You are on page 1of 40

Metodología de análisis con Series de tiempo P.

Reyes / Marzo 2007

METODOLOGÍA DE ANÁLISIS
CON SERIES DE TIEMPO

Elaboró: Primitivo Reyes Aguilar


Marzo 2007

Página 1
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

METODOLOGÍA DE SERIES DE TIEMPO

1. INTRODUCCIÓN

Los métodos de análisis de series de tiempo consideran el hecho que los datos
tomados en diversos periodos de tiempo pueden tener algunas características de
autocorrelación, tendencia o estacionalidad que se debe tomar en cuenta.

Definición de serie de tiempo: Es una secuencia ordenada de valores de una


variable en intervalos de tiempo periódicos y consecutivos.

Aplicación: la aplicación de estos métodos tiene dos propósitos: comprender las


fuerzas de influencia en los datos y descubrir la estructura que produjo los datos
observados. Ajustar el modelo y proceder a realizar pronósticos, monitoreo,
retroalimentación y control en avance.

Las aplicaciones incluyen pronósticos económicos, análisis de presupuesto,


análisis del mercado, etc.

2. TENDENCIA Y ESTACIONALIDAD

Un supuesto en muchas técnicas de series de tiempo es que los datos son


estacionarios, donde su media, variancia y autocorrelación no cambia en el
tiempo, tampoco se presentan patrones de estacionalidad, sin embargo en la
práctica si se presentan estos patrones de tendencia y de estacionalidad y es
necesario contar con modelos que las consideren.

Tendencias: Si los datos muestran una tendencia, se pueden ajustar los datos con
algún tipo de curva o recta y modelar los residuales. Como el propósito del ajuste
es simplemente remover la tendencia a largo plazo, una línea recta es suficiente.

Por ejemplo:

Página 2
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

Removiendo la tendencia a largo plazo, los residuales quedan como sigue:

Estacionalidad: son fluctuaciones periódicas, por ejemplo cuando hay picos de


ventas en la navidad y después declinan. La serie de tiempo de ventas mostrarán
un incremento durante septiembre a diciembre y una declinación durante enero y
febrero.

Para detectar la estacionalidad se pueden utilizar diferentes métodos gráficos


donde se observe la estacionalidad en el tiempo:

1. Gráfica de valores contra el tiempo

Página 3
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

2. Diagramas de caja múltiples

Página 4
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

3. Gráfica de estacionalidad por subserie

Comportamiento anual y subserie mostrando la estacionalidad

En la gráfica anterior se observa un comportamiento mensual, con un máximo en


Junio y un mínimo en Septiembre.

3. INDICADORES DE MODELOS DE SERIES DE TIEMPO

Estos indicadores sirven para comparar la efectividad de diferentes modelos


utilizados. Siempre se busca el valor menor en los indicadores MAPE, MAD y
MSD ya que representa un mejor ajuste del modelo.

MAPE: Porcentaje promedio absoluto de error, mide la exactitud de los valores


estimados de la serie de tiempo. La exactitud se expresa como un porcentaje con
yt igual al valor observado, ŷt es el valor estimado y n el número de
observaciones.

Página 5
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

MAD: Desviación media absoluta, mide la exactitud de los valores estimados de la


serie de tiempo. Expresa la exactitud en las mismas unidades de los datos.

MSD: Desviación cuadrática media, es más sensible a errores anormales de


pronóstico que el MAD.

4. MÉTODOS DE PRONÓSTICO
Los métodos de series de tiempo incluyen métodos de pronóstico y de
suavizamiento simples, métodos de análisis de correlación y métodos de Box
Jenkins ARIMA.

Métodos de pronóstico y suavizamiento simple: se basan en la idea de que hay


patrones visibles en una gráfica de series de tiempo que pueden ser extrapolados
al futuro. El método se selecciona dependiendo de si los patrones son estáticos
(constantes en el tiempo) o dinámicos (cambian en el tiempo), la naturaleza de los
componentes de tendencia y estacionalidad y que tan lejos se quiera pronosticar,
son métodos generalmente fáciles y rápidos de aplicar.

Métodos de pronóstico ARIMA (Autoregressive Integrated Moving Average):


también usan patrones de datos, sin embargo puede que no sean fácilmente
visibles en la serie de tiempo. El modelo usa funciones de diferencias,
autocorrelación y autocorrelación parcial para ayudar a identificar un modelo
aceptable. El modelo ARIMA representa una serie de pasos de filtraje hasta que
solo queda ruido aleatorio. Es un proceso iterativo que consume tiempo de
ejecución.

4.1 MÉTODOS DE PRONÓSTICO Y SUAVIZAMIENTO SIMPLE:

Página 6
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

Modelan componentes en una serie que normalmente son fáciles de ver en una
serie de tiempo.

Este método descompone los datos en sus partes componentes y los extiende al
futuro para pronosticar. Se pueden seleccionar los métodos siguientes:

1. Métodos estáticos de análisis de tendencias y descomposición para


patrones que no cambian con el tiempo.
2. Métodos dinámicos de promedio móvil; métodos de suavizamiento
exponencial simple y doble y método de Winters. Para patrones que
cambian en el tiempo y sus estimados son determinados por los valores
más cercanos.

Se pueden usar los dos métodos combinados, es decir se puede utilizar un


método para modelar un componente y otro para modelar otros componentes, por
ejemplo:

 Ajustar una tendencia por medio de un análisis de tendencias estático y


dinámicamente modelar el componente estacional en los residuos usar el
método de Winters.
 Ajustar un modelo estático de estacionalidad por medio de la
descomposición y dinámicamente modelar los componentes de la tendencia
en los residuos usando un modelo de suavizamiento exponencial doble.
 Ajustar con modelos de tendencia y descomposición al mismo tiempo.

Una desventaja de combinar métodos es que los intervalos de confianza de los


pronósticos no son válidos.

