1

Descomposicin de series temporales

II
PARTE III
Catedrtico
Ricardo Olmos
UNIVERSIDAD DE EL SALVADOR
CATEDRA DE ECONOMETRIA
2
3. Mtodos no paramtricos para series tipo 3
3.1 MTODO DE TENDENCIA LINEAL

Definicin: Es un mtodo de estructura fija, que formula la prediccin
aproximando la tendencia mediante un funcin lineal.

Aplicacin
La tendencia lineal se calcula usando la siguiente formula:

Para estimar los parmetros, una de las opciones ms utilizadas son los
estimadores de MCO que podemos escribir:


0 1 t
T t | | = +
1
2

t
ty y t
t t t
|

=

0 1

y t | | =
3
3. Mtodos no paramtricos para series tipo 3
Los parmetros se estiman utilizando toda la informacin muestral, y la prediccin
no es ms que la estimacin de la tendencia para el perodo considerado.
Para cualquier perodo muestral, la prediccin, o ms exactamente, la estimacin
es:

y para perodos extramuestrales:

Utilizando para obtener slo la informacin disponible para los perodos
muestrales, es decir, del perodo 1 hasta el 52.
Los resultados de la aplicacin de este mtodo pueden verse en el libro de Excel:
Mtodos de series tipo 3

( ) ( )
0 1

1 1
t
y t | | = + +
( ) ( )
0 1

T
y l T l | | = + +
0 1

y | |
4
3. Mtodos no paramtricos para series tipo 3
Verificacin de resultados
Para la estimacin de se utiliza la informacin que va desde el primer
perodo hasta el perodo 52. El modelo estimado es:
(1)
y el coeficiente de determinacin es:
lo que indica que existe correlacin positiva entre las variables.

El parmetro anterior se calcula con la siguiente formula:




Se mantiene como medida de ajuste por ser un indicador no paramtrico.


0 1
y | |
0.52 1.02
t
y t = +
2
0.99 R =
( )( )
( ) ( )
2
52
1 2
52 52
2 2
1 1
t
t
t
t t
y y t t
R
y y t t
=
= =
| |

|
\ .
=

5
3. Mtodos no paramtricos para series tipo 3
Para cualquier perodo muestral el ajuste se obtiene sustituyendo en (1) a por el
valor que corresponde al perodo.
Para el primer el perodo la estimacin es:

y as sucesivamente hasta el perodo 52.

Para los perodos extramuestrales se obtiene:








( )
( )
( )
52
52
52
1 0.52 1.02*53 54.58
2 0.52 1.02*54 55.6
.................................................
8 0.52 1.02*60 61.72
y
y
y
= + =
= + =
= + =
t
( )
1
0.52 1.02 1 1, 54 y = + =
6
3. Mtodos no paramtricos para series tipo 3
Como se puede observar en el grfico anterior los valores predicho no se ajustan
muy bien a la serie original.


VALORES REALES Y PREDICHOS MEDIANTE TENDENCIA
LINEAL
0
10
20
30
40
50
60
70
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58
SERIE
PREDICCION
7
3. Mtodos no paramtricos para series tipo 3
En el grfico anterior obsrvese que aunque los errores de prediccin, en su
trayectoria se observa un comportamiento sinusoidal, lo que pone en manifiesto
que en alguna parte se ha dejado un comportamiento sistemtico que podra
utilizarse para mejorar la prediccin.

TENDENCIA LINEAL. PREDICCION Y ERRORES DE PREDICCION
-10
0
10
20
30
40
50
60
70
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58
PREDICCION
ERROR DE PREDICCION
8
3. Mtodos no paramtricos para series tipo 3
3.2 MTODO DE DOBLES MEDIAS MVILES

Definicin: Es un mtodo de estructura variable que obtiene las predicciones
suponiendo que la tendencia es localmente lineal; esto significa que la pendiente
no es constante en todo el perodo muestral, sino que se va redefiniendo
conforme se incorpora nueva informacin.

