Universidad de Oriente

Núcleo de Anzoátegui

Escuela de Ciencias Administrativas

Estadística II

Profesora: Bachiller:

Luisa Guariguata Karla Rojas

C.I:

Julio, 2022
Serie de tiempo

Por serie de tiempo nos referimos a datos estadísticos que se recopilan,

observan o registran en intervalos de tiempo regulares (diario, semanal,
semestral, anual, entre otros). El término serie de tiempo se aplica por ejemplo
a datos registrados en forma periódica que muestran, por ejemplo, las ventas
anuales totales de almacenes, el valor trimestral total de contratos de
construcción otorgados, el valor trimestral del PIB.

Componentes de la serie de tiempo

Supondremos que en una serie existen cuatro tipos básicos de variación, los
cuales sobrepuestos o actuando en concierto, contribuyen a los cambios
observados en un período de tiempo y dan a la serie su aspecto errático.

Estas cuatro componentes son: Tendencia secular, variación estacional,

variación cíclica y variación irregular. Supondremos, además, que existe una
relación multiplicativa entre estas cuatro componentes; es decir, cualquier valor
de una serie es el producto de factores que se pueden atribuir a las cuatro
componentes.

a. Tendencia secular: La tendencia secular o tendencia a largo plazo de

una serie es por lo común el resultado de factores a largo plazo. En
términos intuitivos, la tendencia de una serie de tiempo caracteriza el
patrón gradual y consistente de las variaciones de la propia serie, que
se consideran consecuencias de fuerzas persistentes que afectan el
crecimiento o la reducción de la misma, tales como: cambios en la
población, en las características demográficas de la misma, cambios en
los ingresos, en la salud, en el nivel de educación y tecnología. Las
tendencias a largo plazo se ajustan a diversos esquemas. Algunas se
mueven continuamente hacía arriba, otras declinan, y otras más
permanecen igual en un cierto período o intervalo de tiempo.
b. Variación estacional: El componente de la serie de tiempo que
representa la variabilidad en los datos debida a influencias de las
estaciones, se llama componente estacional. Esta variación
corresponde a los movimientos de la serie que recurren año tras año en
 los mismos meses (o en los mismos trimestres) del año poco más o
menos con la misma intensidad. Por ejemplo: Un fabricante de albercas
inflables espera poca actividad de ventas durante los meses de otoño e
invierno y tiene ventas máximas en los de primavera y verano, mientras
que los fabricantes de equipo para la nieve y ropa de abrigo esperan un
comportamiento anual opuesto al del fabricante de albercas.
c. Variación cíclica: Con frecuencia las series de tiempo presentan
secuencias alternas de puntos abajo y arriba de la línea de tendencia
que duran más de un año, esta variación se mantiene después de que
se han eliminado las variaciones o tendencias estacional e irregular. Un
ejemplo de este tipo de variación son los ciclos comerciales cuyos
períodos recurrentes dependen de la prosperidad, recesión, depresión y
recuperación, las cuales no dependen de factores como el clima o las
costumbres sociales.
d. Variación Irregular: Esta se debe a factores a corto plazo, imprevisibles
y no recurrentes que afectan a la serie de tiempo. Como este
componente explica la variabilidad aleatoria de la serie, es impredecible,
es decir, no se puede esperar predecir su impacto sobre la serie de
tiempo. Existen dos tipos de variación irregular: a) Las variaciones que
son provocadas por acontecimientos especiales, fácilmente
identificables, como las elecciones, inundaciones, huelgas, terremotos.
b) Variaciones aleatorias o por casualidad, cuyas causas no se pueden
señalar en forma exacta, pero que tienden a equilibrarse a la larga.

Tipos de Modelos para una serie de tiempo

Muchas series de tiempo exhiben múltiples patrones estacionales, como ciclos

diarios, semanales, mensuales, etc. En general los modelos de series de
tiempo representan un solo tipo de patrón estacional, por ejemplo mensual,
trimestral, etc. Si se considera que cualquier patrón periódico de longitud fija es
un patrón estacional, a este se le puede llamar ciclo. Ejemplos de múltiples
patrones estacionales pueden ser el consumo de electricidad o gas diarios u
horarios, los ingresos a un centro de salud, las llamadas recibidas en una
central telefónica, etc. Los enfoques más comúnmente utilizados para modelar
un único patrón estacional son los suavizados exponenciales (Holt-Winters,
1960), los modelos ARIMA estacionales (Box y Jenkins, 1970), los modelos de
espacio de estado (MEE, Harvey, 1989) los MEE de innovaciones (ETS,
Hyndman et al., 2008). Entre las propuestas para múltiples patrones
estacionales se pueden destacar: los MEE con spline para series diarias
(Harvey y Koopman, 1993), modelos de suavizados exponencial parsimoniosos
(Taylor y Snyder, 2009, Taylor 2010) y los modelos de espacio de estado de
innovaciones para patrones estacionales complejos (De Livera et al 2011).

