Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ejemplo patrón de la serie Modelos Método de ajuste Ecuación Ajuste Ecuación Pronósticos
2 3
Yt = β 0 + β 1t + β2t + β3t + Et
1000
900
𝑌 (𝐿) = 𝛽 + 𝛽 (𝑛 + 𝐿) + 𝛽 (𝑛 + 𝐿) + ⋯ +
800
600
tiempo 𝑡 = 𝑛 + 𝐿
400
300
0 5 10 15 20 25 30
Time
Yt = exp(β 0 + β 1t + β 2t + β 3t ) + Et
2 3
150000
100000
Yt
𝑌 = exp 𝛽 + 𝛽 𝑡 + 𝛽 𝑡 + ⋯ + 𝛽 𝑡 + 𝐸 , con 𝐸 ∼
𝑖𝑖𝑑 𝑁(0, 𝜎 ), 𝑌 (𝐿) = exp 𝛽 + 𝛽 (𝑛 + 𝐿) + 𝛽 (𝑛 + 𝐿) + ⋯ +
donde 𝛽 , 𝛽 , …, 𝛽 son constantes en el tiempo.
0
0 5 10 15
Time
20 25 30
M.C no lineales con 𝛽 (𝑛 + 𝐿) ,
función de usuario 𝑌 = exp 𝛽 + 𝛽 𝑡 + 𝛽 𝑡 + ⋯ + 𝛽 𝑡
Serie en escala log
Nota: En la serie de ejemplo, la gráfica en escala original es la regexponencial() es decir, se calcula como el valor ajustado en el
superior. Sin embargo, el grado p del polinomio se determina en la
12
tiempo 𝑡 = 𝑛 + 𝐿
escala logaritmo natural (en el ejemplo sería con la figura de la
11
8
7
6
5
0 5 10 15 20 25 30
Time
Yt = exp(β0 + β 1t + β 2t + β 3t )exp(Et)
2 3
25000
log(𝑌 ) = 𝛽 + 𝛽 𝑡 + 𝛽 𝑡 + ⋯ + 𝛽 𝑡 + 𝐸 , con 𝐸 ∼
15000
𝑖𝑖𝑑 𝑁(0, 𝜎 ),
Yt
0 5 10 15
Time
20 25 30
0 5 10 15 20 25 30
Time
Modelos globales para series estacionales
Ejemplo patrón de la serie Modelos Método de ajuste Ecuación Ajuste Ecuación Pronósticos
Log polinomial de grado p, estacional con indicadoras nivel de
referencia último periodo del año (Modelo completamente
multiplicativo):
log(𝑌 ) = 𝛽 + 𝛽 𝑡 + 𝛽 𝑡 + ⋯ + 𝛽 𝑡 + ∑ 𝛿 𝐼 , + 𝐸 , con 𝐸 ∼
𝑖𝑖𝑑 𝑁(0, 𝜎 ),
donde 𝛽 , 𝛽 , …, 𝛽 y los 𝛿 son constantes en el tiempo.
𝑌 (𝐿) ≈ exp 𝛽 + 𝛽 (𝑛 + 𝐿) + 𝛽 (𝑛 + 𝐿) + ⋯ +
Nota 1: En la escala original la ecuación corresponde al modelo 𝛽 (𝑛 + 𝐿) + ∑ 𝛿 𝐼, × exp ,
𝑌 ≈ exp 𝛽 + 𝛽 𝑡 + 𝛽 𝑡 + ⋯ + 𝛽 𝑡 + ∑ 𝛿 𝐼, ×
completamente multiplicativo dado por: M.C.O en escala log
𝑌 = exp 𝛽 + 𝛽 𝑡 + 𝛽 𝑡 + ⋯ + 𝛽 𝑡 + ∑ 𝛿 𝐼 , × exp(𝐸 ) con exp
es decir, se calcula como el valor ajustado en el
𝐸 ∼ 𝑖𝑖𝑑 𝑁(0, 𝜎 ). tiempo 𝑡 = 𝑛 + 𝐿
Nota 2: El grado p del polinomio se determina en la escala logaritmo
natural y en esta escala se hace ajuste por mínimos cuadrados
ordinarios. Posteriormente los valores de ajuste y de pronóstico de la
serie en escala original se obtienen exponenciando y aplicando factor
de corrección exp .
Log polinomial de grado p, estacional con trigonométricas en k
frecuencias Fj, (Modelo completamente multiplicativo):
log(𝑌 ) = 𝛽 + 𝛽 𝑡 + 𝛽 𝑡 + ⋯ + 𝛽 𝑡 + ∑ 𝛼 sin 2𝜋𝐹 𝑡 +
𝛾 cos 2𝜋𝐹 𝑡 + 𝐸 , con 𝐸 ∼ 𝑖𝑖𝑑 𝑁(0, 𝜎 )
donde 𝛽 , 𝛽 , …, 𝛽 , los 𝛼 y 𝛾 son constantes en el tiempo.
