estima un mode-
lo con parámetros constantes para toda la serie, bajo el supuesto de que las
componentes estructurales no sufren cambios en el tiempo (supuesto de con-
tinuidad).
Por el contrario,
Ajuste Local
Esta estrategia admite cambios en los parámetros que definen las compo-
nentes estructurales (tendencia y estacionalidad), de manera que los modelos
se adapten a tales cambios.
Vea los siguientes dos ejemplos, donde se ha simulado en cada uno una serie con cambios
en el patrón de la tendencia, y sus ajustes bajo dos métodos locales y una regresión global
polinomial ¿será apropiado el ajuste global realizado?.
80
80
70
70
60
60
50
50
Yt
Yt
40
40
30
30
Serie simulada Serie simulada
20
20
Niveles medios reales Estimación local del nivel loess lineal
0 10 20 30 40 50 60 0 10 20 30 40 50 60
Time Time
80
80
70
70
60
60
50
50
Yt
Yt
40
40
30
30
Serie simulada
Serie simulada
20
20
0 10 20 30 40 50 60 0 10 20 30 40 50 60
Time Time
180
80
160
60
140
40
120
yt
yt
20
100
0
−20
80
−40
60
Time Time
80
80
60
60
40
40
yt
yt
20
20
0
0
−20
−20
Serie simulada
Serie simulada
Estimación global del nivel
Estimación local del nivel SEH
−40
−40
polinomio de grado 6
Time Time
Contenido
4 Lista de Abreviaturas
Contenido
4 Lista de Abreviaturas
1 Rectas de pendiente cero pero con niveles que cambian lentamente en el tiempo
2 Rectas de pendiente y nivel que cambian lentamente con t y rectas cuyo inter-
cepto y pendiente cambian con t. (son dos modelos que hablan de rectas
pero parametrizan de forma diferente).
Nota 3.1
Tanto en modelos aditivos como multiplicativos, la estacionalidad se modela como un factor,
cuyos niveles son los periodos del año y se usan todos los periodos del año en la ecuación us-
ando variables indicadoras, pero los aditivos obligan a que la suma de los efectos estacionales
en cada t debe ser igual a cero, mientras que en los multiplicativos la suma de los efectos
estacionales en cada t debe ser igual a la longitud del año calendario.
Estadı́stica III - 3009137 Modelos y Ajustes Locales Parte I
Ajuste Local vs. Ajuste Global
Cómo operan los métodos de ajuste local?
Cómo se escoge el método local a aplicar?
Lista de Abreviaturas
Modelo de cambio de nivel con pendientes nulas
Contenido
4 Lista de Abreviaturas
Lista de abreviaturas
Para las siguientes secciones usaremos los nombres abreviados de los métodos
de ajuste local de tendencia, ası́:
• MMS: Media móvil simple
• MMSU: Media móvil simple unilateral
• MMSB: media móvil simple bilateral
• FH: Filtro de Henderson
• SES: Suavizamiento exponencial simple
Contenido
4 Lista de Abreviaturas
donde Tt es de tipo local mostrando cambios de nivel pero siempre con pendiente
igual a cero:
Yt+h = β0,t + Et+h
80
70
MMSB, FH
30
• SES
20
Serie simulada
Nivel medio cambiando con t
0 10 20 30 40 50 60
Time
80
Yt
60
40
0 10 20 30 40 50
Time
0 = Ȳn = 1
n
usamos como estimador a β n Yt
t=1
Observe que
El modelo de la media global asume que el nivel medio de la serie en un tiem-
po t, β0,t , se mantiene constante en un valor fijo β0 . Qué pasa si este nivel cam-
bia lentamente con el tiempo de manera aleatoria, pero manteniendo siempre
una pendiente igual a cero?