Los métodos de suavizado exponencial como el de Holt-Winters (HW) se usan

ampliamente, con buenos pronósticos, en series de tiempo que presentan un
patrón estacional, sea este aditivo o multiplicativo. A pesar de ello presentan
dos debilidades: no se pueden estimar por máxima verosimilitud y no permiten
calcular intervalos de pronóstico. Existen dos propuestas superadoras como
son los MEE con múltiples fuentes de error (Harvey, 1989) y los MEE de
innovaciones con una única fuente de error (Hyndman et al, 2008). Los
métodos de suavizado exponencial anteriormente mencionados han sido
estudiados en el marco de los modelos de espacios de estado. Los MEE de
innovaciones incluyen aquellos que subyacen en los métodos aditivos y
multiplicativos de HW. Extendiendo el método de HW a más de un patrón
estacional, Taylor (2003) incorpora una segunda componente estacional, y
comenta que cuando el número de componentes estacionales es grande puede
ser dificultoso estimar los parámetros y valores semillas (o iniciales). Además si
el período estacional es extenso es probable que se sobreparametrice el
modelo. Esto se puede simplificar cuando una longitud estacional es múltiplo
de la otra. Este modelo de suavizado exponencial supone que el proceso de
ruido blanco dt no está correlacionado serialmente. Este supuesto no
siempre se cumple en la práctica porque a veces se comportan como un
proceso AR(1). De Livera et al. (2011) proponen modificaciones al MEE de
innovaciones para que el suavizado exponencial contemple una amplia
variedad de patrones estacionales y también solucione el problema de errores
correlacionados.
Técnicas o métodos para llevar a cabo el análisis de una serie de tiempo

Métodos simples de pronóstico y suavización

Los métodos simples de pronóstico y suavización modelan los componentes de

una serie que habitualmente se observa fácilmente en una gráfica de series de
tiempo de los datos. Este enfoque descompone los datos en sus partes
componentes y luego extiende las estimaciones de los componentes en el
futuro para generar pronósticos. Usted puede elegir entre los métodos estáticos
del análisis de tendencia y descomposición o los métodos dinámicos de
promedio móvil, suavización exponencial individual y doble y el método de
Winters. Los métodos estáticos tienen patrones que no cambian con el tiempo,
los métodos dinámicos tienen patrones que sí cambian con el tiempo y las
estimaciones se actualizan utilizando los valores contiguos.

Usted puede utilizar dos métodos combinados. Es decir, puede elegir un

método estático para modelar un componente y un método dinámico para
modelar otro componente. Por ejemplo, puede ajustar una tendencia estática
usando un análisis de tendencia y modelar dinámicamente el componente
estacional en los residuos usando el método de Winters. Alternativamente,
puede ajustar un modelo estacional estático usando la descomposición y
modelar dinámicamente el componente de tendencia en los residuos usando la
suavización exponencial doble. Usted también puede aplicar un análisis de
tendencia y descomposición juntos para poder usar la selección más amplia de
modelos de tendencia ofrecidos por el análisis de tendencia. Una desventaja de
la combinación de métodos es que los intervalos de confianza para los
pronósticos no son válidos.

Para cada uno de los métodos, la siguiente tabla muestra un resumen y una
gráfica de ajustes y pronósticos de datos comunes.

Análisis de tendencia

Ajusta un modelo de tendencia general a los datos de las series de tiempo.

Elija entre los modelos de tendencia lineal, cuadrático, crecimiento o
 decadencia exponencial y curva S. Utilice este procedimiento para ajustar la
tendencia cuando sus series no incluyan un componente estacional.

Pronósticos:

 Longitud: largo

 Perfil: extensión de la línea de tendencia

Descomposición

Separa las series de tiempo en componentes de tendencia lineal, componentes

estacionales y el error. Elija si el componente estacional es aditivo o
multiplicativo con la tendencia. Utilice este procedimiento para pronosticar
cuando haya un componente estacional en sus series o cuando desee
examinar la naturaleza de los componentes.

