Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Los modelos de series temporales determinan la evolución de una variable a lo largo del
tiempo. Utilizan valores pasados para predecir valores futuros e incluyen una variable
temporal como explicativa.
Algunos datos pueden recogerse en tiempo real y con frecuencias muy elevadas. Esto también
tiene desventajas, ya que hay más ruido en la serie cuanto más detallada sea la escala, lo cual
se suaviza al agregar datos.
- Nivel (valor medio de la serie, a veces también se considera que es el nivel inicial,
sirve para situar la serie en el eje Y)
- Tendencia (cambio medio en la serie de un periodo al siguiente, si es horizontal
decimos que no tiene tendencia)
- Estacionalidad (patrón que se repite en el tiempo con una frecuencia fija, esta
frecuencia se puede establecer a muchos niveles) (los ciclos económicos no se
pueden considerar estacionalidad porque no sabemos cuánto dura cada ciclo)
- Ruido (todo lo que no explican las componentes anteriores, variación aleatoria
debida a errores de medida u otras causas)
- Mean Absolute Error (MAE): sumatorio de las diferencias entre valor observado y
valor predicho dividido entre el número de observaciones. Se expresa en las
mismas unidades que la serie.
- Mean Absolute Percentage Error (MAPE): diferencia entre valor real y valor
predicho dividido entre el valor real. Hacer el sumatorio de todas estas diferencias
y posteriormente dividirlo entre el número de observaciones. Se expresa como un
porcentaje.
- Root-Mean-Square Error (RMSE): es lo mismo que el MAE pero consideramos las
raíces de los errores cuadráticos. La unidad de medida será también la misma que
la de la serie. Con este error penalizamos más los errores grandes.
Los modelos de referencia que se utilizan en los modelos de series temporales son los modelos
ingenuos (el pronóstico para el siguiente periodo es la última observación conocida). Hay otro
tipo de pronóstico, pronóstico ingenuo estacional, que lo que hace es decir que la serie el mes
que viene va a ser el mismo valor que tuvo esa misma estación del último periodo.
La tendencia es el cambio medio de una serie en el tiempo. La forma más sencilla de modelar
la tendencia es la tendencia lineal, la cual modela que la serie varía cada periodo en una
determinada cantidad. Lo que tenemos son variaciones sumativas, La especificación es Yt = B0
+ B1*t + ut, donde B0 es el nivel inicial de la serie, B1 es la tendencia y ut es el ruido.
Una última tendencia es la polinomial, pues podemos utilizar cualquier otra forma funcional en
la especificación, pero debemos ir con cuidado con el sobreajuste de los datos (la forma
funcional debe mantenerse tanto en los datos observados como en los que queremos
predecir).
Una serie tiene patrón estacional cuando observaciones de la misma estación tienen
consistentemente valores por encima o por debajo de las de otras observaciones. La forma
más sencilla de hacer esto es con variables dicotómicas, donde tenemos k estaciones y k-1
variables dicotómicas. La estacionalidad la podemos hacer aditiva (Yt = BMES(t) + ut) o
multiplicativa (ln Yt = BMES(t) + ut). La función mes devuelve una variable categórica indicando
el mes.
Ejercicio 4.
RMSE = 36,84
MAPE = 2.14%
RMSE = 127,39
MAPE = 7.58%
Ejercicio 5.
a) los componentes que están en la gráfica son: nivel, ruido y tendencia (estacionalidad no
porque va por años)
c)
El coeficiente de season6 =0.447046 quiere decir que sube un 44,7% respecto a enero.