0 10 20 30 40 50 60
Time
1
m
0,t =
β Yt−i (6)
2m + 1
i=−m
0,t ≈
t−1
Puede demostrarse que β wi Yt−i , con Wi = α (1 − α)i .
i=0
Paso 2: Estimación de la serie: Todos los métodos arrojan como valor estimado de la serie
en un tiempo t, al nivel estimado un paso atrás, es decir,
0,t−1
Yt = β (9)
m
1
n−m+1 2
Yn (L)±tα/2,n−2m−1 ×Sn 1 + Wi2 , con S2n = Yt −
Yt (15)
n − 2m − 1
i=−m t=m+2
1
n
Yn (L) ± tγ/2,n−2 × Sn 1 + (L − 1)α2 con Sn = (Yt −
Yt ) 2 (17)
n−2
t=2
Implementación en R
En R: Las Medias móviles incluyendo Henderson, se pueden calcular con la función
filter( ):
Función R
#Medias móviles simples unilaterales:
filter(yt,filter=w,sides=1);
Sin embargo, no se cuenta con funciones directamente diseñadas para el ajuste y pronósti-
co de la serie con base en las medias móviles. Se requiere programar estos resultados.
Nota 5.1
filter permite aplicar la estrategia denominada circular: Se usan los valores finales de
la serie para completar las observaciones requeridas en el cálculo de las medias móviles de los
primeros tiempos, y se usan los valores iniciales de la serie para completar las observaciones
necesarias en el cálculo de las medias móviles en los últimos periodos. Pero para usarla, el
nivel inicial y final de la serie debe ser similar.
Funciones R
#En el ajuste: con ajuste óptimo
ajusteSES=HoltWinters(serie,beta=FALSE,gamma=FALSE)
Los filtros ayudan reduciendo las fluctuaciones locales de corto plazo. El en-
tero m ≥ 1 que usan las ecuaciones de las medias móviles y Henderson, es
llamado el ancho de ventana de la media móvil.
Los Filtros Henderson (FH) han sido diseñados para estudiar ciclos, para ello, los pesos
Wi tienen el siguiente diseño:
• Ejemplo: Con datos trimestrales usar un filtro de 2m+1 = 7 términos (m = 3) remueve prácticamente cualquier
ciclo con una longitud menor a 3.49 trimestres y permitirá observar cualquier ciclo mayor a 7.74 trimestres,
removiendo ası́ una parte sustancial de las irregularidades en la serie trimestral pero manteniendo los ciclos
de negocios de mediano y largo plazo.
Henderson, w9
Henderson, w13
Henderson, w23
0.3
0.2
Ponderación
0.1
0.0
−10 −5 0 5 10
i
Figura 1: Algunas funciones de pesos según longitud 2m + 1 de FH
Estadı́stica III - 3009137 Modelos y Ajustes Locales Parte I
Ajuste Local vs. Ajuste Global Ajustes del modelo de cambio de nivel con pendientes nulas
Cómo operan los métodos de ajuste local? Pronósticos en el modelo de cambio de nivel con pendientes nulas
Cómo se escoge el método local a aplicar? Implementación en R
Lista de Abreviaturas Notas complementarias sobre los métodos anteriores
Modelo de cambio de nivel con pendientes nulas Ejemplos
MA unilateral con función filter MA unilateral usando función filter con argumento circular=T
m = 24 m = 24
m = 48
1.2e+08
1.2e+08
m = 48
1.0e+08
1.0e+08
8.0e+07
8.0e+07
Volume
Volume
6.0e+07
6.0e+07
4.0e+07
4.0e+07
2.0e+07
2.0e+07
2000−10−01 2001−01−01 2001−04−01 2001−07−01 2000−10−01 2001−01−01 2001−04−01 2001−07−01
Time Time
Figura 2: Volumen diario de acciones negociadas de Microsoft y medias móviles simples unilaterales sobre esta
serie. Cuál es el efecto de aumentar m?. Cuál es el efecto de la estrategia circular? (Fig. Der.)
m = 12 m = 12
1.2e+08
1.2e+08
m = 24 m = 24
1.0e+08
1.0e+08
8.0e+07
8.0e+07
Volume
Volume
6.0e+07
6.0e+07
4.0e+07
4.0e+07
2.0e+07
2.0e+07
2000−10−01 2001−01−01 2001−04−01 2001−07−01 2000−10−01 2001−01−01 2001−04−01 2001−07−01
Time Time
Figura 3: Volumen diario de acciones negociadas de Microsoft y medias móviles simples bilaterales sobre esta
serie. Cuál es el efecto de aumentar m?. Cuál es el efecto de la estrategia circular? (Fig. Der.)
