You are on page 1of 39

Metodología de análisis con Series de tiempo

P. Reyes / Marzo 2007

5

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

Reyes / Marzo 2007 2. Diagramas de caja múltiples Página 4 .Metodología de análisis con Series de tiempo P.

mide la exactitud de los valores estimados de la serie de tiempo. MAD: Desviación media absoluta. Página 5 . MAPE: Porcentaje promedio absoluto de error. 3. con un máximo en Junio y un mínimo en Septiembre. 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. y observaciones. mide la exactitud de los valores estimados de la serie de tiempo. MAD y MSD ya que representa un mejor ajuste del modelo.Metodología de análisis con Series de tiempo P. La exactitud se expresa como un porcentaje con ˆ t es el valor estimado y n el número de yt igual al valor observado. 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. Expresa la exactitud en las mismas unidades de los datos.

sin embargo puede que no sean fácilmente visibles en la serie de tiempo. 2. 4. Para patrones que cambian en el tiempo y sus estimados son determinados por los valores más cercanos. El modelo usa funciones de diferencias. Métodos de pronóstico ARIMA (Autoregressive Integrated Moving Average): también usan patrones de datos.Metodología de análisis con Series de tiempo P. la naturaleza de los componentes de tendencia y estacionalidad y que tan lejos se quiera pronosticar. Se pueden seleccionar los métodos siguientes: 1. son métodos generalmente fáciles y rápidos de aplicar. Reyes / Marzo 2007 MSD: Desviación cuadrática media.1 MÉTODOS DE PRONÓSTICO Y SUAVIZAMIENTO SIMPLE: Modelan componentes en una serie que normalmente son fáciles de ver en una serie de tiempo. El método se selecciona dependiendo de si los patrones son estáticos (constantes en el tiempo) o dinámicos (cambian en el tiempo). Métodos estáticos de análisis de tendencias y descomposición para patrones que no cambian con el tiempo. autocorrelación y autocorrelación parcial para ayudar a identificar un modelo aceptable. es más sensible a errores anormales de pronóstico que el MAD. Es un proceso iterativo que consume tiempo de ejecución. 4. Este método descompone los datos en sus partes componentes y los extiende al futuro para pronosticar. MÉTODOS DE PRONÓSTICO Los métodos de series de tiempo incluyen métodos de pronóstico y de suavizamiento simples. métodos de suavizamiento exponencial simple y doble y método de Winters. Métodos dinámicos de promedio móvil. 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. métodos de análisis de correlación y métodos de Box Jenkins ARIMA. El modelo ARIMA representa una serie de pasos de filtraje hasta que solo queda ruido aleatorio. Página 6 .

Usar este modelo si no hay componente estacional en el patrón de serie de tiempo. se puede seleccionar un modelo lineal. 4. Reyes / Marzo 2007 Se pueden usar los dos métodos combinados. exponencial (crecimiento o declinación) y de curva – S (para tecnología). 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. Tiene una amplitud de pronóstico amplia siguiendo la línea de tendencia. Página 7 .2 Método de análisis de tendencias Ajusta un modelo general de tendencias a datos de series de tiempo. Ajustar con modelos de tendencia y descomposición al mismo tiempo. cuadrático.Metodología de análisis con Series de tiempo P. A continuación se presenta un ejemplo de cada método. Una desventaja de combinar métodos es que los intervalos de confianza de los pronósticos no son válidos. es decir se puede utilizar un método para modelar un componente y otro para modelar otros componentes. 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.

8 44.8 68.9 45.2 52.1 48.5 46.8 44.2 45.6 57.4 53. 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.4 43.5 53 53.7 66.3 70.4 50 Página 8 .2 44.5 48.3 44.1 64.5 53.4 42. Crecimiento exponencial Toma en cuenta el crecimiento o decaimiento exponencial.2 41.1 53.5 45 44.7 69.4 52.5 53.4 42.1 51.3 44.5 53.6 42. Por ejemplo el comportamiento de una cuenta de ahorros.4 70. Reyes / Marzo 2007 Las fórmulas se muestran a continuación: MODELOS DE TENDENCIA Lineal 1 representa el cambio promedio de un periodo a otro.2 46.3 49. Cuadrático Toma en cuenta la curvatura simple en los datos.MTW.4 Trade 351 354 355 357 362 368 348 345 349 355 362 367 366 370 371 375 380 Food 63.1 42. Toma en cuenta las observaciones que se ajustan a una curva con forma de S.5 52.5 65.8 44.9 57.6 53.9 Metals 44.3 Metals 44.9 49. Curva S de Pearl-Reed.1 42 42.2 55.4 56.3 48.4 44.2 45 45.4 43.3 53.1 55.3 62.Metodología de análisis con Series de tiempo P.5 51. Trade 322 317 319 323 327 328 325 326 330 334 337 341 322 318 320 326 332 Food 53.8 47.9 60.9 58.3 53. EMPLOY.8 40.9 53.6 68.

