Revision General De Series De Tiempo

Revisión general de series de tiempo

(Tomado de Minitab 15 en español)

LOs procedimientos de series de tiempo de Minitab pueden utilizarse para analizar los datos recopilados durante un tiempo determinado, comúnmente denominados series de tiempo. Estos procedimientos incluyen los métodos de pronóstico y suavización simples, métodos de análisis de correlaciones y el modelo ARIMA. Aunque el análisis de correlaciones puede realizarse separadamente del modelo ARIMA, presentamos los métodos de correlación como parte del modelo ARIMA.

Los métodos de pronóstico y suavización simples se basan en la idea de que se puede lograr pronósticos confiables al modelar los patrones en los datos que habitualmente están visibles en una gráfica de series de tiempo y luego extrapolar dichos patrones en el futuro. La selección de su método se debe basar en si los patrones son estáticos (constantes en el tiempo) o dinámicos (cambios en el tiempo), la naturaleza de los componentes de tendencia y estacional y hasta dónde desea pronosticar. Estos métodos son generalmente fáciles y rápidos de aplicar.

El modelo ARIMA también utiliza los patrones en los datos, pero estos patrones pueden no estar visibles fácilmente en una gráfica de los datos. En su lugar, el modelo ARIMA utiliza las funciones de diferenciación, autocorrelación y autocorrelación parcial para identificar un modelo aceptable. ARIMA significa Autoregressive Integrated Moving Average (Promedio móvil integrado autorregresivo), lo cual representa los pasos de filtrado que se tomaron para construir el modelo ARIMA hasta que solamente queda el ruido aleatorio. Si bien los modelos ARIMA son valiosos para los procesos temporales de modelado y también se utilizan para los pronósticos, el ajuste de un modelo es un enfoque iterativo que pudiera no prestarse para la velocidad y volumen de la aplicación.

Métodos de pronóstico y suavización simples

Los métodos de pronóstico y suavización simples modelan los componentes en una serie que habitualmente se visualiza fácilmente en una gráfica de series de tiempo de los datos. Este enfoque descompone los datos en los componentes que lo integran y luego extiende los estimados de los componentes en el futuro para generar pronósticos. Usted puede elegir entre los métodos estáticos del análisis de tendencia y descomposición o los métodos dinámicos de promedio móvil, suavización exponencial individual y doble y el método de Winters. Los métodos estáticos tienen patrones que no cambian con el tiempo, los métodos dinámicos tienen patrones que sí cambios con el tiempo y los cálculos se actualizan utilizando los valores contiguos.

Usted puede utilizar dos métodos combinados. Es decir, usted puede elegir un método estático para modelar un componente y un método dinámico para modelar otro componente. Por ejemplo, usted puede ajustar una tendencia estática utilizando un análisis de tendencia y dinámicamente modelar el componente estacional en los residuos utilizando el método de Winters. O puede ajustar un modelo estacional estático utilizando la descomposición y dinámicamente modelar el componente de tendencia en los residuos utilizando la suavización exponencial doble. Usted también puede aplicar un análisis de tendencia y descomposición juntos; de manera que pueda utilizar la selección más amplia de modelos de tendencia ofrecidos por el análisis de tendencia (véase Ejemplo de análisis de tendencia y Ejemplo de descomposición). Una desventaja de la combinación de métodos es que los intervalos de confianza para los pronósticos no son válidos.

Para cada uno de los métodos, la siguiente tabla muestra un resumen y una gráfica de ajustes y pronósticos de datos típicos.

COMANDO PRONOSTICO

Análisis de tendencia

Ajusta un modelo de tendencia general a los datos de las series de tiempo. Elija entre los modelos lineal, cuadrático, crecimiento o decadencia exponencial y curva S. Utilice este procedimiento para ajustar la tendencia cuando no existan componentes estacionales en sus series. Longitud: largo

Perfil: extensión de la línea de tendencia

Descomposición

Separa las series de tiempo en componentes de tendencia lineal y estacional, así como error. Elija si el componente estacional es aditivo o multiplicativo con la tendencia. Utilice este procedimiento para pronosticar cuándo hay un componente estacional en sus series o si usted desea simplemente examinar la naturaleza de las partes integrales Longitud: largo

Perfil: tendencia con patrón de estación

Promedio móvil

Suaviza sus datos al promediar las observaciones consecutivas en una serie. Este procedimiento puede ser una opción probable si sus datos no tienen un componente de tendencia o estacional. Sin embargo, hay maneras de utilizar los promedios móviles cuando sus datos posean tendencia y/o estacionalidad.

Longitud: corto

Perfil: línea plana

Suavización exponencial simple

Suaviza sus datos utilizando la fórmula de pronóstico de ARIMA óptimo (0,1,1) de un paso adelante. Este procedimiento funciona mejor sin un componente de tendencia o estacional. El componente dinámico individual en un modelo de promedio móvil es el nivel. Longitud: corto

Perfil: línea plana

Suavización exponencial doble

Suaviza sus datos utilizando la fórmula de pronóstico de ARIMA óptimo (0,2,2) un paso adelante. Este procedimiento puede funcionar mejor cuando la tendencia está presente, pero también puede servir como un método de suavización general. La suavización exponencial doble calcula las

...