Tema 7: Métodos de pronósticos basados en promedios,

suavización exponencial y descomposición

Este tema explicará tres enfoques sencillos para poder pronosticar una serie de tiempo.

Un economista frecuentemente se enfrenta a

variables cuyos valores son medidos en diferentes puntos en el tiempo, y muy a menudo,
estos puntos en el tiempo, son equidistantes.
Por ejemplo las ventas totales de una persona encargada de negocios pueden ser registradas
diariamente, semanalmente, mensualmente o anualmente y estos datos siguen ciertos
patrones que deben identificarse para poderlos utilizar con el fin de modelarlos y poder
pronosticar su comportamiento en el futuro, con el fin de tomar decisiones.
Descomposición
Un método para el análisis de los datos de series de tiempo incluye un intento por identificar
los factores que influyen en cada valor de la serie. Este procedimiento de análisis se
llama descomposición.  Cada componente (tendencia (T), estacional (S), cíclico (C) o
irregular (I)) se estudia por separado.
Las proyecciones de cada componente se pueden combinar para producir pronósticos de
valores futuros de una serie de tiempo.
Para estudiar los componentes de una serie de tiempo, debe considerarse la manera en que
se relacionan los componentes con la serie original.
La tarea se lleva a cabo al especificar un modelo (relación matemática) que exprese la
variable Y de la serie de tiempo en términos de los componentes T, S, C e I.
El modelo de series de tiempo se expresa generalmente ya sea como un modelo aditivo,
donde el valor de la serie de tiempo en el tiempo t se especifica como:
Yt = Tt + St + Ct + lt
O como un modelo multiplicativo, donde el valor de la serie de tiempo en el tiempo t se
especifica como:
Yt = Tt x St x Ct x lt 
Ambos modelos son igualmente aceptables; sin embargo, es frecuentemente más fácil
entender las técnicas asociadas con el análisis de series de tiempo si se refieren al modelo
multiplicativo.
Técnicas de suavizamiento
Si podemos determinar qué componentes realmente existen en una serie de tiempo, entonces
se puede desarrollar un mejor pronóstico.
Desafortunadamente, la existencia de la variación irregular o aleatoria a menudo oculta las
otras componentes. Una de las formas más simples de remover la fluctuación aleatoria es
suavizar las series de tiempo. En esta sección se describirán dos métodos para hacer
esto: promedios móviles y suavizamiento exponencial.
Promedios móviles
Cuando en una serie de tiempo no están presentes una marcada tendencia o fluctuaciones
estacionales, puede utilizarse el promedio móvil para generar pronósticos confiables a corto
plazo.
En este caso el analista está interesado en las observaciones recientes.
Se puede especificar un número constante de puntos al inicio y se puede calcular una media
con las observaciones más recientes.
El término promedios móviles se utiliza para describir este enfoque. Conforme está disponible
cada nueva observación, se calcula una nueva media sumando el valor más reciente y
eliminando el valor más antiguo. Entonces se usa el promedio móvil para pronosticar el
siguiente periodo. Un promedio móvil de orden k, MA (k), se calcula mediante:

En donde:
Yt + 1= valor pronosticado en el siguiente periodo
Yt = valor real en el periodo t
k = número de términos en el promedio móvil

Los pronósticos de promedios móviles son apropiados solamente cuando las series no
exhiben tendencias muy marcadas.
En el uso de promedios móviles de orden k, el promedio de las últimas k observaciones
disponibles se utiliza para pronosticar la próxima observación. El pronóstico para un periodo
adelante con un promedio móvil de orden k=3 se da por la expresión:

Ejemplo

Suavizamiento exponencial
Mientras que el método de promedios móviles sólo toma en cuenta las observaciones más
recientes, el suavizamiento exponencial simple proporciona un promedio móvil con un peso
exponencial de todos los valores observados con anterioridad. Con frecuencia, el modelo es
apropiado para los datos que no tienen una tendencia predecible hacia arriba o hacia abajo. El
objetivo es estimar el nivel real. Luego, esta estimación del nivel se utiliza como un pronóstico
de los valores futuros.
El suavizamiento exponencial revisa continuamente el valor estimado de las experiencias
más recientes. Este método se basa en promediar (suavizar) los valores pasados de una serie
en una forma exponencialmente decreciente.
La ponderación se denota por α, donde 0 < α < 1.
En una representación de suavizamiento exponencial, el pronóstico nuevo (para el tiempo t
+ 1) puede concebirse como la suma ponderada de la nueva observación (en el tiempo t) y el
pronóstico antiguo (para el tiempo t). El peso α se da al nuevo valor observado y el peso (1 -
α) se da al último pronóstico. La ecuación de suavizamiento exponencial es:

De esta manera, el nuevo pronóstico Ŷt + 1 es el antiguo (Ŷt) ajustado en α veces el error Yt -
Ŷt en el pronóstico antiguo.
En la ecuación anterior, la constante de suavizamiento α sirve como factor de ponderación. El
valor de α determina la medida en que la observación actual influye en el pronóstico de la
siguiente observación.
Cuando α se acerca a uno, básicamente el nuevo pronóstico será la última observación real.
(De forma equivalente, el nuevo pronóstico será el pronóstico antiguo más un ajuste sustancial
por el error que haya ocurrido en el pronóstico anterior). A la inversa, cuando α se acerca a
cero, el pronóstico nuevo será muy similar al pronóstico anterior y la última observación real
tendrá poca importancia.

Ejemplo

 
Conclusión
En estos temas pudiste contemplar el análisis de correlación que es la fortaleza de la relación
lineal que existe entre dos variables y se mide mediante la correlación que existe entre ellas.
Así como el coeficiente de autocorrelación que es importante, pues en problemas de regresión
en los cuales las variables dependientes e independientes están orientadas hacia el tiempo o
son datos de series de tiempo, a menudo es insostenible la consideración de errores no
correlacionados.
Cerrando con el tema de métodos de pronósticos basados en promedios, suavización
exponencial y descomposición, para analizar los componentes de una serie de tiempo debe
considerarse la manera en que se relacionan los componentes con la serie original. 
Mientras que el método de promedios móviles sólo toma en cuenta las observaciones
más recientes, el suavizamiento exponencial simple proporciona un promedio móvil
con un peso exponencial de todos los valores observados con anterioridad.