1 Las instrucciones de Minitab son las siguientes: 1 Open Worksheet EMPLOY.5 55.3 53.8 43 42.8 54. se usa un análisis de tendencias con un modelo cuadrático. Residuals (detrended data). 4 En Model Type.9 43.6 54.3 49.5 66.6 50.3 51.3 75. Página 9 .2 69.5 51. Seleccionar OK en cada diálogo.8999 MAD 6. Como también hay un componente estacional se guardan los valores estimados y los residuos para realizar una descomposición de los residuos posteriormente.3 42.2 57.MTW.5 52.7 51.6 42.16485*t 400 390 380 370 Variable Actual Fits Forecasts Accuracy Measures MAPE 1.6 69. 3 En Variable.6 44. 7 Seleccionar Fits (Trend Line) . 2 Ejecutar Stat > Time Series > Trend Analysis.5 51.7 50.2 54.2 48.5 64.3 58.5 57. Trend Analysis Plot for Trade Linear Trend Model Yt = 313.989 + 1.1 42.Metodología de análisis con Series de tiempo P.2 50.5 42.4 60.4325 Trade 360 350 340 330 320 310 1 7 14 21 28 35 42 Index 49 56 63 70 Como hay un patrón curvilíneo de los datos. poner Trade.4 43.1 43.1 73. y Forecasts.1 68. 6 Seleccionar Storage .9 50.7 50.8 54.6 52.7 50.7 50 49.8 42. Reyes / Marzo 2007 334 335 336 335 338 342 348 330 326 329 337 345 350 55.8 58.6177 MSD 67.1 43.6 49.7 385 361 354 357 367 376 381 381 383 384 387 392 396 55.3 54.2 42.9 49. seleccionar Linear 5 Seleccionar Generate forecasts y poner 12 en Number of forecasts.

7076 MAD 5.127 68 405. poner Trade.7076 MAD 5.087 69 407. 3 En Variable. Reyes / Marzo 2007 1 Open Worksheet EMPLOY.1305 Trend Analysis for Trade Data Trade Length 60 NMissing 0 Fitted Trend Equation Yt = 320.188 67 403.Metodología de análisis con Series de tiempo P. Residuals (detrended data). 6 Seleccionar Storage .MTW. y Forecasts.0107456*t**2 410 400 390 380 370 360 350 340 330 320 1 7 14 21 28 35 42 Index 49 56 63 70 Variable Actual Fits Forecasts Accuracy Measures MAPE 1.142 Trade Página 10 .509373*t + 0. Seleccionar OK en cada diálogo.068 70 409. 2 Ejecutar Stat > Time Series > Trend Analysis.376 65 399.762 + 0.762 + 0.271 66 401.502 64 397.818 62 393. 5 Seleccionar Generate forecasts y poner 12 en Number of forecasts.0107456*t**2 Accuracy Measures MAPE 1.071 71 411.096 72 413.1305 Forecasts Period Forecast 61 391. 4 En Model Type. 7 Seleccionar Fits (Trend Line) . seleccionar Quadratic.649 63 395.9566 MSD 59.509373*t + 0. Trend Analysis Plot for Trade Quadratic Trend Model Yt = 320.9566 MSD 59.

Tiene una amplitud de pronóstico amplia siguiendo la tendencia con el patrón de estacionalidad. Se puede usar componente de estacionalidad en modo aditivo o multiplicativo con la tendencia. Modelos de descomposición Multiplicativo Yt es la observación en el tiempo t. 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. Reyes / Marzo 2007 Interpretación de los resultados La gráfica de tendencia muestra los datos originales.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. los datos ajustados y los pronósticos. También se muestran la ecuación de regresión y los indicadores MAPE. Aditivo Página 11 . 4. no así al patrón de estacionalidad que puede ser analizado con el modelo de descomposición de los residuos. MAD y MSD que ayudan a determinar la exactitud del ajuste. Separa las series de tiempo en componentes de tendencia lineal y estacionalidad así como el error.Metodología de análisis con Series de tiempo P.