A continuación se presenta un ejemplo de cada método.

4.2 Método de análisis de tendencias

Ajusta un modelo general de tendencias a datos de series de tiempo, se puede


seleccionar un modelo lineal, cuadrático, exponencial (crecimiento o declinación) y
de curva – S (para tecnología).

Usar este modelo si no hay componente estacional en el patrón de serie de


tiempo.

Tiene una amplitud de pronóstico amplia siguiendo la línea de tendencia.

Página 7
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

Página 8
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

Las fórmulas se muestran a continuación:

MODELOS DE TENDENCIA

Lineal

β 1 representa el cambio promedio de un periodo a otro.

Cuadrático

Toma en cuenta la curvatura simple en los datos.

Crecimiento exponencial

Toma en cuenta el crecimiento o decaimiento exponencial. Por


ejemplo el comportamiento de una cuenta de ahorros.

Curva S de Pearl-Reed.
Toma en cuenta las observaciones que se ajustan a una curva con
forma de S.

Por ejemplo:

Se colectan datos de empleo en un sector de negocios durante 60 meses y se


desea predecir la tasa de empleo para los siguientes 12 meses, EMPLOY.MTW.

Trade Food Metals Trade Food Metals


322 53.5 44.2 351 63.6 44.5
317 53 44.3 354 68.8 45
319 53.2 44.4 355 68.9 44.8
323 52.5 43.4 357 60.1 44.9
327 53.4 42.8 362 55.6 45.2
328 56.5 44.3 368 53.9 45.2
325 65.3 44.4 348 53.3 45
326 70.7 44.8 345 53.1 45.5
330 66.9 44.4 349 53.5 46.2
334 58.2 43.1 355 53.5 46.8
337 55.3 42.6 362 53.9 47.5
341 53.4 42.4 367 57.1 48.3
322 52.1 42.2 366 64.7 48.3
318 51.5 41.8 370 69.4 49.1
320 51.5 40.1 371 70.3 48.9
326 52.4 42 375 62.6 49.4
332 53.3 42.4 380 57.9 50

Página 9
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

334 55.5 43.1 385 55.8 50


335 64.2 42.4 361 54.8 49.6
336 69.6 43.1 354 54.2 49.9
335 69.3 43.2 357 54.6 49.6
338 58.5 42.8 367 54.3 50.7
342 55.3 43 376 54.8 50.7
348 53.6 42.8 381 58.1 50.9
330 52.3 42.5 381 68.1 50.5
326 51.5 42.6 383 73.3 51.2
329 51.7 42.3 384 75.5 50.7
337 51.5 42.9 387 66.4 50.3
345 52.2 43.6 392 60.5 49.2
350 57.1 44.7 396 57.7 48.1

Las instrucciones de Minitab son las siguientes:

1 Open Worksheet EMPLOY.MTW.


2 Ejecutar Stat > Time Series > Trend Analysis.
3 En Variable, poner Trade.
4 En Model Type, seleccionar Linear
5 Seleccionar Generate forecasts y poner 12 en Number of forecasts.
6 Seleccionar Storage .
7 Seleccionar Fits (Trend Line) , Residuals (detrended data), y Forecasts. Seleccionar OK en
cada diálogo.

Trend Analysis Plot for Trade


Linear Trend Model
Yt = 313.989 + 1.16485* t
400 Variable
Actual
390 Fits
Forecasts
380
Accuracy Measures
370 MAPE 1.8999
MAD 6.6177
360
Trade

MSD 67.4325

350

340

330

320

310
1 7 14 21 28 35 42 49 56 63 70
Index

Como hay un patrón curvilíneo de los datos, se usa un análisis de tendencias con
un modelo cuadrático.

Como también hay un componente estacional se guardan los valores estimados y


los residuos para realizar una descomposición de los residuos posteriormente.

Página 10
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

1 Open Worksheet EMPLOY.MTW.


2 Ejecutar Stat > Time Series > Trend Analysis.
3 En Variable, poner Trade.
4 En Model Type, seleccionar Quadratic.
5 Seleccionar Generate forecasts y poner 12 en Number of forecasts.
6 Seleccionar Storage .
7 Seleccionar Fits (Trend Line) , Residuals (detrended data), y Forecasts. Seleccionar OK en
cada diálogo.

Trend Analysis Plot for Trade


Quadratic Trend Model
Yt = 320.762 + 0.509373* t + 0.0107456* t* * 2
Variable
410 Actual
Fits
400
Forecasts
390 Accuracy Measures
MAPE 1.7076
380
MAD 5.9566
370
Trade

MSD 59.1305

360
350
340
330
320

1 7 14 21 28 35 42 49 56 63 70
Index

Trend Analysis for Trade


Data Trade
Length 60
NMissing 0
Fitted Trend Equation
Yt = 320.762 + 0.509373*t + 0.0107456*t**2

Accuracy Measures
MAPE 1.7076
MAD 5.9566
MSD 59.1305
Forecasts
Period Forecast
61 391.818
62 393.649
63 395.502
64 397.376
65 399.271
66 401.188
67 403.127
68 405.087
69 407.068
70 409.071
71 411.096
72 413.142

Página 11
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

Interpretación de los resultados

La gráfica de tendencia muestra los datos originales, los datos ajustados y los
pronósticos. También se muestran la ecuación de regresión y los indicadores
MAPE, MAD y MSD que ayudan a determinar la exactitud del ajuste.

La tendencia de la tasa de empleo es ascendente con un componente de


estacionalidad evidente. El modelo de tendencia parece ajustar bien a la tendencia
general, no así al patrón de estacionalidad que puede ser analizado con el modelo
de descomposición de los residuos.

