Modelos globales para series no estacionales

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

Polinomial de grado p (Modelo aditivo): 𝛽 (𝑛 + 𝐿) ,

700

𝑌 = 𝛽 + 𝛽 𝑡 + 𝛽 𝑡 + ⋯ + 𝛽 𝑡 + 𝐸 , con 𝐸 ∼ 𝑖𝑖𝑑 𝑁(0, 𝜎 ), M.C.O 𝑌 = 𝛽 +𝛽 𝑡 +𝛽 𝑡 +⋯+𝛽 𝑡

Yt

600

donde 𝛽 , 𝛽 , …, 𝛽 son constantes en el tiempo. es decir, se calcula como el valor ajustado en el

500

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

Exponencial polinomial de grado p (Modelo aditivo):

50000

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

parte inferior), aunque el ajuste del modelo se hace directamente en

10

la escala original de los datos por mínimos cuadrados no lineales.

9
log(Y t)

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 polinomial de grado p (Modelo multiplicativo)

20000

log(𝑌 ) = 𝛽 + 𝛽 𝑡 + 𝛽 𝑡 + ⋯ + 𝛽 𝑡 + 𝐸 , con 𝐸 ∼
15000

𝑖𝑖𝑑 𝑁(0, 𝜎 ),
Yt

donde 𝛽 , 𝛽 , …, 𝛽 son constantes en el tiempo.

10000
5000

Nota 1: En la escala original la ecuación corresponde a

𝑌 (𝐿) ≈ exp 𝛽 + 𝛽 (𝑛 + 𝐿) + 𝛽 (𝑛 + 𝐿) + ⋯ +
𝑌 = exp 𝛽 + 𝛽 𝑡 + 𝛽 𝑡 + ⋯ + 𝛽 𝑡 × exp(𝐸 ), con 𝐸 ∼
0

0 5 10 15

Time
20 25 30

𝑖𝑖𝑑 𝑁(0, 𝜎 ) 𝑀𝑆𝐸 𝛽 (𝑛 + 𝐿) × exp ,

M.C.O en escala log 𝑌 ≈ exp 𝛽 + 𝛽 𝑡 + 𝛽 𝑡 + ⋯ + 𝛽 𝑡 × exp
Serie en escala log
2
Nota 2: En la serie de ejemplo, la gráfica en escala original es la es decir, se calcula como el valor ajustado en el
10

superior. Sin embargo, el grado p del polinomio se determina en la tiempo 𝑡 = 𝑛 + 𝐿

9

escala logaritmo natural (en el ejemplo sería con la figura de la

8

parte inferior) y en esta escala se hace ajuste por mínimos

7
log(Yt)

cuadrados ordinarios. Posteriormente los valores de ajuste y de

6

pronóstico de la serie en escala original se obtienen exponenciando

5

y aplicando factor de corrección exp .

4
3

0 5 10 15 20 25 30

Time

Ejemplo patrón de la serie
Modelos globales para series estacionales
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.

Nota 1: En la escala original la ecuación corresponde al modelo

completamente multiplicativo dado por: 𝑌 (𝐿) ≈ exp 𝛽 + 𝛽 (𝑛 + 𝐿) + 𝛽 (𝑛 + 𝐿) + ⋯ +
𝑌 = exp 𝛽 + 𝛽 𝑡 + 𝛽 𝑡 + ⋯ + 𝛽 𝑡 + ∑ 𝛼 sin 2𝜋𝐹 𝑡 + 𝛽 (𝑛 + 𝐿) + ∑ 𝛼 sin 2𝜋𝐹 (𝑛 + 𝐿) +
𝛾 cos 2𝜋𝐹 𝑡 × exp(𝐸 ) con 𝐸 ∼ 𝑖𝑖𝑑 𝑁(0, 𝜎 ). 𝑌 ≈ exp 𝛽 + 𝛽 𝑡 + 𝛽 𝑡 + ⋯ + 𝛽 𝑡 +
M.C.O en escala log 𝛾 cos 2𝜋𝐹 (𝑛 + 𝐿) × exp ,
300000

∑ 𝛼 sin 2𝜋𝐹 𝑡 + 𝛾 cos 2𝜋𝐹 𝑡 × exp

Nota 2: Las frecuencias Fj deben ser identificadas con el
200000

es decir, se calcula como el valor ajustado en el

y

periodograma. Si una de tales frecuencias es ½, sólo ingresa en el

tiempo 𝑡 = 𝑛 + 𝐿
100000

modelo su componente coseno.