Pronósticos:

 Longitud: largo

 Perfil: tendencia con patrón estacional

 Promedio móvil

Suaviza los datos al promediar las observaciones consecutivas en una serie.

Puede usar este procedimiento cuando los datos no tengan un componente de
tendencia. Si tiene un componente estacional, establezca la longitud del
promedio móvil igual a la longitud del ciclo estacional.

Pronósticos:

 Longitud: corto

 Perfil: línea plana

Suavización exponencial individual

Suaviza los datos usando la fórmula de pronóstico de ARIMA óptimo (0,1,1) de

un paso adelante. Este procedimiento funciona mejor sin un componente de
 tendencia o estacional. El componente dinámico individual en un modelo de
promedio móvil es el nivel.

Pronósticos:

 Longitud: corto

 Perfil: línea plana

Suavización exponencial doble

Suaviza los datos usando la fórmula de pronóstico de ARIMA óptimo (0,2,2) de

un paso adelante. Este procedimiento puede funcionar adecuadamente cuando
hay una tendencia, pero también puede servir como un método de suavización
general. La suavización exponencial doble calcula las estimaciones dinámicas
para dos componentes: nivel y tendencia.

Pronósticos:

 Longitud: corto

 Perfil: línea recta con pendiente igual a la última estimación de tendencia

 Método de Winters

Suaviza los datos mediante la suavización exponencial de Holt-Winters. Utilice

este procedimiento cuando haya tendencia y estacionalidad, siendo estos dos
componentes o aditivos o multiplicativos. El Método de Winters calcula
estimaciones dinámicas para tres componentes: nivel, tendencia y estacional.

Pronósticos:

 Longitud: de corta a mediana

 Perfil: tendencia con patrón estacional

Análisis de correlaciones y modelo ARIMA

El modelo ARIMA (promedio móvil integrado autorregresivo) también utiliza los

patrones en los datos, pero estos patrones podrían no visualizarse fácilmente
en una gráfica de los datos. En lugar de ello, el modelo ARIMA utiliza las
funciones de diferenciación, autocorrelación y autocorrelación parcial para
ayudar a identificar un modelo aceptable.

El modelo ARIMA puede utilizarse para modelar muchas series de tiempo

diferentes, con o sin componentes de tendencia o estacionales y para generar
pronósticos. El perfil del pronóstico depende del modelo que se ajusta. La
ventaja del modelo ARIMA comparado con los métodos simples de pronóstico y
suavización es que es más flexible para ajustarse a los datos. Sin embargo, la
identificación y el ajuste de un modelo pueden consumir mucho tiempo y el
modelo ARIMA no se automatiza con facilidad.

Diferencias
Calcula y almacena las diferencias entre los valores de los datos de una serie
de tiempo. Si desea ajustar un modelo ARIMA, pero los datos tienen un
componente de tendencia o estacionalidad, la diferenciación de los datos es un
paso común para evaluar los modelos ARIMA probables. Las diferencias se
utilizan para simplificar la estructura de correlaciones y para revelar cualquier
patrón subyacente.

Desfase
Calcula y almacena los desfases de una serie de tiempo. Cuando usted aplica
un desfase a una serie de tiempo, se mueve los valores originales hacia abajo
en la columna e inserta valores faltantes en la parte superior de la columna. El
número de valores faltantes insertados depende de la longitud del desfase.

Autocorrelación
Calcula y crea una gráfica de las auto correlaciones de una serie de tiempo. La
auto correlación es la correlación entre observaciones de una serie de tiempo
separadas por k unidades de tiempo. La gráfica de las autocorrelaciones se
denomina función de autocorrelación (ACF). Como guía para elegir los
términos que incluirá en un modelo ARIMA, observe la ACF.

Autocorrelación parcial
Calcula y crea una gráfica de autocorrelaciones parciales de una serie de
tiempo. Las autocorrelaciones parciales, al igual que las autocorrelaciones, son
correlaciones entre conjuntos de pares de datos ordenados de una serie de
tiempo. Como sucede con las correlaciones parciales en el caso de la
regresión, las autocorrelaciones parciales miden la fuerza de la relación con
otros términos que están siendo evaluados. La autocorrelación parcial en un
desfase de k es la correlación entre los residuos en el tiempo t de un modelo
autorregresivo y las observaciones en el desfase k con los términos para todos
los desfases intermedios presentes en el modelo autorregresivo. La gráfica de
autocorrelaciones parciales se denomina función de autocorrelación parcial
(PACF). Como guía para elegir los términos que incluirá en un modelo ARIMA,
observe la PACF.

