Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Núcleo de Anzoátegui
Estadística II
Profesora: Bachiller:
C.I:
Julio, 2022
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.
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
Pronósticos:
Longitud: largo
Descomposición
Pronósticos:
Longitud: largo
Pronósticos:
Longitud: corto
Pronósticos:
Longitud: corto
Pronósticos:
Longitud: corto
Pronósticos:
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.
Índices estacionales
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.
- la o las variables para las que se desea estimar los factores estacionales en el
cuadro Variables;
- 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.