Nota 3: El grado p del polinomio se determina en la escala logaritmo

0

1980 1985 1990 1995 2000

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

es decir, se calcula como el valor ajustado en el

donde 𝛽 , 𝛽 , …, 𝛽 y los 𝛿 son constantes en el tiempo. tiempo 𝑡 = 𝑛 + 𝐿
900

Polinomial de grado p, estacional con trigonométricas en k

800
Yt

frecuencias Fj, (Modelo aditivo): 𝑌 (𝐿) = 𝛽 + 𝛽 (𝑛 + 𝐿) + 𝛽 (𝑛 + 𝐿) + ⋯ +

𝑌 = 𝛽 + 𝛽 𝑡 + 𝛽 𝑡 + ⋯+ 𝛽 𝑡 + ∑
700

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.

Modelos locales para series no estacionales

Ejemplo patrón de la serie Modelos Método de ajuste Ecuación Ajuste Ecuación Pronósticos
Filtros lineales con medias
𝑌 =𝛽, , media móvil simple calculada 𝑌 (𝐿) = 𝛽 , , valor de la última media móvil
móviles simples: unilaterales o
20 40 60 80

bilaterales en 𝑡 − 1 calculada hasta 𝑡 = 𝑛

Yt

Modelo de cambio de nivel con pendientes nulas:

𝑌 = 𝛽 , + 𝐸 , donde 𝛽 , el nivel en t evoluciona lentamente en el
tiempo y 𝐸 ∼ 𝑖𝑖𝑑 𝑁(0, 𝜎 ) Suavizamiento Exponencial 𝑌 = 𝛽 , , suavizador calculado en 𝑡 − 1, 𝑌 (𝐿) = 𝛽 , es decir, el valor del suavizador
0 20 40 60 80 100 120
Simple 𝑡 = 2, … , 𝑛 calculado en 𝑡 = 𝑛
Time

Modelo de cambio de nivel y pendiente que evolucionan lentamente con t

𝑌 =𝛽, +𝛽 , con
(asume niveles locales lineales) 𝑌 (𝐿) = 𝛽 , + 𝛽 , × 𝐿, es decir, los pronósticos
𝑌 =𝛽 , +𝛽 , ×ℎ+𝐸 , Suavizamiento Exponencial 𝛽 , , 𝛽 , valores suavizados del nivel y
son los valores sobre la recta con nivel inicial 𝛽 ,
Holt pendiente en 𝑡 − 1, respectivamente, 𝑡 =
10.4

𝛽 , y 𝛽 , nivel y pendiente en t, respectivamente, evolucionan lentamente y pendiente 𝛽 ,

3, … , 𝑛
10.2

con t y 𝐸 ∼ 𝑖𝑖𝑑 𝑁(0, 𝜎 )

10.0

Modelo de tendencia local lineal

Para 𝑡 , 𝑌 = 𝛽 , + 𝛽 , × 𝑡 , o sea valor
Yt

9.8

Para 𝑡 en la vecindad de un tiempo 𝑡 , 𝑌 = 𝛽 , + 𝛽 , × 𝑡 + 𝐸 donde, 𝑌 (𝐿) = 𝛽 , + 𝛽 , × (𝑛 + 𝐿), es decir, pronostica

Loess lineal sobre la recta local estimada, evaluada solo
9.6

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

1 30 60 90 120 150 180 210 Modelo de tendencia local cuadrática

Para 𝑡 en la vecindad de un tiempo 𝑡 (𝑡 = 1, 2, … , 𝑛) Para 𝑡 , 𝑌 = 𝛽 , + 𝛽 , × 𝑡 + 𝛽 , × 𝑡 , 𝑌 (𝐿) = 𝛽 , + 𝛽 , × (𝑛 + 𝐿) + 𝛽 , × (𝑛 + 𝐿) ,
Tiempo (en días)