4 En Seasonal length. Seleccionar Forecasts y Fits. indicar la columna de los residuos obtenidos en el análisis de tendencias (donde fueron almacenados). 3. seleccionar Additive. 3 En Variable.582 MAD 2.8160 Página 12 . Las intrucciones de Minitab son las siguientes: 1 Correr el ejemplo de Análisis de Tendencias 2 Stat > Time Series > Decomposition. 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.899 Seasonal Indices Period Index 1 -8.802 MSD 11. seleccionar Seasonal only.Metodología de análisis con Series de tiempo P.4826 2 -13. 7 Seleccionar Storage . 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. poner 12. Estimar los índices de estacionalidad usando el método de promedios móviles. Por ejemplo: Se desea predecir la tasa de empleo para los siguientes 12 meses en base a datos colectados durante los últimos 60 meses. En Model Components.3368 3 -11. 2.4410 4 -5. 5 EnModel Type. 6 Seleccionar Generate forecasts y poner 12 en Number of forecasts. 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. Reyes / Marzo 2007 Modelo de ajuste: La descompsición tiene dos pasos: 1. Estimar la tendencia en la serie ajustada por regresión. Ajustar la serie en estacionalidad.

4826 62 -13.5590 Forecasts Period Forecast 61 -8.7674 8 3.3924 71 8.2674 10 5.802 MSD 11.3368 63 -11.5590 6 3.5590 Time Series Decomposition Plot for RESI1 Additive Model 20 Variable Actual Fits Trend Forecasts Accuracy Measures MAPE 881. también es evidente en la gráfica de abajo donde los residuos son mayores al principio y menores al final de la serie.3924 11 8.2674 70 5.582 MAD 2. excepto que al inicio del periodo anual los valores son subestimados y al final del periodo anual los valores son sobreestimados. Página 13 .4757 9 3.5590 66 3.4965 72 12.4410 64 -5.7674 68 3.4965 12 12. Reyes / Marzo 2007 10 RESI1 0 -10 -20 1 7 14 21 28 35 42 Index 49 56 63 70 En esta gráfica se muestran los residuos sin tendencia cuyo ajuste es adecuado.4757 69 3.5590 7 1.899 P.8160 65 0.Metodología de análisis con Series de tiempo 5 0.5590 67 1.

Reyes / Marzo 2007 Seasonal Analysis for RESI1 Additive Model Seasonal Indices 10 10 0 -10 -10 1 2 3 4 5 6 7 8 9 10 11 12 -20 1 2 3 4 5 6 7 8 9 10 11 12 Original Data. by Seasonal Period 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 Index 36 42 48 54 60 Seasonally Adjusted Data Seas. Una gráfica de serie de tiempo mostrando los datos originales con la línea de tendencia ajustada. Un análisis estacional. datos sin tendencia. datos ajustados con estacionalidad y los datos ajustados estacionalmente y sin tendencias (los residuos). by Seasonal Period 12 8 4 -5 0 1 2 3 4 5 6 7 8 9 10 11 12 1 10 5 0 Residuals. Adj. Página 14 .Metodología de análisis con Series de tiempo P. Un análisis de componentes con gráficas separadas para la serie. valores estimados y pronósticos 2. 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. Data 10 0 -10 -20 1 6 12 18 24 30 Index 36 42 48 54 60 Interpretación de los resultados La descomposición genera tres tipos de gráficas: 1. 3. by Seasonal Period 0 Percent Variation.

Este método es adecuado cuando no hay componente de tendencia ni estacionalidad. MÉTODOS Promedio móvil: Se calcula el promedio móvil de la serie. 3 En Variable. Los primeros dos valores no existen. 4 Seleccionar Center the moving averages.4 Promedio móvil Suaviza los datos al promediar observaciones consecutivas en la serie de tiempo. y10. poner 3.Metodología de análisis con Series de tiempo P. Ejemplo: Se desea predecir el empleo durante los próximos 6 meses en el segmento de metales con los datos de los últimos 60 meses. 2 Seleccionar Stat > Time Series > Moving Average. seleccionar Metals. 9. y poner 6 en Number of forecasts. Se usa el método de promedio móvil si no se tienen patrones bien definidos de tendencia o estacionalidad en los datos. Click OK. El tercer valor es el promedio de 4. Los resultados obtenidos se muestran a continuación: Página 15 . y 8. 5. 8. el quinto valor es el promedio de 8. 1 Open worksheet EMPLOY. 5 Seleccionar Generate forecasts.MTW. 8. el cuarto valor es el promedio de 5. Reyes / Marzo 2007 4. 10 y se usa un promedio móvil de 3. sin embargo hay alternativas si se presentan estos patrones. y 9. Tiene una amplitud de pronóstico corta siguiendo una línea paralela. Por ejemplo si se tienen los números 4. 5. En MA length. 9.