Intercorrelación
Calcula y crea una gráfica de las correlaciones entre dos series de tiempo.

ARIMA
Ajusta un modelo ARIMA de Box-Jenkins a una serie de tiempo. En ARIMA,
"autorregresivo", "integrado" y "promedio móvil" se refieren a los pasos de
filtrado que se toman para calcular el modelo ARIMA hasta que solamente
queda el ruido aleatorio. Utilice ARIMA para modelar el comportamiento de las
series de tiempo y para generar pronósticos.

Aplicaciones en ejemplo con ajuste lineal, cuadrático y exponencial

Índices estacionales

Las series observadas con periodicidad inferior al año (mensual, trimestral,...)

recogen conjuntamente la evolución coyuntural, a medio y largo plazo, y las
variaciones estacionales. Para poder analizar correctamente la serie es
necesario separar estas variaciones. El procedimiento que permite aislar el
componente estacional utilizado por el SPSS se basa en la descomposición
mediante medias móviles. Se parte del supuesto de que el patrón de las
variaciones estacionales se mantiene constante año tras año, y pueden
cuantificarse con números índices si el esquema de agregación es
multiplicativo o con coeficientes si el esquema es aditivo.

Los índices de variación estacional (IVE) recogen el incremento o la

disminución porcentual que el componente estacional produce en cada
estación anual (mes, trimestre,...). Estos índices no deben incidir sobre la serie
anual, por lo tanto, su promedio anual siempre debe ser igual a 1 (o 100 si está
expresado en tanto por ciento).

Los coeficientes de variación estacional indican el valor en que aumenta o

disminuye la tendencia a causa del componente estacional. Para que estos
coeficientes no modifiquen la serie anual siempre deberán sumar 0.

Para obtener los índices o coeficientes por el método de descomposición, el

SPSS realiza las siguientes operaciones:

- estimación del componente extraestacional (Tendencia-Ciclo) con una media

móvil de orden k, siendo k el número de períodos estacionales que presenta la
serie (k=12 si las observaciones son mensuales, k=4 si son trimestrales, etc);

- estimación de las variaciones estacionales específicas de cada período

dividiendo (o restando) la serie por la media móvil;

- estimación de las variaciones estacionales netas u obtención del IVE

eliminando las fluctuaciones irregulares observadas en cada período; para ello
se toma el valor mediano de las variaciones especificas de cada período
estacional por separado y se corrigen de forma que su promedio no afecte a la
serie anual.

Para estimar los factores estacionales multiplicativos o aditivos de una serie

temporal la secuencia a seguir es:

 Analizar
 Series Temporales
 Descomposición estacional
Si previamente no se ha definido la variable fecha, tal y como se ha explicado
en el primer apartado, al ejecutar la secuencia anterior el programa muestra un
mensaje indicando que es necesario tener alguna variable fecha creada.

En el cuadro de diálogo se debe indicar:

- la o las variables para las que se desea estimar los factores estacionales en el
cuadro Variables;

- el tipo de modelo de agregación de los componentes (multiplicativo o aditivo)

con las opciones Modelo;

- el criterio que se empleará para calcular las medias moviles de orden par (si
la periodicidad es impar todos los puntos se ponderan por igual). Las opciones
de Ponderación de la media móvil son:

- Todos los puntos son iguales calcula las medias móviles con una amplitud
igual a la periodicidad y con todos los puntos ponderados por igual.

- Puntos finales ponderados por ,5 centra las medias móviles de orden par
calculando una media móvil de orden 2 con los resultados de la primera media
móvil que se calcula con una amplitud igual a la periodicidad.

Al seleccionar Mostrar el listado por casos se obtiene un resumen para cada

caso de todos los resultados intermedios, así como los estadísticos finales.
Al aceptar, el programa genera un conjunto de variables nuevas con los
resultados del proceso: ERR, SAS, SAF y STC. Por defecto estas variables se
incluyen en el archivo activo, pero con el botón Guardar se puede indicar que
no las cree o que sustituya las existentes.