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

Modelo de tendencia local lineal multiplicativa a factor estacional con

𝑌 =𝑇 ×𝑆 , con 𝑆 = 𝑌 (𝐿) = 𝑇 (𝐿) × 𝑆 (𝐿) con 𝑇 (𝐿)
200000

efectos estacionales constantes en el tiempo:

y

∑ 𝛿 𝐼 , estimado por filtro de el pronóstico loess lineal sobre la serie

En la vecindad de un tiempo 𝑡 , (𝑡 = 1, 2, … , 𝑛) Descomposición multiplicativa
100000

descomposición multiplicativa y 𝑇 desestacionalizada, y 𝑆 (𝐿) = ∑ 𝛿 𝐼,

𝑌 = 𝛽 , + 𝛽 , 𝑡 × ∑ 𝛿 𝐼 , + 𝐸 , ∀ 𝑡 en la vecindad de 𝑡 , con 𝐸 ∼ & loess lineal
𝑖𝑖𝑑 𝑁(0, 𝜎 ) y ∑ 𝛿 = 𝑠, ajuste loess lineal sobre serie pronóstico asignando estimaciones 𝛿 a cada 𝑡 =
0

1980 1985 1990 1995 2000

𝛽 , , 𝛽 , , parámetros de la recta en la vecindad con centro en 𝑡 desestacionalizada 𝑛+𝐿
Time
Modelo de tendencia local cuadrática multiplicativa a factor estacional
𝑌 =𝑇 ×𝑆 , con 𝑆 = 𝑌 (𝐿) = 𝑇 (𝐿) × 𝑆 (𝐿) con 𝑇 (𝐿)
con efectos estacionales constantes en el tiempo:
∑ 𝛿 𝐼 , estimado por filtro de el pronóstico loess cuadrático sobre serie
En la vecindad de un tiempo 𝑡 , (𝑡 = 1, 2, … , 𝑛) Descomposición multiplicativa
descomposición multiplicativa y 𝑇 desestacionalizada, y 𝑆 (𝐿) = ∑ 𝛿 𝐼,
𝑌 = 𝛽 , + 𝛽 , 𝑡 + 𝛽 , 𝑡 × ∑ 𝛿 𝐼 , + 𝐸 , ∀ 𝑡 en la vecindad de 𝑡 , & loess cuadrático
con 𝐸 ∼ 𝑖𝑖𝑑 𝑁(0, 𝜎 ) y ∑ 𝛿 = 𝑠 ajuste loess cuadrático sobre serie pronóstico asignando estimaciones 𝛿 a cada 𝑡 =
𝛽 , , 𝛽 , , 𝛽 , parámetros de la parábola en la vecindad con centro en 𝑡 desestacionalizada 𝑛+𝐿

Modelo de tendencia local de cambio de nivel y de pendientes que

evolucionan lentamente con t, aditiva a factor estacional con efectos 𝑌 = 𝛽, +𝛽 , + 𝑆 con 𝑌 (𝐿) = 𝛽 , + 𝛽 , × 𝐿 + 𝑆 con 𝑆 =
estacionales que evolucionan lentamente en el tiempo: 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 , = 0 Holt Winters aditivo estandarizado, de la componente estacional, suavizados y debidamente estandarizados 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 en con t y 𝐸 ∼ 𝑖𝑖𝑑 𝑁(0, 𝜎 )
1000

Modelo de tendencia local lineal aditiva a factor estacional con efectos

900

𝑌 (𝐿) = 𝑇 (𝐿) + 𝑆 (𝐿) con 𝑇 (𝐿)

estacionales constantes en el tiempo: 𝑌 =𝑇 +𝑆 , con 𝑆 =
el pronóstico loess lineal sobre la serie
800

En la vecindad de un tiempo 𝑡 , (𝑡 = 1, 2, … , 𝑛)
Yt

Descomposición aditiva & ∑ 𝛿 𝐼 , estimado por filtro de desestacionalizada, y 𝑆 (𝐿) = ∑ 𝛿 𝐼,

𝑌 = 𝛽 , + 𝛽 , 𝑡 + ∑ 𝛿 𝐼 , + 𝐸 , ∀ 𝑡 en la vecindad de 𝑡 , con 𝐸 ∼
700

loess lineal descomposición aditiva y 𝑇 ajuste loess

𝑖𝑖𝑑 𝑁(0, 𝜎 ) y ∑ 𝛿 = 0 pronóstico asignando estimaciones 𝛿 a cada 𝑡 =
lineal sobre serie desestacionalizada
600

0 10 20 30 40 50 𝛽 , , 𝛽 , , parámetros de la recta en la vecindad con centro en 𝑡 𝑛+𝐿