Aplicacin
La media mvil de longitud para el perodo , que denotaremos mediante
puede expresarse ahora (teniendo en cuenta que en este caso este valor no
constituye una prediccin, de ah en lugar de colocar el valor de la media mvil en
perodo , lo refiramos al perodo como sigue:

(1)
k
t ( ) MM k
1 t + t
( )
1 1
...
, , 1,...,
t t t k
y y y
MM k t k k T
k
+
+ + +
= = +
9
3. Mtodos no paramtricos para series tipo 3
La doble media mvil de longitud , que se denotara por , se define de
la siguiente manera:

(2)

En general, podemos decir que si se hace el supuesto de que la tendencia sigue
un esquema del tipo , la media mvil, de longitud ,
aproxima el valor de la tendencia de su perodo central que viene dado por:


De la misma forma, la doble media mvil de longitud , aproxima el
valor de la tendencia de su perodo-central que viene dado por :

k
( )
DMM k
( )
( ) ( ) ( )
1 1
...
, 2 1, 2 ,...,
t t t k
MM k MM k MM k
DMM k t k k T
k
+
+ + +
= =
0 1 t
T t | | = + ( )
MM k
k
1
2
k
t

k
( )
DMM k
( ) 1 t k
10
3. Mtodos no paramtricos para series tipo 3
Se estima la tendencia para el perodo mediante la expresin:
(3)
Tambin se puede estimar la pendiente para el perodo mediante la expresin:
(4)

Teniendo en cuenta las dos expresiones anteriores, la prediccin se define como
sigue:


en la formula anterior para perodos extramuestrales vara de 1 hasta 8.

Los resultados de la aplicacin de este mtodo pueden verse en el libro de Excel:
Mtodos de series tipo 3


t
( ) ( )

2
t
t t
T MM k DMM k =
t
( ) ( ) ( )
( ) 1
2

1
t t
t MM K DMM K
k
| =

( ) ( )
1

*
T T
y l T T l | = +
l
11
3. Mtodos no paramtricos para series tipo 3
Verificacin de resultados

La estructura de este libro de Excel ha variado con respecto a los anteriores,
debido a la nueva informacin incorporada, en la columna C aparece la media
mvil, en la columna D la doble media mvil, en la columna E la tendencia, en la
columna F la pendiente, en la columna G la prediccin y las tres columnas
siguientes las respectivas estimaciones de los errores.

En la columna C la primera media mvil correspondiente al perodo 4 se calcula
utilizando (1) de la siguiente forma:


as se harn los clculos sucesivamente hasta el perodo 52.

( )
6.44 5.02 3.99 3.66
4 4.78
4
MM
+ + +
= =
12
3. Mtodos no paramtricos para series tipo 3
El clculo de la primera doble media mvil haciendo uso de (2) se har de la
siguiente forma:


de igual forma se calcularan las siguientes dobles medias mviles hasta el
perodo 52.

La primera tendencia haciendo uso de (3) se calcul de la siguiente forma:



siguiendo este mismo procedimiento se calcularn las dems hasta el perodo
52.


7

2*7.86 6.29 9.42 T = =

( )
7.86 6.80 5.74 4.78
4 6.29
4
DMM
+ + +
= =
13
3. Mtodos no paramtricos para series tipo 3
El primer clculo de la pendiente se llevar a cabo de la siguiente forma haciendo
uso de (4):

se seguir mismo procedimiento hasta perodo 52.

Se obtiene la primera prediccin para el perodo 8 de la siguiente forma:

Para los perodos extramuestrales se obtienen las siguientes predicciones:


( ) ( )
7 7 1

1 7 *1 9.42 1.04 10.46 y T | = + = + =
( )
( )
1
2* 7.86 6.29

7 1.04
3
|

= =
( ) ( )
( ) ( )
( ) ( )
52 52 1
52 52 1
52 52 1

1 52 *1 54.62

2 52 *2 55.27
.................................................