Time
natural y en esta escala se hace ajuste por mínimos cuadrados
ordinarios. Posteriormente los valores de ajuste y de pronóstico de la
serie en escala original se obtienen exponenciando y aplicando factor
de corrección exp .
Exponencial polinomial grado p, estacional con indicadoras nivel de
referencia último periodo del año (Modelo parcialmente
multiplicativo):
𝑌 (𝐿) = exp 𝛽 + 𝛽 (𝑛 + 𝐿) + 𝛽 (𝑛 + 𝐿) + ⋯ +
𝑌 = exp 𝛽 + 𝛽 𝑡 + 𝛽 𝑡 + ⋯ + 𝛽 𝑡 + ∑ 𝛿 𝐼 , + 𝐸 , con 𝐸 ∼
M.C no lineales con 𝛽 (𝑛 + 𝐿) + ∑ 𝛿 𝐼 , ,
𝑖𝑖𝑑 𝑁(0, 𝜎 )
función de usuario 𝑌 = exp 𝛽 + 𝛽 𝑡 + 𝛽 𝑡 + ⋯ + 𝛽 𝑡 + ∑ 𝛿 𝐼,
donde 𝛽 , 𝛽 , …, 𝛽 y los 𝛿 son constantes en el tiempo. regexponencial() es decir, se calcula como el valor ajustado en el
tiempo 𝑡 = 𝑛 + 𝐿
Nota: El grado p del polinomio se determina en la escala logaritmo
natural, aunque el ajuste del modelo se hace directamente en la escala
original de los datos por mínimos cuadrados no lineales.
Exponencial polinomial de grado p, estacional con trigonométricas
en k frecuencias Fj, (Modelo parcialmente multiplicativo):
𝑌 = exp 𝛽 + 𝛽 𝑡 + 𝛽 𝑡 + ⋯ + 𝛽 𝑡 + ∑ 𝛼 sin 2𝜋𝐹 𝑡 +
𝛾 cos 2𝜋𝐹 𝑡 + 𝐸 , con 𝐸 ∼ 𝑖𝑖𝑑 𝑁(0, 𝜎 ) 𝑌 (𝐿) = exp 𝛽 + 𝛽 (𝑛 + 𝐿) + 𝛽 (𝑛 + 𝐿) + ⋯ +
donde 𝛽 , 𝛽 , …, 𝛽 , los 𝛼 y 𝛾 son constantes en el tiempo.
𝛽 (𝑛 + 𝐿) + ∑ 𝛼 sin 2𝜋𝐹 (𝑛 + 𝐿) +
M.C no lineales, con 𝑌 = exp 𝛽 + 𝛽 𝑡 + 𝛽 𝑡 + ⋯ + 𝛽 𝑡 +
función de usuario 𝛾 cos 2𝜋𝐹 (𝑛 + 𝐿) ,
Nota 1: Las frecuencias Fj deben ser identificadas con el ∑ 𝛼 sin 2𝜋𝐹 𝑡 + 𝛾 cos 2𝜋𝐹 𝑡
regexponencial()
periodograma. Si una de tales frecuencias es ½, sólo ingresa en el
es decir, se calcula como el valor ajustado en el
modelo su componente coseno.
tiempo 𝑡 = 𝑛 + 𝐿
Nota 2: El grado p del polinomio se determina en la escala logaritmo
natural, aunque el ajuste del modelo se hace directamente en la escala
original de los datos por mínimos cuadrados no lineales.
Modelos globales para series estacionales
Ejemplo patrón de la serie Modelos Método de ajuste Ecuación Ajuste Ecuación Pronósticos
Polinomial de grado p, estacional con indicadoras nivel de referencia 𝑌 (𝐿) = 𝛽 + 𝛽 (𝑛 + 𝐿) + 𝛽 (𝑛 + 𝐿) + ⋯ +
último periodo del año (Modelo Aditivo): 𝛽 (𝑛 + 𝐿) + ∑ 𝛿 𝐼 , ,
𝑌 = 𝛽 + 𝛽 𝑡 + 𝛽 𝑡 + ⋯ + 𝛽 𝑡 + ∑ 𝛿 𝐼 , + 𝐸 , con 𝐸 ∼ M.C.O 𝑌 = 𝛽 + 𝛽 𝑡 + 𝛽 𝑡 + ⋯+ 𝛽 𝑡 + 𝛿 𝐼,
𝑖𝑖𝑑 𝑁(0, 𝜎 )
1000
𝛼 sin 2𝜋𝐹 𝑡 +
𝛽 (𝑛 + 𝐿) + ∑ 𝛼 sin 2𝜋𝐹 (𝑛 + 𝐿) +
𝛾 cos 2𝜋𝐹 𝑡 + 𝐸 , con 𝐸 ∼ 𝑖𝑖𝑑 𝑁(0, 𝜎 )
600
𝑌 = 𝛽 + 𝛽 𝑡 + 𝛽 𝑡 + ⋯+ 𝛽 𝑡 +
0 10 20 30 40 50
donde 𝛽 , 𝛽 , …, 𝛽 , los 𝛼 y 𝛾 son constantes en el tiempo. M.C.O 𝛾 cos 2𝜋𝐹 (𝑛 + 𝐿) ,
Time
∑ 𝛼 sin 2𝜋𝐹 𝑡 + 𝛾 cos 2𝜋𝐹 𝑡
Nota: Las frecuencias Fj deben ser identificadas con el periodograma. es decir, se calcula como el valor ajustado en el
Si una de tales frecuencias es ½, sólo ingresa en el modelo su tiempo 𝑡 = 𝑛 + 𝐿
componente coseno.