4.3 Método de Descomposición

Se usa para pronosticar cuando hay un componente de estacionalidad en la serie


de tiempo o si se quiere analizar la naturaleza de los componentes. Separa las
series de tiempo en componentes de tendencia lineal y estacionalidad así como el
error. Se puede usar componente de estacionalidad en modo aditivo o
multiplicativo con la tendencia.

Tiene una amplitud de pronóstico amplia siguiendo la tendencia con el patrón de


estacionalidad.

Modelos de descomposición

Multiplicativo

Yt es la observación en el tiempo t.

Aditivo

Página 12
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

Modelo de ajuste: La descompsición tiene dos pasos:

1. Estimar los índices de estacionalidad usando el método de


promedios móviles.
2. Ajustar la serie en estacionalidad.
3. Estimar la tendencia en la serie ajustada por regresión.

Modelos de pronóstico:

La descomposición calcula el pronóstico como la línea de regresión


multiplicada por (método multiplicativo) o agregado a (método aditivo)
los índices de estacionalidad.

Por ejemplo:

Se desea predecir la tasa de empleo para los siguientes 12 meses en base a


datos colectados durante los últimos 60 meses. Como los datos tienen una
tendencia que se ajusta bien con un modelo de tendencia cuadrática y tiene un
componente estacional se utilizan los residuos del ejemplo del análisis de
tendencias para combinar el análisis de tendencias y descomposición para
pronosticar.

Las intrucciones de Minitab son las siguientes:

1 Correr el ejemplo de Análisis de Tendencias


2 Stat > Time Series > Decomposition.
3 En Variable, indicar la columna de los residuos obtenidos en el análisis de tendencias (donde
fueron almacenados).
4 En Seasonal length, poner 12.
5 EnModel Type, seleccionar Additive. En Model Components, seleccionar Seasonal only.
6 Seleccionar Generate forecasts y poner 12 en Number of forecasts.
7 Seleccionar Storage . Seleccionar Forecasts y Fits.
8 Seleccionar OK en cada cuadro de diálogo

Time Series Decomposition for RESI1

Additive Model
Data RESI1
Length 60
NMissing 0

Accuracy Measures
MAPE 881.582
MAD 2.802
MSD 11.899

Seasonal Indices
Period Index
1 -8.4826
2 -13.3368
3 -11.4410

Página 13
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

4 -5.8160
5 0.5590
6 3.5590
7 1.7674
8 3.4757
9 3.2674
10 5.3924
11 8.4965
12 12.5590

Forecasts
Period Forecast
61 -8.4826
62 -13.3368
63 -11.4410
64 -5.8160
65 0.5590
66 3.5590
67 1.7674
68 3.4757
69 3.2674
70 5.3924
71 8.4965
72 12.5590

Time Series Decomposition Plot for RESI1


Additive Model
20 Variable
Actual
Fits
Trend
10 Forecasts

Accuracy Measures
MAPE 881.582
MAD 2.802
RESI1

0 MSD 11.899

-10

-20
1 7 14 21 28 35 42 49 56 63 70
Index

En esta gráfica se muestran los residuos sin tendencia cuyo ajuste es adecuado,
excepto que al inicio del periodo anual los valores son subestimados y al final del
periodo anual los valores son sobreestimados, también es evidente en la gráfica
de abajo donde los residuos son mayores al principio y menores al final de la
serie.

Página 14
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

Seasonal Analysis for RESI1


Additive Model
Seasonal Indices Original Data, by Seasonal Period

10
10

0 0

-10
-10
-20
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12

Percent Variation, by Seasonal Period Residuals, by Seasonal Period


10
12

5
8

0
4
-5
0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12

Component Analysis for RESI1


Additive Model
Original Data

10
Data

0
-10
-20
1 6 12 18 24 30 36 42 48 54 60
Index

Seasonally Adjusted Data


Seas. Adj. Data

10
0
-10
-20
1 6 12 18 24 30 36 42 48 54 60
Index

Interpretación de los resultados

La descomposición genera tres tipos de gráficas:

1. Una gráfica de serie de tiempo mostrando los datos originales con la línea
de tendencia ajustada, valores estimados y pronósticos
2. Un análisis de componentes con gráficas separadas para la serie, datos sin
tendencia, datos ajustados con estacionalidad y los datos ajustados
estacionalmente y sin tendencias (los residuos).
3. Un análisis estacional, mostrando los índices estacionales y la variación
porcentual dentro de cada estación respecto a la suma de la variación por
estación y gráficas de caja de los residuos por periodo estacional.

Página 15
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

4.4 Promedio móvil

Suaviza los datos al promediar observaciones consecutivas en la serie de tiempo.


Este método es adecuado cuando no hay componente de tendencia ni
estacionalidad, sin embargo hay alternativas si se presentan estos patrones.

Tiene una amplitud de pronóstico corta siguiendo una línea paralela.

MÉTODOS

Promedio móvil:

Se calcula el promedio móvil de la serie. Por ejemplo si se tienen los


números 4, 5, 8, 9, 10 y se usa un promedio móvil de 3. Los primeros dos
valores no existen. El tercer valor es el promedio de 4, 5, y 8; el cuarto valor
es el promedio de 5, 8, y 9; el quinto valor es el promedio de 8, 9, y10.

Ejemplo:

Se desea predecir el empleo durante los próximos 6 meses en el segmento de


metales con los datos de los últimos 60 meses. Se usa el método de promedio
móvil si no se tienen patrones bien definidos de tendencia o estacionalidad en los
datos.

1 Open worksheet EMPLOY.MTW.


2 Seleccionar Stat > Time Series > Moving Average.
3 En Variable, seleccionar Metals. En MA length, poner 3.
4 Seleccionar Center the moving averages.
5 Seleccionar Generate forecasts, y poner 6 en Number of forecasts. Click
OK.