8 52 *8 59.20
y T
y T
y T
|
|
|
= + =
= + =
= + =
14
3. Mtodos no paramtricos para series tipo 3
En el grfico anterior se aprecian los valores reales de la serie y los valores
predichos.
VALORES REALES Y PREDICHOS MEDIANTE EL MTODO DE
DOBLES MEDIAS MVILES
0
10
20
30
40
50
60
70
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57
SERIE
PREDICCIN
15
3. Mtodos no paramtricos para series tipo 3
En este grfico pueden observarse los errores de prediccin, se aprecia como giran
en torno a cero.
DOBLES MEDIAS MVILES. PREDICCION Y ERRORES DE
PREDICCIN
-10,00
0,00
10,00
20,00
30,00
40,00
50,00
60,00
70,00
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57
PREDICCION
ERROR
16
3. Mtodos no paramtricos para series tipo 3
3.3 MTODO DE ALISADO EXPONENCIAL LINEAL DE HOLT

Definicin: Es un mtodo de prediccin de estructura variable en
donde se asume que la tendencia es localmente lineal.
Por lo tanto, la prediccin est basada en una actualizacin de la
estimacin de la tendencia y la pendiente para cada perodo
muestral, conforme se incorpora nueva informacin. Pero a
diferencia del mtodo de dobles medias mviles, la actualizacin se
basa en todos los valores previos y no slo en un reducido nmero
de ellos. Para ello se utilizan dos constantes de ponderacin, que
pueden tomar valores entre 0 y 1.


17
3. Mtodos no paramtricos para series tipo 3

Aplicacin

Las dos ecuaciones de actualizacin toman la siguiente forma:
(1)

donde




(2)


( ) ( ) ( )
1 1 1

Pendiente 1 1
t t
t T T t | |

(
= = +

( ) ( )
1

Tendencia 1 1
t t t
T y y o o

= = +
( ) ( )
1 1 1

1 1
t t
y T t |

= +
18
3. Mtodos no paramtricos para series tipo 3

t
T
t
( )
1

t |
Donde es la tendencia estimada para el perodo y es la estimacin
de la pendiente para ese mismo perodo. y son las dos constantes que
toman entre 0 y 1; es la constante de alisamiento de la tendencia y es la
constante de alisamiento de la pendiente.

La prediccin toma la forma siguiente:

en la formula anterior para perodos extramuestrales vara de 1 hasta 8.
Tambin se puede escribir las ecuaciones (1) y (2) en forma de ecuaciones con
mecanismo de correccin de error, tomando la forma siguiente:
(3)
(4)


o
o
( ) ( )
1

*
T T
y l T T l | = +
( ) ( )
( ) ( ) ( )
1 1
1 1 1

1 1

1 1
t t t
t
T y e
t t e
o
| | o

= +
= +
l
19
3. Mtodos no paramtricos para series tipo 3
Los resultados de la aplicacin de este mtodo pueden verse en el libro de
Excel: Mtodos de series tipo 3

Verificacin de resultados

Los clculos realizados son para las constantes y . En las
columnas C y D se presentan las estimaciones de la tendencia y la pendiente
respectivamente. En la columna E se escriben las predicciones y en la columna
F los errores de prediccin.
Para comenzar los clculos es necesario hacer algn supuesto sobre los valores
iniciales, en este caso se adoptarn los siguiente valores iniciales:







0.9 o = 0.2 =
( )
1 1
1

1 0
T y
|
=
=
20
3. Mtodos no paramtricos para series tipo 3
Utilizando (1), el valor de la tendencia estimado para el perodo 52 es el
siguiente:



Utilizando (2), el valor estimado de la pendiente para ese mismo perodo es:





La primera prediccin sera:

( ) ( )
( )
( )
52 52 51 1

* 1 * 51
0.9*53.96 0.1* 53.47 0.90
54
T y T o o | = + +
= + +
=
( ) ( ) ( )
| |
1 52 51 1

52 * 1 * 51
0.2* 54 53.47 0.80*0.90
0.83
T T | |
(
= +

= +
=
( )
1 1 1

1 3.66 0.00 3.66 y T | = + = + =
21
3. Mtodos no paramtricos para series tipo 3
Y utilizando (3) la prediccin para los perodos extramuestrales sera:

( ) ( )
( ) ( )
( ) ( )
52 52 1
52 52 1
52 52 1

1 52 *1 54 0.83 54.83

2 52 *2 55.65
.................................................