Time
Modelo de tendencia local cuadrática aditiva a factor estacional con
𝑌 (𝐿) = 𝑇 (𝐿) + 𝑆 (𝐿) con 𝑇 (𝐿)
efectos estacionales constantes en el tiempo: 𝑌 =𝑇 +𝑆 , con 𝑆 =
el pronóstico loess cuadrático sobre la serie
En la vecindad de un tiempo 𝑡 , (𝑡 = 1, 2, … , 𝑛) Descomposición aditiva & ∑ 𝛿 𝐼 , estimado por filtro de desestacionalizada, y 𝑆 (𝐿) = ∑ 𝛿 𝐼,
𝑌 = 𝛽 , + 𝛽 , 𝑡 + 𝛽 , 𝑡 + ∑ 𝛿 𝐼 , + 𝐸 , ∀ 𝑡 en la vecindad de 𝑡 , loess cuadrático descomposición aditiva y 𝑇 ajuste loess
con 𝐸 ∼ 𝑖𝑖𝑑 𝑁(0, 𝜎 ) y ∑ 𝛿 = 0 pronóstico asignando estimaciones 𝛿 a cada 𝑡 =
cuadrático sobre serie desestacionalizada 𝑛+𝐿
𝛽 , , 𝛽 , , 𝛽 , parámetros de la parábola en la vecindad con centro en 𝑡