Los resultados obtenidos se muestran a continuación:

Página 16
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

Moving Average for Metals

Data Metals
Length 60
NMissing 0

Moving Average

Length 3

Accuracy Measures

MAPE 1.55036
MAD 0.70292
MSD 0.76433

Forecasts

Period Forecast Lower Upper


61 49.2 47.4865 50.9135
62 49.2 47.4865 50.9135
63 49.2 47.4865 50.9135
64 49.2 47.4865 50.9135
65 49.2 47.4865 50.9135
66 49.2 47.4865 50.9135

Moving Average Plot for Metals


52 Variable
Actual
Fits
50 Forecasts
95.0% PI

Moving Average
48
Length 3

Accuracy Measures
Metals

46 MAPE 1.55036
MAD 0.70292
MSD 0.76433
44

42

40

1 7 14 21 28 35 42 49 56 63
Index

Página 17
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

Interpretación de resultados

Se obtiene la gráfica de serie de tiempo mostrando los valores observados y


estimados (un periodo adelante), además de los seis pronósticos. Note que el
patrón de datos estimados va detrás del patrón de datos.

MÉTODOS DE SUAVIZACIÓN EXPONENCIAL

Los métodos de suavizamiento exponencial han sido utilizados con éxito a través
de los años en muchos problemas de pronóstico. Fueron sugeridos en 1957 por
C.C. Holt para su aplicación en series de tiempo sin tendencia ni estacionalidad.
Posteriormente el mismo ofreció un procedimiento que manejara tendencias.
Después Winters en 1965 generalizó el método para incluir estacionalidad, de ahí
el nombre de “Método de Holt Winters”.

4.5 Suavizamiento exponencial simple (Holt)

Se aplica cuando solo si se tiene un comportamiento de la serie de tiempo sin


tendencia o estacionalidad.

Suaviza los datos por medio de la fórmula de pronóstico de ARIMA de un paso


adelante ARIMA (0,1,1). Este modelo trabaja mejor sin uno de los componentes de
tendencia o estacionalidad. El componente simple dinámico en un modelo de
promedio móvil es el nivel.

Tiene una amplitud de pronóstico corta siguiendo una línea paralela.

Página 18
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

MÉTODO DE SUAVIZAMIENTO EXPONENCIAL SIMPLE

Los valores suavizados (estimados) se obtienen ya sea con un peso óptimo


generado o con un peso específico manual.

Peso óptimo de ARIMA:

1. Se ajustan los datos con un modelo ARIMA(0,1,1) y se guardan los Y


estimados.

2. Los valores suavizados son los valores Y estimados por ARIMA, pero
desplazados en una unidad de tiempo.

3. El valor inicial (en tiempo uno) por atraso es:

Valor inicial suavizado = [Valor suavizado del periodo 2 - α (dato en periodo 1)] / (1-α )
Donde (1-α ) estima el parámetro MA.

Peso especificado

1. Se usa el promedio de los primeros seis (o N si N<6) observaciones para el


valor inicial suavizado (en tiempo uno).

2. Los valores suavizados subsecuentes se calculan de la fórmula:

Valor suavizado en tiempo t = α (dato en periodo t)] + (1-α ) (valor suavizado en periodo t-
1)
Donde α es el peso.

Pronósticos: el valor estimado en el periodo t, es el valor suavizado en el periodo


t – 1. Los pronósticos son los valores estimados en el origen de pronóstico

Por ejemplo:

Se desea predecir el empleo durante los próximos 6 meses en el segmento de


metales con los datos de los últimos 60 meses. Se usa el método de promedio
móvil si no se tienen patrones bien definidos de tendencia o estacionalidad en los
datos.

1 Open worksheet EMPLOY.MTW.


2 Seleccionar Stat > Time Series > Single Exp Smoothing.
3 En Variable, poner Metals.
4 Seleccionar Generate forecasts, y 6 en Number of forecasts. Click OK.

Los resultados se muestran a continuación:

Página 19
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

Single Exponential Smoothing for Metals


Data Metals
Length 60
Smoothing Constant
Alpha 1.04170

Accuracy Measures
MAPE 1.11648
MAD 0.50427
MSD 0.42956

Forecasts
Period Forecast Lower Upper
61 48.0560 46.8206 49.2914
62 48.0560 46.8206 49.2914
63 48.0560 46.8206 49.2914
64 48.0560 46.8206 49.2914
65 48.0560 46.8206 49.2914
66 48.0560 46.8206 49.2914

Single Exponential Smoothing Plot for Metals


52 Variable
Actual
Fits
50 Forecasts
95.0% PI

Smoothing Constant
48
Alpha 1.04170

Accuracy Measures
Metals

46 MAPE 1.11648
MAD 0.50427
MSD 0.42956
44

42

40

1 7 14 21 28 35 42 49 56 63
Index

Interpretación de resultados

Se obtiene la gráfica de serie de tiempo mostrando los valores observados y


estimados (un periodo adelante), además de los seis pronósticos. Note que el
patrón de datos estimados va detrás del patrón de datos.

Se indica la constante de suavizamiento (peso) utilizada y las medidas MAPE,


MAD y MSD de 1.12, 0.70 y 0.76 con un mejor ajuste que en el método de
promedio móvil con valores 1.55, 0.70 y 0.76 respectivamente.

4.6 Suavizamiento exponencial doble (Holt)

Se aplica cuando en la serie de tiempo se presenta una tendencia ascendente o


descendente pero sin estacionalidad.

Página 20
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

A continuación se muestra

Suaviza los datos por medio de la fórmula de pronóstico de ARIMA de un paso


adelante ARIMA (0,2,2). Este modelo trabaja bien cuando está presente el
componente de tendencia pero también sirve como un método de suavizamiento
general. El método de suavizamiento exponencial doble calcula estimados
dinámicos para dos componentes: nivel y tendencia.

Tiene una amplitud de pronóstico corta siguiendo una línea de tendencia con
pendiente igual a la de la última tendencia estimada.

