Serie Meteorológica

Laura Daniela Hurtado y Natalia Pedraza Bastidas

La serie de tiempo es una serie de tipo mensual que abarca desde enero de 1993 a
marzo de 2015. Es una serie que expone el desarrollo del fenómeno del niño 1+2 en
la región de la costa de Suramérica, esta cuenta con otras variables como
Punto21217280 que expone el caudal del río, ONI que muestra el Índice del océano
y la variable SOLAR_FLUX. El objetivo de este trabajo es pronosticar el caudal del
río comparando la capacidad de pronosticar de un modelo univariado y uno con las
variables regresoras ONI y SOLAR_FLUX.

● Datos a pronosticar

Como la serie es mensual los datos a pronosticar fueron los últimos 8 meses de la
serie de tiempo. De 2014:08 a 2015:03 de la variable Punto21217280, la cual
expone el caudal del río.

● Valores estimados

Modelo Univariado
Fecha Valor Observado Predicción Desv. Típica Intervalo de confianza

Modelo con variables regresoras

 ● Características de la serie

La serie es una serie sin tendencia, parece tener varianza constante con lo que se
ve en la gráfica, es una serie con tendencia estocástica. Debido a que no podemos
asegurar con certeza que la serie tenga media 0 se realizó una prueba de contraste
Dickey-Fuller.

● La serie necesita alguna transformación?

Para la variable punto realizamos una prueba de estacionariedad en la cual

obtuvimos un p-valor de 0.2592, por lo tanto no rechazamos la hipótesis nula, lo cual
implica que no hay estacionariedad y debemos hacer una diferencia estacionaria.

Luego de realizar la diferencia a la serie de tiempo realizamos nuevamente una

prueba de contraste de Dickey-Fuller donde obtuvimos un p-valor de 1.318e-21 con
el cual podemos rechazar la hipótesis nula, por lo cual aseguraos que hay
estacionariedad en la serie diferenciada.

● Modelo univariado

Verificamos las gráficas de autocorrelación y autocorrelación parcial de la serie

diferenciada.
Según las gráficas de autocorrelación y autocorrelación parcial propusimos el
modelo ARIMA(4,1,4), el uno como consecuencia de la diferencia que se le realizó a
la serie. Además el modelo es un modelo sin constante debido a que tiene
tendencia estocástica. En la gráfica de los residuales del modelos se puede ver que
este se ajusta muy bien, se sale un rezago pero como está alejado (rezago 20) lo
dejamos así.
El resultado de nuestro modelo ARIMA(4,1,4) es :

Para el modelo SARIMAX se realizó la correlación cruzada entre nuestra serie

diferenciada y las variables ONI y SOLAR_FLUX. Antes de esto se realizaron
pruebas para la estacionariedad de ONI, la cual es estacionaria; y SOLAR_FLUX, a
la cual se le debió hacer una diferencia estacionaria para lograr estacionariedad.

Para la autocorrelación cruzada con ONI el rezago 7 es significativo con un nivel de

confianza del 10%, por esta razón este será el único rezago que implementamos en
la construcción del modelo.
Para la autocorrelación cruzada con SOLAR_FLUX ningún rezago fue significativo
por lo tanto esta variable regresora no se incluyó en el modelo
 El resultado del modelo teniendo en cuenta el rezago es:

● Comparación de los modelos

MODELO UNIVARIADO MODELO SARIMAX

ARIMA(4,1,4) ARIMA (4,1,4) con variable

Se le realizó una
transformación estacionaria a
la variable punto.
No incluye constante
regresora ONI con solo el
rezago 7.
Se le realizó una
transformación estacionaria a
la variable punto.
No incluye constante

Modelo formal
univariado

Modelo formal
SARIMAX

Mean Error -0.32686 -0.19978

Root Mean Squared 0.38627 0.2872
Error
Mean Absolute Error 0.34163 0.25234

Mean Percentage Error -18.044 -11.315

Mean Absolute 18.674 13.582
Percentage Error

Los residuales tienen Ho: Media pob.=0 Ho: Media pob.=0

media cero. (Colocar la P-valor=0.5281 P-valor=0.1887
hipótesis nula, el No se rechaza Ho por lo tanto No se rechaza Ho por lo tanto
p-value y la conclusión los residuales tienen media=0 los residuales tienen media=0

Ljung-Box Q' = 4.08718 Ljung-Box Q' = 5.44052

Los residuales son RB Ho:Residuales son RB Ho:Residuales son RB
(Colocar la estadística Q P-valor=0.3943 P-valor=0.2450
de ljung y Box, con Ho, No se rechaza el Ho por lo No se rechaza el Ho por lo
p-value, conclusión) tanto los residuales son RB tanto los residuales son RB

Ho:Residuos normales Ho:Residuos normales

Los residuos son normales? P-valor= 0.000 P-valor= 0.000
Colocar Ho, p-value, Se rechaza el Ho por lo tanto Se rechaza el Ho por lo tanto
conclusión los residuales no son normales los residuales no son normales

● ¿Las variables exógenas mejoran el pronóstico?

Luego de realizar el estudio y comparar las estadísticas de pronóstico de ambos

modelos, podemos ver que el modelo SARIMAX o aquel que tiene la variable
exógena tiene mejores estadísticas de pronóstico que las que tiene nuestro modelo
univariado. Por esta razón el rezago 7 de la variable regresora ONI mejora la
capacidad de estos pronósticos.