IMPLEMENTACIÓN DE AJUSTES POR MÉTODOS LOCALES EN R

Método local Parámetro crítico a determinar
𝑚, tal que minimice alguna medida de ajuste,
Medias móviles por ejemplo, el SSE. Recuerde que 𝑚 determina
simples y filtros de el número de observaciones promediadas cada
Henderson vez: 𝑚 + 1 observaciones en las medias móviles
unilaterales y 2𝑚 + 1 en las bilaterales.
Suavizamiento
𝛼 el parámetro de suavizamiento, tal que
exponencial simple
minimice el SSE del ajuste.
(SES)
Con cada tipo de polinomio local escogido
(lineal o cuadrático), determinar 𝛼 el parámetro
Loess
de suavizamiento, tal que minimice el criterio
AICC o bien el GCV.
Función a usar en R Resultados R
Ajustes y pronósticos puntuales y por I.P del 95% de confianza para h=12 periodos después del
ajuste aplicando estrategia circular, con función de usuario Filtro.lineal():
Serie de las medias móviles para 𝑡 = 1, … , 𝑛, valores ajustados de la serie para
Unilateral: Filtro.lineal(serie=yt,pesos.wi=w,tipo=1,h=12,level=0.95); 𝑡 = 2, … , 𝑛, obtenidos con función fitted(), residuos de ajuste obtenidos con
Bilateral y Henderson: Filtro.lineal(serie=yt,pesos.wi=w,tipo=2,h=12,level=0.95) función residuals(), de ajuste y los pronósticos puntuales y por I.P para h
periodos después del último ajuste.
w es el vector de los pesos asignados a las observaciones en la media móvil, h el número de
pronósticos a realizar y level el nivel de confianza para los I.P
El parámetro de suavizamiento (smoothing parameters) y el coeficiente 𝒂
que corresponde a 𝛽 , . Valores ajustados y residuales del ajuste son obtenidos
SES óptimo: HoltWinters(yt,beta=FALSE,gamma=FALSE)
con las funciones fitted() y residuals(). Los pronósticos son obtenidos con
predict().
Ajustes y pronósticos puntuales y por I.P del 95% de confianza para h=12 periodos después del
ajuste con función de usuario Loess.Optimo():
Lineal óptimo según AICC:
Loess.Optimo(serie=datos,grado=1,criterio="aicc",h=12,level=0.95)
Resumen ajuste loess (para ver el número de parámetros equivalentes
Lineal óptimo según GCV:
“Equivalent Number of Parameters” y el valor óptimo del 𝛼 o “span”).
Loess.Optimo(serie=datos,grado=2,criterio="gcv",h=12,level=0.95)
Curva loess con fitted() y residuales con residuals().
Cuadrático óptimo según AICC:
Loess.Optimo(serie=datos,grado=2,criterio="aicc",h=12,level=0.95)
Cuadrático óptimo según GCV:
Loess.Optimo(serie=datos,grado=2,criterio="gcv",h=12,level=0.95)
 IMPLEMENTACIÓN DE AJUSTES POR MÉTODOS LOCALES EN R
Método local Parámetro crítico a determinar Función a usar en R Resultados R
Parámetros de suavizamiento (smoothing parameters) y los coeficientes 𝒂 y
Suavizamiento 𝛼 y 𝛽, los parámetros de suavizamiento del nivel
𝒃 que corresponden, respectivamente, a 𝛽 , y 𝛽 , . Valores ajustados y
exponencial Holt y la pendiente, respectivamente, que minimicen SEH óptimo: HoltWinters(yt,gamma=FALSE)
(SEH) el SSE del ajuste. residuales del ajuste son obtenidos con las funciones fitted() y residuals(),
respectivamente. Los pronósticos son obtenidos con predict().
Ajustes y pronósticos puntuales y por I.P del 95% de confianza para h=12 periodos, mediante la Parámetros de suavizamiento (smoothing parameters) y los coeficientes 𝒂 y
𝛼, 𝛽 y 𝛾, los parámetros de suavizamiento del función de usuario SuavizamientoEstacional():
𝒃 que corresponden, respectivamente, a 𝛽 , y 𝛽 , y los coeficientes 𝒔𝟏 , … , 𝒔𝒔
Suavizamientos
nivel, la pendiente y los efectos estacionales,
exponencial Holt- los valores de los efectos estacionales suavizados al final del suavizamiento
respectivamente, que minimicen el SSE del Aditivo óptimo: SuavizamientoEstacional(yt,seasonal="additive",h=12)
Winters 𝛿 , , 𝑖 = 1, 2, … , 𝑠, respectivamente Valores ajustados y residuales del ajuste
ajuste.
Multiplicativo óptimo: SuavizamientoEstacional(yt,seasonal="multiplicative",h=12) son obtenidos con las funciones fitted() y residuals(), respectivamente.
Ajustes y pronósticos puntuales para h=12 periodos, mediante la función de usuario
Descomp.Loess():
Casos aditivos,
DLL(AICC):
Descomp.Loess(serie.ajuste=yt,h=12,tipo.descomp="additive",grado=1,criterio="aicc")
DLL(GCV):
Descomp.Loess(serie.ajuste=yt,h=12,tipo.descomp="additive",grado=1,criterio="gcv")
DLC(AICC): Estimaciones de los efectos estacionales, 𝛿 y el resumen del LOESS sobre la
Descomp.Loess(serie.ajuste=yt,h=12,tipo.descomp="additive",grado=2,criterio="aicc") serie desestacionalizada; pueden extraerse además los valores ajustados y
Con cada tipo de polinomio local escogido
Combinación filtro DLC(GCV): residuales con las funciones fitted() y residuals(), respectivamente. También se
(lineal o cuadrático), determinar 𝛼 el parámetro
de descomposición Descomp.Loess(serie.ajuste=yt,h=12,tipo.descomp="additive",grado=2,criterio="gcv") puede extraer la curva loess que estima la tendencia, la serie
de suavizamiento, tal que minimice el criterio
y Loess desestacionalizada, la estimación de la estacionalidad en cada tiempo de ajuste
AICC o bien el GCV.
Casos multiplicativos: los resultados de pronósticos de la tendencia, la estacionalidad y de la serie. No
DLL(AICC): se obtienen intervalos de predicción.
Descomp.Loess(serie.ajuste=yt,h=12,tipo.descomp="multiplicative",grado=1,criterio="aicc")
DLL(GCV):
Descomp.Loess(serie.ajuste=yt,h=12,tipo.descomp="multiplicative",grado=1,criterio="gcv")
DLC(AICC):
Descomp.Loess(serie.ajuste=yt,h=12,tipo.descomp="multiplicative",grado=2,criterio="aicc")
DLC(GCV):
Descomp.Loess(serie.ajuste=yt,h=12,tipo.descomp="multiplicative",grado=2,criterio="gcv")
Ver también en notas de clase las fórmulas específicas de las medias móviles y de las ecuaciones de suavizamiento SES, SEH y Holt-Winters aditivo y multiplicativo. Observe en las ecuaciones de suavizamiento en Holt-Winters aditivo y multiplicativo
que estos métodos actualizan nivel y pendiente usando valores desestacionalizados de la serie, mientras que para la componente estacional utilizan valores de la serie después de eliminar de estos el nivel estimado (la componente de tendencia estimada).

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.