Página 21
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

MÉTODO DE SUAVIZAMIENTO EXPONENCIAL DOBLE

El suavizamiento exponencial doble emplea un componente de nivel y un


componente de tendencia en cada uno de los periodos. Usa dos pesos, o
parámetros de suavización, actualiza los componentes cada periodo. Las
ecuaciones son:

Los valores iniciales en tiempo cero con la observación 1 se estiman por los
métodos siguientes:

Pesos óptimos de ARIMA:

1. Se ajustan los datos con un modelo ARIMA(0,2,2) y se guardan los Y


estimados, minimizando los cuadrados de los errores.

2. Los valores iniciales (en tiempo uno) se inicializan por atraso.

Pesos especificados

1. Se hace una regresión lineal en los datos de la serie (Y) contra el tiempo (X).

2. La constante de esta regresión es el valor inicial estimado del componente de


nivel, el coeficiente de la pendiente es el estimado inicial del componente de
tendencia.

Pronósticos: el método de suavizamiento exponencial doble usa los componentes


de nivel y de tendencia para generar los pronósticos. El pronóstico para m
periodos delante de un punto en el tiempo t es:

Lt + mTt

Donde Lt es el nivel y Tt es la tendencia en el tiempo t.

Página 22
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

Por ejemplo:

1 Open worksheet EMPLOY.MTW.


2 Seleccionar Stat > Time Series > Double Exp Smoothing.
3 En Variable, poner Metals.
4 Seleccionar Generate forecasts, y 6 en Number of forecasts. Click OK.

Los resultados se muestran a continuación:


Double Exponential Smoothing for Metals
Data Metals
Length 60

Smoothing Constants
Alpha (level) 1.03840
Gamma (trend) 0.02997

Accuracy Measures
MAPE 1.19684
MAD 0.54058
MSD 0.46794

Forecasts
Period Forecast Lower Upper
61 48.0961 46.7718 49.4205
62 48.1357 46.0600 50.2113
63 48.1752 45.3135 51.0368
64 48.2147 44.5546 51.8747
65 48.2542 43.7899 52.7184
66 48.2937 43.0221 53.5652

Double Exponential Smoothing Plot for Metals


54 Variable
Actual
Fits
52 Forecasts
95.0% PI
50 Smoothing Constants
Alpha (level) 1.03840
48 Gamma (trend) 0.02997
Metals

Accuracy Measures
MAPE 1.19684
46
MAD 0.54058
MSD 0.46794
44

42

40

1 7 14 21 28 35 42 49 56 63
Index

Interpretación de resultados

Se obtiene la gráfica de serie de tiempo mostrando los valores observados y


estimados (un periodo adelante), además de los seis pronósticos. Note que el
patrón de datos estimados va detrás del patrón de datos.

Página 23
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

Se indican las constantes de suavizamiento y de tendencia (pesos) utilizadas, y


las medidas MAPE, MAD y MSD de 1.19684, 0.54058, y 0.46794 para
suavizamiento exponencial doble comparados con con un ligero mejor ajuste que
en el método de suavizamiento exponencial simple cuyos valores fueron 1.12,
0.70 y 0.76 respectivamente.

4.7 Método de Winters

Se aplica cuando en la serie de tiempo se presentan los patrones de tendencia y


estacionalidad.

Suaviza los datos por el método exponencial de Holt – Winters. Se recomienda


este método cuando se tienen presentes los componentes de tendencia y
estacionalidad ya sea en forma aditiva o multiplicativa.

El efecto multiplicativo se presenta cuando el patrón estacional en los datos


depende del tamaño de los datos o sea cuando la magnitud del patrón estacional
se incrementa conforme los valores aumentan y decrece cuando los valores de los
datos disminuyen.

El efecto aditivo es mejor cuando el patrón estacional en los datos no depende del
valor de los datos, o sea que el patrón estacional no cambia conforme la serie se
incrementa o disminuye de valor.

El método de Winters calcula los estimados de de tres componentes: nivel,


tendencia y estacionalidad. Calcula estimados dinámicos con ecuaciones para los
tres componentes: nivel, tendencia y estacionalidad. Estas ecuaciones dan una
mayor ponderación a observaciones recientes y menos peso a observaciones
pasadas, las ponderaciones decrecen geométricamente a una tasa constante

La ponderación seleccionada para Nivel, tendencia y estacionalidad es de 0.2 si


se quiere hacer una correspondencia con el modelo ARIMA u otros valores entre 0
y 1 para reducir los errores de estimación.

Tiene una amplitud de pronóstico de corta a media siguiendo una tendencia con
un patrón estacional.

Página 24
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

A continuación se muestra una gráfica con sus pronósticos utilizando un


suavizamiento exponencial triple.

El Método de Holt – Winters se puede ejecutar en forma sencilla con ayuda del
paquete estadístico Minitab.

A continuación se muestra un ejemplo comparando los tres métodos:

Página 25
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

Página 26
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

Ejemplo de pronósticos utilizando el Método de Winters

Se desea predecir el empleo para los siguientes seis meses en la industria


alimenticia usando datos colectados sobre los últimos 60 meses, usando el
método de Winters con el modelo multiplicativo, dado que hay componente
estacional y de tendencia aparente en los datos.

Instrucciones de Minitab

1 Open Worksheet EMPLOY.MTW.


2 Ejecutar Stat > Time Series > Winters' Method.
3 En Variable, poner Food. In Seasonal length, 12 .
4 En Model Type, seleccionar Multiplicative.
5 Seleccionar Generate forecasts poner 6 en Number of forecasts. Seleccionar OK.