4865 47.4865 47.2 Lower 47.9135 50.2 49.4865 47.55036 0.55036 0.4865 47.2 49. Reyes / Marzo 2007 Moving Average for Metals Data Length NMissing Metals 60 0 Moving Average Length 3 Accuracy Measures MAPE MAD MSD 1.2 49.4865 Upper 50.9135 Moving Average Plot for Metals 52 50 48 Variable Actual Fits Forecasts 95.70292 0.2 49.0% PI Moving Average Length 3 Accuracy MAPE MAD MSD Measures 1.9135 50.9135 50.2 49.9135 50.76433 Forecasts Period 61 62 63 64 65 66 Forecast 49.70292 0.4865 47.9135 50.Metodología de análisis con Series de tiempo P.76433 Metals 46 44 42 40 1 7 14 21 28 35 Index 42 49 56 63 Página 16 .

5 Suavizamiento exponencial simple (Holt) Se aplica cuando solo si se tiene un comportamiento de la serie de tiempo sin tendencia o estacionalidad. MÉTODOS DE SUAVIZACIÓN EXPONENCIAL Los métodos de suavizamiento exponencial han sido utilizados con éxito a través de los años en muchos problemas de pronóstico. Note que el patrón de datos estimados va detrás del patrón de datos. además de los seis pronósticos. Después Winters en 1965 generalizó el método para incluir estacionalidad. 4. Página 17 . El componente simple dinámico en un modelo de promedio móvil es el nivel.Metodología de análisis con Series de tiempo P.1). de ahí el nombre de “Método de Holt Winters”. Reyes / Marzo 2007 Interpretación de resultados Se obtiene la gráfica de serie de tiempo mostrando los valores observados y estimados (un periodo adelante). Suaviza los datos por medio de la fórmula de pronóstico de ARIMA de un paso adelante ARIMA (0. Holt para su aplicación en series de tiempo sin tendencia ni estacionalidad.1. Este modelo trabaja mejor sin uno de los componentes de tendencia o estacionalidad.C. Fueron sugeridos en 1957 por C. Tiene una amplitud de pronóstico corta siguiendo una línea paralela. Posteriormente el mismo ofreció un procedimiento que manejara tendencias.

En Variable. Pronósticos: el valor estimado en el periodo t. Los valores suavizados subsecuentes se calculan de la fórmula: Valor suavizado en tiempo t = (dato en periodo t)] + (1-) (valor suavizado en periodo t-1) Donde  es el peso. Seleccionar Stat > Time Series > Single Exp Smoothing.Metodología de análisis con Series de tiempo P. Seleccionar Generate forecasts. es el valor suavizado en el periodo t – 1.(dato en periodo 1)] / (1-) Donde (1-) estima el parámetro MA. Se usa el método de promedio móvil si no se tienen patrones bien definidos de tendencia o estacionalidad en los datos. 2.MTW. Se usa el promedio de los primeros seis (o N si N<6) observaciones para el valor inicial suavizado (en tiempo uno). Se ajustan los datos con un modelo ARIMA(0. 3. 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. y 6 en Number of forecasts. pero desplazados en una unidad de tiempo. Los valores suavizados son los valores Y estimados por ARIMA. El valor inicial (en tiempo uno) por atraso es: Valor inicial suavizado = [Valor suavizado del periodo 2 . Peso óptimo de ARIMA: 1. 2. Los resultados se muestran a continuación: Página 18 .1. 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. poner Metals. 1 2 3 4 Open worksheet EMPLOY.1) y se guardan los Y estimados. Click OK. Peso especificado 1.