Recuerde que:
En los modelos con transformación logaritmo natural (log polinomiales y log polinomiales estacionales) se presume que la serie en escala original es de componentes multiplicativas mientras que en la escala de logaritmo es de componentes aditivas (por
tanto de varianza constante en esa escala).
En los modelos globales para series estacionales el uso de variables indicadoras (para los primeros 𝑠 − 1 periodos del año) sólo se recomienda si la forma del patrón estacional se mantiene constante (o aproximadamente constante) a lo largo de los años.
Esto debe juzgarse en la gráfica de los datos y no mediante la estimación de la componente estacional que se obtiene con la función R decompose(), pues esta función usa el modelo del filtro de la descomposición clásica en el cual se presume que los efectos
estacionales no cambian con el tiempo (esa presunción no implica que esto sea lo que realmente ocurre en la serie). Por otra parte, siempre es posible usar funciones trigonométricas, desde que el patrón estacional sea visible en la serie y con el
periodograma se identifican las frecuencias en las cuales se definen las funciones trigonométricas. Tenga en cuenta además que cuando se usan variables indicadoras, se está representando la componente estacional como un factor (variable cualitativa)
cuyos niveles son los periodos del año calendario (los meses del año en series con frecuencia de observación mensual o los trimestres del año en series con frecuencia de observación trimestral), mientras que al usar funciones trigonométricas se está
representando la componente estacional como una combinación de k ondas sinusoidales armónicas cuyas frecuencias son las que se identifican con la ayuda del periodograma.
9.8
𝛽 , , 𝛽 , , parámetros de la recta en la vecindad con centro en 𝑡 y 𝐸 ∼ extrapolando con la última recta local estimada.
en 𝑡 = 𝑡
9.4
𝑖𝑖𝑑 𝑁(0, 𝜎 ), 𝑡 = 1, 2, … , 𝑛
9.2
𝑌 =𝛽 , +𝛽 , ×𝑡+𝛽 , ×𝑡 +𝐸 Loess cuadrático o sea valor sobre la parábola local estimada, es decir, pronostica extrapolando con la última
donde 𝛽 , , 𝛽 , , 𝛽 , parámetros de la parábola en la vecindad con centro evaluada solo en 𝑡 = 𝑡 parábola local estimada.
en 𝑡 y 𝐸 ∼ 𝑖𝑖𝑑 𝑁(0, 𝜎 )
Modelos locales para series estacionales
Ejemplo patrón de la serie Modelos Método de ajuste Ecuación Ajuste Ecuación Pronósticos
Modelo de tendencia local de cambio de nivel y de pendientes que
evolucionan lentamente con t, multiplicativa a factor estacional con
efectos estacionales que evolucionan lentamente en el tiempo: 𝑌 = 𝛽, +𝛽 , × 𝑆 con 𝑌 (𝐿) = 𝛽 , + 𝛽 , × 𝐿 × 𝑆 con 𝑆 =
Suavizamiento Exponencial 𝑆 el valor suavizado y debidamente ∑ 𝛿, 𝐼, donde 𝛿 , son los últimos valores
𝑌 = 𝛽 , +𝛽 , ×ℎ ×∑ 𝛿, 𝐼, +𝐸 con ∑ 𝛿 , = 𝑠
Holt-Winters multiplicativo normalizado, de la componente estacional, suavizados y debidamente normalizados de los
𝛽 , , 𝛽 , y los 𝛿 , nivel, pendiente y efectos estacionales en t,
hace s períodos, 𝑡 = 𝑠 + 1, … , 𝑛 efectos estacionales.
respectivamente, evolucionan lentamente con t
y 𝐸 ∼ 𝑖𝑖𝑑 𝑁(0, 𝜎 )
300000
En la vecindad de un tiempo 𝑡 , (𝑡 = 1, 2, … , 𝑛)
Yt
OJO: Los modelos y métodos locales siempre pueden usarse (sin ninguna transformación sobre los datos), incluso cuando es posible usar un modelo global. Pero no siempre es posible o recomendable usar modelos globales, pues estos suponen que los
patrones estructurales de la serie (tendencia y estacionalidad) no cambian su forma en el tiempo y que estos son modelables con funciones determinísticas cuyos parámetros son constantes en el tiempo.