Winters' Method for Food


Multiplicative Method
Data Food
Length 60

Smoothing Constants
Alpha (level) 0.2
Gamma (trend) 0.2
Delta (seasonal) 0.2

Accuracy Measures
MAPE 1.88377
MAD 1.12068
MSD 2.86696

Forecasts
Period Forecast Lower Upper
61 57.8102 55.0646 60.5558
62 57.3892 54.6006 60.1778
63 57.8332 54.9966 60.6698
64 57.9307 55.0414 60.8199
65 58.8311 55.8847 61.7775
66 62.7415 59.7339 65.7492

Página 27
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

Winters' Method Plot for Food


Multiplicative Method
Variable
75 Actual
Fits
Forecasts
70 95.0% PI

Smoothing Constants
Alpha (level) 0.2
65 Gamma (trend) 0.2
Food

Delta (seasonal) 0.2

Accuracy Measures
60
MAPE 1.88377
MAD 1.12068
MSD 2.86696
55

50

1 7 14 21 28 35 42 49 56 63
Index

Interpretación de los resultados

La gráfica muestra los valores de la serie y los valores estimados (un periodo
adelante) y los seis pronósticos.

Los valores de exactitud del modelo MAPE, MAD y MSD utilizando el modelo
Multiplicativo proporcionan un mejor ajuste en dos de los tres indicadores que con
el modelo Aditivo como se muestra a continuación.

Accuracy Measures
Multiplicative Additive
MAPE 1.88377 1.95
MAD 1.12068 1.15
MSD 2.86696 2.67

ANÁLISIS DE CORRELACIÓN Y MÉTODO DE ARIMA

El análisis de correlación, análisis de diferencias, autocorrelación y autocorrelación


parcial, son utilizadas para identificar un modelo adecuado de ARIMA.

El Modelo ARIMA puede utilizarse para modelar series de tiempo con o sin
componentes de tendencia o estacionalidad y proporcionar pronósticos. El perfil
de pronóstico depende del modelo de ajuste. Tiene la ventaja de ser más flexible
que los métodos de suavizamiento para el ajuste de los datos, sin embargo la
identificación del modelo adecuado consume tiempo y no puede ser fácilmente
automatizado.

Página 28
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

4.8 Diferencias y atrasos

Las diferencias se calculan entre los valores de los datos de la serie de tiempo,
sirven para identificar patrones de tendencia y estacionalidad.

Los atrasos (lags), son valores anteriores con los que se determina el siguiente
valor pronosticado.

Ejemplo:

Si se desean obtener diferencias y atrasos de 12 meses con los datos de


Employ.mtw se tiene:

Intrucciones de Minitab:

1. Open Worksheet Employ.mtw


2. Stat > Time series > Differences
3. Series Food
4. Store Differences in C4
5. Lag 12
6. OK

Y para los retrasos (lags):

1. Open Worksheet Employ.mtw


2. Stat > Time series > Lags
3. Series Food
4. Store Lags in C5
5. Lag 12
6. OK

Los resultados parciales se muestran a continuación:

C4 C5
Food Diferencias Retrasos
53.5 * *
53 * *
53.2 * *
52.5 * *
53.4 * *
56.5 * *
65.3 * *
70.7 * *
66.9 * *
58.2 * *
55.3 * *
53.4 * *

Página 29
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

52.1 -1.4 53.5


51.5 -1.5 53
51.5 -1.7 53.2
52.4 -0.1 52.5
53.3 -0.1 53.4
55.5 -1 56.5
64.2 -1.1 65.3
69.6 -1.1 70.7
69.3 2.4 66.9
58.5 0.3 58.2
55.3 0 55.3
53.6 0.2 53.4
52.3 0.2 52.1
51.5 0 51.5
51.7 0.2 51.5
51.5 -0.9 52.4
52.2 -1.1 53.3
57.1 1.6 55.5

4.8 Autocorrelación

La autocorrelación: es la correlación entre observaciones de una serie de tiempo


separadas por K unidades de tiempo, su gráfica se denomina función de
autocorrelación (ACF), su análisis permite seleccionar los términos a ser incluidos
en el modelo ARIMA.

Una gráfica de autocorrelación, permite identificar estacionalidad donde no es fácil


de apreciar, como se observa en la gráfica siguiente:

Primero se obtiene una gráfica de corridas normal, por ejemplo:

Esta gráfica indica cierto nivel de estacionalidad.

Página 30
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

La gráfica de autocorrelación se muestra a continuación:

La gráfica muestra ambos un decaimiento exponencial con oscilaciones


sinusoidales amortiguadas, esto indica que un modelo autoregresivo de orden
mayor a uno puede ser apropiado, el orden puede determinarse con una gráfica
de autocorrelación parcial como sigue:

De la gráfica se muestran picos de orden 2 que exceden los límites de confianza,


por lo que el modelo debe tener este orden ARIMA(2).

Página 31
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

Ejemplo de autocorrelación:

Se desea predecir el empleo para los siguientes seis meses en la industria


alimenticia usando datos colectados sobre los últimos 60 meses, se utiliza el
modelo de autocorrelación para identificar el modelo ARIMA adecuado.

Como los datos muestran un comportamiento estacional de 12 meses, se toma


una diferencia en el valor anterior 12 para que sea estacionario y buscar
correlación de las series diferenciadas. En estos datos la magnitud de la tendencia
a largo plazo se ve pequeña respecto al componente de estacionalidad, si hubiera
sido mayor se podría haber considerado tomar otra diferencia en el valor anterior 1
para inducir que sea estacionario.
Las instrucciones de Minitab son las siguientes:

1 Open worksheet EMPLOY.MTW.


2 Ejecutar Stat > Time Series > Differences.
3 En Series, poner Food.
4 En Store differences in, poner Food2.
5 En Lag, poner 12 . OK.