0.0560 62 48.42956 Forecasts Period Forecast 61 48.2914 49.0560 64 48.2914 49. Página 19 .11648 MAD 0.76 con un mejor ajuste que en el método de promedio móvil con valores 1. 4.0560 66 48.2914 49.8206 46.Metodología de análisis con Series de tiempo P.0560 63 48.50427 MSD 0.55.8206 46.70 y 0. Se indica la constante de suavizamiento (peso) utilizada y las medidas MAPE.11648 0. Reyes / Marzo 2007 Single Exponential Smoothing for Metals Data Metals Length 60 Smoothing Constant Alpha 1. MAD y MSD de 1.04170 Accuracy Measures MAPE 1.04170 Accuracy MAPE MAD MSD Measures 1. Note que el patrón de datos estimados va detrás del patrón de datos.0560 65 48.8206 46.0560 Lower 46.42956 Metals 46 44 42 40 1 7 14 21 28 35 Index 42 49 56 63 Interpretación de resultados Se obtiene la gráfica de serie de tiempo mostrando los valores observados y estimados (un periodo adelante).2914 49.8206 46.8206 Upper 49.70 y 0.2914 49.50427 0. además de los seis pronósticos.76 respectivamente. 0.0% PI Smoothing Constant Alpha 1.12.8206 46.6 Suavizamiento exponencial doble (Holt) Se aplica cuando en la serie de tiempo se presenta una tendencia ascendente o descendente pero sin estacionalidad.2914 Single Exponential Smoothing Plot for Metals 52 50 48 Variable Actual Fits Forecasts 95.

Página 20 .2). Tiene una amplitud de pronóstico corta siguiendo una línea de tendencia con pendiente igual a la de la última tendencia estimada.Metodología de análisis con Series de tiempo P.2. El método de suavizamiento exponencial doble calcula estimados dinámicos para dos componentes: nivel y tendencia. Reyes / Marzo 2007 A continuación se muestra una tendencia: Suaviza los datos por medio de la fórmula de pronóstico de ARIMA de un paso adelante ARIMA (0. Este modelo trabaja bien cuando está presente el componente de tendencia pero también sirve como un método de suavizamiento general.

2) y se guardan los Y estimados. Las ecuaciones son: Los valores iniciales en tiempo cero con la observación 1 se estiman por los métodos siguientes: Pesos óptimos de ARIMA: 1. La constante de esta regresión es el valor inicial estimado del componente de nivel. minimizando los cuadrados de los errores. 2.Metodología de análisis con Series de tiempo P. o parámetros de suavización. 2. Los valores iniciales (en tiempo uno) se inicializan por atraso. el coeficiente de la pendiente es el estimado inicial del componente de tendencia. 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. 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.2. Página 21 . Usa dos pesos. Se hace una regresión lineal en los datos de la serie (Y) contra el tiempo (X). Se ajustan los datos con un modelo ARIMA(0. Pronósticos: el método de suavizamiento exponencial doble usa los componentes de nivel y de tendencia para generar los pronósticos. Pesos especificados 1. actualiza los componentes cada periodo.

46794 Interpretación de resultados Se obtiene la gráfica de serie de tiempo mostrando los valores observados y estimados (un periodo adelante).7899 43.2147 65 48. Click OK. Metals Página 22 .7184 53.8747 52.02997 Accuracy Measures MAPE 1.3135 44.02997 Accuracy MAPE MAD MSD Measures 1.19684 MAD 0.03840 Gamma (trend) 0. poner Metals.0221 Upper 49.1357 63 48.7718 46. Reyes / Marzo 2007 Por ejemplo: 1 2 3 4 Open worksheet EMPLOY.5652 Double Exponential Smoothing Plot for Metals 54 52 50 48 46 44 42 40 1 7 14 21 28 35 Index 42 49 56 63 Variable Actual Fits Forecasts 95.0368 51.54058 MSD 0.2113 51.03840 Gamma (trend) 0.2542 66 48.0600 45.0961 62 48.1752 64 48.54058 0. Seleccionar Generate forecasts. En Variable. Los resultados se muestran a continuación: Double Exponential Smoothing for Metals Data Length Metals 60 Smoothing Constants Alpha (level) 1. Seleccionar Stat > Time Series > Double Exp Smoothing. además de los seis pronósticos.MTW.4205 50.19684 0. y 6 en Number of forecasts.5546 43. Note que el patrón de datos estimados va detrás del patrón de datos.0% PI Smoothing Constants Alpha (level) 1.2937 Lower 46.46794 Forecasts Period Forecast 61 48.Metodología de análisis con Series de tiempo P.