8 52 *8 60.61
y T
y T
y T
|
|
|
= + = + =
= + =
= + =
22
3. Mtodos no paramtricos para series tipo 3
En el grfico anterior se aprecian los valores reales de la serie y los valores
predichos. Se puede observar que los valores predichos casi se ajustan a los valores
reales, lo que hace de este un buen mtodo de prediccin para y
VALORES REALES Y PREDICHOS MEDIANTE EL
MTODO DE HOLT
0
20
40
60
80
1 6 11 16 21 26 31 36 41 46 51 56
SERIE
PREDICCION
0.9 o = 0.2 =
23
3. Mtodos no paramtricos para series tipo 3
En este grfico se observa que los errores de prediccin giran en torno a cero sin
ninguna pauta clara de que algo relevante ha quedado en ellos como resto.
MTODO DE HOLT. PREDICCIONES Y ERRORES DE
PREDICCIN
-20,00
0,00
20,00
40,00
60,00
80,00
1 7 13 19 25 31 37 43 49 55
PREDICCION
ERROR DE
PREDICCION
24
3. Mtodos no paramtricos para series tipo 3
Los valores comentados anteriormente dependen de los valores tomados por las dos
constantes de alisamiento; para analizar la dependencia de los resultados respecto a los
valores que toman estas constantes se han repetido los clculos para tres valores
diferentes de ambas constantes: 0.2, 0.6 y 0.9.
(ver proceso en )
Cuadro 1: Serie 3. Mtodo de alisamiento lineal de Holt. Anlisis comparado.






o

ECM ECM(8) EAM EAM(8) EAPM EAPM(8)
0.2 2.53 10.88 1.37 3.24 7.73 5.61
0,2 0.6 1.88 5.58 1.15 1.97 6.04 3.35
0.9 1.31 4.23 0.97 1.81 5.56 3.09
0.2 0.52 0.20 0.58 0.36 3.38 0.63
0,6 0.6 0.35 0.63 0.49 0.64 2.92 1.09
0.9 0.33 0.20 0.47 0.36 2.77 0.61
0.2 0.32 0.12 0.47 0.26 2.71 0.45
0,9 0.6 0.28 0.50 0.43 0.57 2.37 0.97
0.9 0.30 0.68 0.44 0.67 2.42 1.13
25
3. Mtodos no paramtricos para series tipo 3
Las conclusiones que se puede sacar del cuadro anterior son las siguientes:
Los peores resultados son para dado cualquier valor de .

Para los mejores resultados se recogen para y

Y por ltimo para los mejores resultados son para los valores de
y .

En cualquier caso los mejores resultados atendiendo a los perodos
extramuestrales se alcanzan con y .
0.2 o =

0.9 o =
0.6 o =
0.2 = 0.9 =
0.6 =
0.2 =
0.9 o = 0.2 =
26
3. Mtodos no paramtricos para series tipo 3
Se finalizar la tercera parte de mtodos no paramtricos haciendo un anlisis
comparativo entre los mtodos de tendencia lineal, dobles medias mviles y
alisado exponencial lineal de Holt aplicados a la serie 3.

Cuadro 2. Anlisis comparado.
0.9 o = 0.2 =
Modelo ECM ECM(8) EAM EAM(8) EAPM EAPM(8)
TENDENCIA LINEAL
2.51 0.70 1.27 0.67 7.53 1.15
DOBLES MEDIAS MOVILES
0.52 0.57 0.59 0.61 2.33 1.04
ALISADO EXPONENCIAL
0.32 0.12 0.47 0.26 2.71 0.45
27
3. Mtodos no paramtricos para series tipo 3
A partir de los resultados anteriores se pudo notar que el mtodo de alisado
exponencial lineal de Holt es el ms satisfactorio con un .

0.45 EAPM =
ANLISIS COMPARADO
0
10
20
30
40
50
60
70
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58
SERIE
TENDENCIA
LINEAL
DOBLES
MEDIAS
MVILES
ALISADO EXP
DE HOLT
28
3. Mtodos no paramtricos para series tipo 3
En el grfico anterior se puede observar mejor como las predicciones llevadas a
cabo por medio del mtodo de alisado exponencial lineal de Holt se ajusta mejor a
los datos.