6 Ejecutar Stat > Time Series > Autocorrelation.


7 En Series, poner Food2. OK.

Autocorrelation Function: Food2


Lag ACF T LBQ
1 0.701388 4.86 25.12
2 0.512266 2.52 38.81
3 0.366882 1.60 45.99
4 0.310364 1.29 51.24
5 0.234743 0.94 54.32
6 0.173069 0.68 56.03
7 0.162046 0.63 57.57
8 0.170051 0.66 59.30
9 0.322438 1.24 65.70
10 0.252774 0.94 69.74
11 0.208020 0.76 72.54
12 0.150936 0.55 74.06

Página 32
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

Interpretación de los resultados

Si no se especifica la amplitud de valores anteriores (lag lenght), se toma n/4 para


series con menos de 240 datos. Se genera la función de autocorrelación (ACF)
con bandas de confianza en 5% para comprobar la hipótesis de que las
correlaciones son iguales a cero.

Los valores de la función ACF muestran picos significativos en los valores


anteriores (lags) 1 y 2 con valores subsiguientes que no decaen rápidamente,
patrón típico de un proceso autoregresivo.

4.9 Autocorrelación parcial:

Es la correlación entre conjuntos de pares ordenados de una serie de tiempo,


mide la fuerza de la relación con otros términos tomados en cuenta. La
autocorrelación parcial en una posición K es la correlación entre residuos en
tiempo t de un modelo autoregresivo y las observaciones en la posición K con
términos para todas las posiciones que intervienen en el modelo autoregresivo. Su
gráfica se denomina función de autocorrelación (PACF). su análisis permite
seleccionar los términos a ser incluidos en el modelo ARIMA.

La correlación cruzada: es la correlación entre dos series de tiempo.

Ejemplo:

Se obtiene una función de autocorrelación parcial (PACF) de los datos de empleo


anteriores, después de tomar una diferencia del valor anterior 12 para determinar
el modelo ARIMA más adecuado.

Página 33
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

Las instrucciones de Minitab son las siguientes:

1 Worksheet EMPLOY.MTW
2 Ejecutar Stat > Time Series > Differences.
3 En Series, poner Food.
4 En Store differences in, poner Food2.
5 En Lag, poner 12 . OK.
6 Ejecutar Stat > Time Series > Partial Autocorrelation .
7 En Series, poner Food2. OK.

Interpretación de resultados

Se generan bandas de confianza en 5% para la hipótesis de que las correlaciones


son iguales a cero. Se observa un pico de 0.7 en el valor anterior 1, típico de un
proceso autoregresivo de orden 1, hay otro en el valor anterior 9 pero no hay
evidencia de que un proceso no aleatorio en ese punto.

Página 34
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

4.10 El método ARIMA

Ajusta el modelo ARIMA de Box Jenkins a una serie de tiempo, representa pasos
de filtraje hasta que solo haya ruido aleatorio, se usa para generar pronósticos.

De acuerdo a Box y Jenkins para ajustar un modelo ARIMA a una serie de tiempo
proponen un método iterativo que incluye:

 Identificar el modelo aplicando el juicio del analista.


 Estimar los parámetros.
 Verificar la adecuación del modelo.
 Hacer pronósticos de ser necesario.

1. Primero, decidir si los datos son estacionarios. Es decir si los datos poseen
media y varianza constante.

 Examinar la gráfica de serie de tiempo para si es necesaria una


transformación para tener varianza constante.
 Examinar la función de autocorrelación (ACF) para ver si las
autocorrelaciones no decaen, indicando que se pueden requerir diferencias
para dar una media constante.

Un patrón de estacionalidad que se repite cada k-ésimo intervalo de tiempo


sugiere tomar una diferencia k-ésima para eliminar una porción del patrón. La
mayoría de las series no requieren más de dos operaciones de diferencias u
órdenes. Si los picos de la ACF decaen rápidamente, no hay necesidad de
diferencias adicionales. Una indicación de sobre diferenciación de una serie es
que la primera autocorrelación es cercana a -0.5 y pequeños valores dondequiera.

Página 35
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

Usar Stat > Time Series > Differences para obtener las diferencias. Examinar las
funciones ACF y PACF de las serie de datos diferenciada, con Stat > Time Series
> Autocorrelation y Stat > Time Series > Partial Autocorrelation.

2. Después, examiner las funciones ACF y PACF de los datos estacionarios de


manera de identificar que modelo autorregresivo o de promedio móvil se sugiere.

 Una función ACF con picos altos iniciales que decaen a cero o una función
PACF con picos altos en el primero y posiblemente en el segundo atraso
indica un proceso autorregresivo.
 Una función ACF con pico alto inicial y posiblemente en el segundo retraso
y una función PACF con picos altos en los primeros atrasos que decaen a
cero indica un proceso de promedio móvil.
 Si las funciones ACF y PACF tienen pico altos que gradualmente caen a
cero indican que los procesos de promedios móviles y autoregresivo están
presentes.

3. Una vez que se ha identificado uno o más de los modelos a utilizar, continuar
con el procedimiento de ARIMA.

 Ajustar el modelo y examinar la significancia de los parámetros y


seleccionar un modelo que tenga el mejor ajuste.
o Si se desea un modelo estacional (intervalo en que se repite el
patrón) seleccionar Fit seasonal model e introducir el periodo (default
12).
o
o Para especificar los parámetros del modelo de promedios móviles y
autoregresivo incluyendo el modelo estacional o no estacional
ARIMA, seleccionar un valor de 0 a 5. Al menos uno de esos
parámetros no debe ser cero. La mayoría de modelo sólo requieren
dos parámetros. Si se pone 2 en la celda Moving Average en Seasonal
el modelo incluirá términos de primero y segundo orden de
promedios móviles.

o Para especificar el número de diferencias estaciónales o no


estaciónales a tomar, poner el número en la celda apropiada. Si se
requiere una diferencia estacional de K como el periodo de
estacionalidad, se tomará la diferencia k-ésima.
o Para incluir la constante en el modelo, seleccionar Include constant
term in model.
 Checar que las funciones ACF y PACF de residuos indiquen un proceso
aleatorio, sin picos altos, usando las gráficas de ARIMA. Si hay picos altos,
considerar cambiar el modelo.