46794 para suavizamiento exponencial doble comparados con con un ligero mejor ajuste que en el método de suavizamiento exponencial simple cuyos valores fueron 1. 0. 0.76 respectivamente.54058.2 si se quiere hacer una correspondencia con el modelo ARIMA u otros valores entre 0 y 1 para reducir los errores de estimación. 4.12.Metodología de análisis con Series de tiempo P. las ponderaciones decrecen geométricamente a una tasa constante La ponderación seleccionada para Nivel.19684. tendencia y estacionalidad es de 0. Tiene una amplitud de pronóstico de corta a media siguiendo una tendencia con un patrón estacional. tendencia y estacionalidad. Calcula estimados dinámicos con ecuaciones para los tres componentes: nivel. Estas ecuaciones dan una mayor ponderación a observaciones recientes y menos peso a observaciones pasadas. Página 23 . y las medidas MAPE. Se recomienda este método cuando se tienen presentes los componentes de tendencia y estacionalidad ya sea en forma aditiva o multiplicativa. o sea que el patrón estacional no cambia conforme la serie se incrementa o disminuye de valor. y 0. El método de Winters calcula los estimados de de tres componentes: nivel. Reyes / Marzo 2007 Se indican las constantes de suavizamiento y de tendencia (pesos) utilizadas.70 y 0. El efecto aditivo es mejor cuando el patrón estacional en los datos no depende del valor de los datos. Suaviza los datos por el método exponencial de Holt – Winters. 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.7 Método de Winters Se aplica cuando en la serie de tiempo se presentan los patrones de tendencia y estacionalidad. tendencia y estacionalidad. MAD y MSD de 1.

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 24 . Reyes / Marzo 2007 A continuación se muestra una gráfica con sus pronósticos utilizando un suavizamiento exponencial triple.Metodología de análisis con Series de tiempo P.

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

0646 60.6698 64 57.2 Delta (seasonal) 0.7492 Página 26 .5558 62 57. 12 .8847 61. In Seasonal length.8102 55.86696 Forecasts Period Forecast Lower Upper 61 57. 2 Ejecutar Stat > Time Series > Winters' Method.2 Gamma (trend) 0.Metodología de análisis con Series de tiempo P. dado que hay componente estacional y de tendencia aparente en los datos. 5 Seleccionar Generate forecasts poner 6 en Number of forecasts. 4 En Model Type.2 Accuracy Measures MAPE 1.88377 MAD 1. 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.12068 MSD 2.9966 60. Seleccionar OK.8311 55.9307 55. seleccionar Multiplicative.MTW. Winters' Method for Food Multiplicative Method Data Food Length 60 Smoothing Constants Alpha (level) 0.0414 60.3892 54.8199 65 58. 3 En Variable.7339 65.1778 63 57.7775 66 62.7415 59.6006 60. usando el método de Winters con el modelo multiplicativo. Instrucciones de Minitab 1 Open Worksheet EMPLOY. poner Food.8332 54.

El Modelo ARIMA puede utilizarse para modelar series de tiempo con o sin componentes de tendencia o estacionalidad y proporcionar pronósticos. 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.2 Gamma (trend) 0.2 Delta (seasonal) 0. Accuracy Measures Multiplicative MAPE 1. Tiene la ventaja de ser más flexible que los métodos de suavizamiento para el ajuste de los datos.86696 Additive 1.12068 MSD 2.Metodología de análisis con Series de tiempo P.88377 MAD 1. análisis de diferencias.15 2. autocorrelación y autocorrelación parcial. El perfil de pronóstico depende del modelo de ajuste.95 1. son utilizadas para identificar un modelo adecuado de ARIMA. Reyes / Marzo 2007 Winters' Method Plot for Food Multiplicative Method 75 70 65 Variable Actual Fits Forecasts 95.86696 Food 60 55 50 1 7 14 21 28 35 Index 42 49 56 63 Interpretación de los resultados La gráfica muestra los valores de la serie y los valores estimados (un periodo adelante) y los seis pronósticos.88377 1.0% PI Smoothing Constants Alpha (level) 0. Los valores de exactitud del modelo MAPE. sin embargo la identificación del modelo adecuado consume tiempo y no puede ser fácilmente automatizado.12068 2.67 ANÁLISIS DE CORRELACIÓN Y MÉTODO DE ARIMA El análisis de correlación.2 Accuracy MAPE MAD MSD Measures 1. Página 27 .

Stat > Time series > Differences 3. Open Worksheet Employ. sirven para identificar patrones de tendencia y estacionalidad. Open Worksheet Employ.mtw se tiene: Intrucciones de Minitab: 1. Series Food 4.Metodología de análisis con Series de tiempo P. OK Y para los retrasos (lags): 1. Los atrasos (lags). OK Los resultados parciales se muestran a continuación: C4 Food 53. son valores anteriores con los que se determina el siguiente valor pronosticado. Lag 12 6.5 65.mtw 2. Series Food 4.3 70.8 Diferencias y atrasos Las diferencias se calculan entre los valores de los datos de la serie de tiempo.2 55.9 58. Ejemplo: Si se desean obtener diferencias y atrasos de 12 meses con los datos de Employ.5 53. Reyes / Marzo 2007 4.mtw 2. Lag 12 6.2 52.7 66. Stat > Time series > Lags 3. Store Differences in C4 5.4 56. Store Lags in C5 5.5 53 53.3 Diferencias * * * * * * * * * * * C5 Retrasos * * * * * * * * * * * Página 28 .