Los Filtros Henderson reflejan mejor las variaciones o saltos en la tendencia, pues al
usar pesos negativos logran seguir diferentes curvaturas (lineales, cuadráticas, cúbicas)
y puntos de inflexión en una serie. Considere la siguiente serie:
1.5
Quarterly Percentage Change
in UK GDP
Año Q1 Q2 Q3 Q4
1.0
1990 1.20 0.80 -1.00 -0.50
1991 -0.70 -0.40 -0.40 0.20
1992 0.30 0.10 0.80 0.90
GDPchange
0.5
1993 0.80 0.60 0.90 0.80
1994 1.40 1.30 1.30 0.70
1995 0.50 0.50 1.20 0.50
0.0
1996 1.10 0.40 0.70 0.90
1997 1.10 1.00 1.00 1.10
1998 0.80 0.70 0.60 0.90
−0.5
1999 0.50 0.30 1.70 1.30
2000 1.00 1.40 0.30 0.20
2001 1.30 0.70 0.50 0.40 −1.0
Original Original
FH7 FH7
1.5
1.5
Media móvil bilateral 2m+1=7 FH9
FH13
quarterly percentage change in UK GDP
1.0
0.5
0.5
0.0
0.0
−0.5
−0.5
−1.0
1990 1992 1994 1996 1998 2000 2002 2004 −1.0 1990 1992 1994 1996 1998 2000 2002 2004
Time Time
Ejemplo 5. SES
Considere de nuevo la serie trimestral sobre el cambio porcentual de PIB en el Reino
Unido. Vea el resultado SES óptimo donde α es elegido minimizando el SSE.
Holt−Winters filtering
1.5
Año Q1 Q2 Q3 Q4
1990 1.20 0.80 -1.00 -0.50
1.0
1992 0.30 0.10 0.80 0.90
1993 0.80 0.60 0.90 0.80
1994 1.40 1.30 1.30 0.70
0.5
1995 0.50 0.50 1.20 0.50
1996 1.10 0.40 0.70 0.90
1997 1.10 1.00 1.00 1.10
0.0
1998 0.80 0.70 0.60 0.90
1999 0.50 0.30 1.70 1.30
2000 1.00 1.40 0.30 0.20
−0.5
2001 1.30 0.70 0.50 0.40
2002 0.40 0.80 0.80 0.90
2003 0.60 1.20 1.20 1.20
−1.0
2004 0.7
Time
Figura 6: Cambio porcentual del PIB en el Reino Unido y
su SES
En R se procedió ası́:
> SES=HoltWinters(GDPchange,beta=FALSE,gamma=FALSE); SES
Holt-Winters exponential smoothing without trend and without seasonal component.
Call:
HoltWinters(x = GDPchange, beta = FALSE, gamma = FALSE)
Smoothing parameters:
alpha: 0.6398909
beta : FALSE
gamma: FALSE
Coefficients:
[,1]
a 0.8714577
> shapiro.test(residuals(SES))
Shapiro-Wilk normality test
data: residuals(SES)
W = 0.9293, p-value = 0.002796
1.0
1.0
0.5
0.5
residuals(SES)
residuals(SES)
0.0
0.0
−2.0 −1.5 −1.0 −0.5
0.0
−2.0 −1.5 −1.0 −0.5
−2 −1 0 1 2
Theoretical Quantiles