Página 36
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

Ejemplo de ARIMA

Las gráficas de autocorrelación (ACF) y de autocorrelación parcial (PACF)


sugieren un modelo de autoregresivo de orden 1 o AR(1), después de tomar una
diferencia de 12.

Ahora se corre el modelo, analizando las gráficas y la bondad de ajuste.

Para tomar una diferencia estacional de orden 12, se especificó el periodo


estacional de 12 y el orden de la diferencia 1, con esto se realiza el pronóstico.

Instrucciones de Minitab
1 Worksheet EMPLOY.MTW.
2 Stat > Time Series > ARIMA.
3 En Series, poner Food.
4 Seleccionar Fit seasonal model. En Period poner 12 en Nonseasonal, poner 1 en
Autoregressive. En Seasonal, poner 1 en Difference .
5 Seleccionar Graphs. Seleccionar ACF of residuals y PACF of residuals .
6 OK en cada cuadro de diálogo.

ARIMA Model: Food


Estimates at each iteration
Iteration SSE Parameters
0 95.2343 0.100 0.847
1 77.5568 0.250 0.702
2 64.5317 0.400 0.556
3 56.1578 0.550 0.410
4 52.4345 0.700 0.261
5 52.2226 0.733 0.216
6 52.2100 0.741 0.203
7 52.2092 0.743 0.201
8 52.2092 0.743 0.200
9 52.2092 0.743 0.200

Relative change in each estimate less than 0.0010

Final Estimates of Parameters

Type Coef SE Coef T P


AR 1 0.7434 0.1001 7.42 0.000

Constant 0.1996 0.1520 1.31 0.196

Differencing: 0 regular, 1 seasonal of order 12

Number of observations: Original series 60, after differencing 48

Residuals: SS = 51.0364 (backforecasts excluded)


MS = 1.1095 DF = 46

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Página 37
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

Lag 12 24 36 48
Chi-Square 11.3 19.1 27.7 *
DF 10 22 34 *
P-Value 0.338 0.641 0.768 *

Interpretación de resultados

El modelo ARIMA converge en 9 iteraciones. El modelo AR(1) tiene un estadístico


t de 7.42, como regla si t es mayor a 2 se puede juzgar el parámetro como
significativo diferente de cero. El MSE (1.1095) se usa para comparar el ajuste de
diferentes modelos ARIMA. Los residuos no parecen estar correlacionados como
se muestra en las gráficas (estan dentro de los intervalos de confianza, asumiendo
que el valor 9 es aleatorio). El modelo AR(1) parece ser adecuado para
pronosticar.

Página 38
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

En el ejemplo anterior se encontró que un modelo AR(1) con una diferencia


estacional de 12 da un buen ajuste para el sector de Food de los datos de empleo.

Ahora se puede pronosticar esta estimación para los siguientes 12 meses.

Corrida de ARIMA para pronósticos:

Paso 1. Correr el modelo ARIMA sin gráficas de ACF y PACF de los residuos

Instrucciones de Minitab
1 Worksheet EMPLOY.MTW.
2 Stat > Time Series > ARIMA.
3 En Series, poner Food.
4 Seleccionar Fit seasonal model. En Period poner 12 en Nonseasonal, poner 1 en
Autoregressive. En Seasonal, poner 1 en Difference .

Paso 2: Mostrar la Gráfica de serie de tiempo

1 Seleccionar Graphs. Seleccionar Time series plot. OK.

Paso 3. Generar los pronósticos

1 Seleccionar Forecast. en Lead, poner 12 . OK en cada cuadro de diálogo.

ARIMA Model: Food


Estimates at each iteration
Iteration SSE Parameters
0 95.2343 0.100 0.847
1 77.5568 0.250 0.702
2 64.5317 0.400 0.556
3 56.1578 0.550 0.410
4 52.4345 0.700 0.261
5 52.2226 0.733 0.216
6 52.2100 0.741 0.203
7 52.2092 0.743 0.201
8 52.2092 0.743 0.200
9 52.2092 0.743 0.200

Relative change in each estimate less than 0.0010


Final Estimates of Parameters

Type Coef SE Coef T P


AR 1 0.7434 0.1001 7.42 0.000

Constant 0.1996 0.1520 1.31 0.196

Differencing: 0 regular, 1 seasonal of order 12

Number of observations: Original series 60, after differencing 48

Residuals: SS = 51.0364 (backforecasts excluded)


MS = 1.1095 DF = 46

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Página 39
Metodología de análisis con Series de tiempo P. Reyes / Marzo 2007

Lag 12 24 36 48

Chi-Square 11.3 19.1 27.7 *


DF 10 22 34 *

P-Value 0.338 0.641 0.768 *

Forecasts from period 60


95 Percent

Limits
Period Forecast Lower Upper Actual
61 56.4121 54.3472 58.4770
62 55.5981 53.0251 58.1711
63 55.8390 53.0243 58.6537
64 55.4207 52.4809 58.3605
65 55.8328 52.8261 58.8394
66 59.0674 56.0244 62.1104
67 69.0188 65.9559 72.0817
68 74.1827 71.1089 77.2565
69 76.3558 73.2760 79.4357
70 67.2359 64.1527 70.3191
71 61.3210 58.2360 64.4060
72 58.5100 55.4240 61.5960

Interpretación de resultados

El modelo ARIMA proporciona pronósticos con bandas de confianza en 95%,


usando el modelo AR(1) la estacionalidad domina el perfil de pronósticos para los
próximos 12 meses con los valores pronosticados ligeramente mayores que los 12
meses previos.

Página 40

You might also like