3 55.5 52.3 70. Una gráfica de autocorrelación.2 0.5 65.2 52.1 51. como se observa en la gráfica siguiente: Primero se obtiene una gráfica de corridas normal.7 -0.1 -1.2 55.4 0.5 53.5 51.6 52.5 51.1 -1 -1.2 0 0.3 53.6 69.1 2. por ejemplo: Esta gráfica indica cierto nivel de estacionalidad.5 52.6 * 53.2 -0.9 -1.5 64.3 58.2 57.3 53.4 52.1 * -1. su análisis permite seleccionar los términos a ser incluidos en el modelo ARIMA. su gráfica se denomina función de autocorrelación (ACF).1 1.4 52.3 55.5 4.4 -1.7 66.Metodología de análisis con Series de tiempo P.5 -1.4 53.3 0 0.2 69.5 51. Página 29 .7 51.3 51. Reyes / Marzo 2007 53.4 56.9 58. permite identificar estacionalidad donde no es fácil de apreciar.4 53.5 53 53.5 55.8 Autocorrelación La autocorrelación: es la correlación entre observaciones de una serie de tiempo separadas por K unidades de tiempo.1 -0.1 51.5 52.

Metodología de análisis con Series de tiempo P. esto indica que un modelo autoregresivo de orden mayor a uno puede ser apropiado. Página 30 . por lo que el modelo debe tener este orden ARIMA(2). Reyes / Marzo 2007 La gráfica de autocorrelación se muestra a continuación: La gráfica muestra ambos un decaimiento exponencial con oscilaciones sinusoidales amortiguadas. 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.

5 En Lag.512266 2.252774 0.Metodología de análisis con Series de tiempo P.32 6 0.322438 1.55 74. se toma una diferencia en el valor anterior 12 para que sea estacionario y buscar correlación de las series diferenciadas.701388 4.99 4 0. poner Food2. Autocorrelation Function: Food2 Lag ACF T LBQ 1 0.54 12 0.208020 0.70 10 0.170051 0.57 8 0. 4 En Store differences in.52 38.94 69.234743 0.150936 0. Como los datos muestran un comportamiento estacional de 12 meses.68 56.173069 0. OK. 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.310364 1. poner 12 . Las instrucciones de Minitab son las siguientes: 1 Open worksheet EMPLOY.MTW. 6 Ejecutar Stat > Time Series > Autocorrelation.81 3 0.29 51. poner Food. 2 Ejecutar Stat > Time Series > Differences.30 9 0. En estos datos la magnitud de la tendencia a largo plazo se ve pequeña respecto al componente de estacionalidad.76 72.24 5 0.24 65.162046 0. 3 En Series.366882 1.03 7 0. poner Food2.66 59.86 25.63 57.12 2 0.94 54.60 45.74 11 0. se utiliza el modelo de autocorrelación para identificar el modelo ARIMA adecuado.06 Página 31 . si hubiera sido mayor se podría haber considerado tomar otra diferencia en el valor anterior 1 para inducir que sea estacionario. OK. 7 En Series.

mide la fuerza de la relación con otros términos tomados en cuenta. 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. se toma n/4 para series con menos de 240 datos. Reyes / Marzo 2007 Interpretación de los resultados Si no se especifica la amplitud de valores anteriores (lag lenght). Página 32 . 4.9 Autocorrelación parcial: Es la correlación entre conjuntos de pares ordenados de una serie de tiempo. 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 análisis permite seleccionar los términos a ser incluidos en el modelo ARIMA. Su gráfica se denomina función de autocorrelación (PACF).Metodología de análisis con Series de tiempo P.   La correlación cruzada: es la correlación entre dos series de tiempo. patrón típico de un proceso autoregresivo. después de tomar una diferencia del valor anterior 12 para determinar el modelo ARIMA más adecuado. Ejemplo: Se obtiene una función de autocorrelación parcial (PACF) de los datos de empleo anteriores.

7 En Series. poner 12 . Interpretación de resultados Se generan bandas de confianza en 5% para la hipótesis de que las correlaciones son iguales a cero. OK. Página 33 . poner Food. Se observa un pico de 0.Metodología de análisis con Series de tiempo P.7 en el valor anterior 1. 4 En Store differences in. típico de un proceso autoregresivo de orden 1. poner Food2. poner Food2.MTW 2 Ejecutar Stat > Time Series > Differences. 3 En Series. Reyes / Marzo 2007 Las instrucciones de Minitab son las siguientes: 1 Worksheet EMPLOY. OK. 5 En Lag. hay otro en el valor anterior 9 pero no hay evidencia de que un proceso no aleatorio en ese punto. 6 Ejecutar Stat > Time Series > Partial Autocorrelation .

Es decir si los datos poseen media y varianza constante. Estimar los parámetros. 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. Examinar la función de autocorrelación (ACF) para ver si las autocorrelaciones no decaen. indicando que se pueden requerir diferencias para dar una media constante. Verificar la adecuación del modelo. decidir si los datos son estacionarios. se usa para generar pronósticos. Si los picos de la ACF decaen rápidamente. 1. Una indicación de sobre diferenciación de una serie es que la primera autocorrelación es cercana a -0. 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. Página 34 .10 El método ARIMA Ajusta el modelo ARIMA de Box Jenkins a una serie de tiempo. no hay necesidad de diferencias adicionales. representa pasos de filtraje hasta que solo haya ruido aleatorio.   Examinar la gráfica de serie de tiempo para si es necesaria una transformación para tener varianza constante. Hacer pronósticos de ser necesario. Reyes / Marzo 2007 4.Metodología de análisis con Series de tiempo P. La mayoría de las series no requieren más de dos operaciones de diferencias u órdenes. Primero.5 y pequeños valores dondequiera.

seleccionar un valor de 0 a 5. o Para incluir la constante en el modelo. Reyes / Marzo 2007 Usar Stat > Time Series > Differences para obtener las diferencias. Después. Al menos uno de esos parámetros no debe ser cero. Checar que las funciones ACF y PACF de residuos indiquen un proceso aleatorio. Si se requiere una diferencia estacional de K como el periodo de estacionalidad. seleccionar Include constant term in model. La mayoría de modelo sólo requieren dos parámetros. 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. Una vez que se ha identificado uno o más de los modelos a utilizar. Página 35 .Metodología de análisis con Series de tiempo P. 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. examiner las funciones ACF y PACF de los datos estacionarios de manera de identificar que modelo autorregresivo o de promedio móvil se sugiere. poner el número en la celda apropiada. continuar con el procedimiento de ARIMA. o Si se desea un modelo estacional (intervalo en que se repite el patrón) seleccionar Fit seasonal model e introducir el periodo (default 12). considerar cambiar el modelo. o o Para especificar los parámetros del modelo de promedios móviles y autoregresivo incluyendo el modelo estacional o no estacional ARIMA. 2.  Ajustar el modelo y examinar la significancia de los parámetros y seleccionar un modelo que tenga el mejor ajuste. usando las gráficas de ARIMA.  o Para especificar el número de diferencias estaciónales o no estaciónales a tomar. 3. Si se pone 2 en la celda Moving Average en Seasonal el modelo incluirá términos de primero y segundo orden de promedios móviles. con Stat > Time Series > Autocorrelation y Stat > Time Series > Partial Autocorrelation. se tomará la diferencia k-ésima. Examinar las funciones ACF y PACF de las serie de datos diferenciada.    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. sin picos altos. Si hay picos altos.

0364 (backforecasts excluded) MS = 1.100 0.702 2 64. 2 Stat > Time Series > ARIMA.2092 0.261 5 52.5317 0.200 9 52.700 0.Metodología de análisis con Series de tiempo P.1520 1.2343 0. se especificó el periodo estacional de 12 y el orden de la diferencia 1.31 0.000 Constant 0. 1 seasonal of order 12 Number of observations: Original series 60.2226 0.200 Relative change in each estimate less than 0. 3 En Series.MTW. Para tomar una diferencia estacional de orden 12.400 0.203 7 52. después de tomar una diferencia de 12. ARIMA Model: Food Estimates at each iteration Iteration SSE Parameters 0 95.1996 0.0010 Final Estimates of Parameters Type Coef SE Coef T P AR 1 0.4345 0.201 8 52. Seleccionar ACF of residuals y PACF of residuals . Ahora se corre el modelo. analizando las gráficas y la bondad de ajuste.743 0.743 0. 5 Seleccionar Graphs. En Seasonal. after differencing 48 Residuals: SS = 51.1001 7. poner 1 en Difference .2092 0.42 0. poner Food. 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).1095 DF = 46 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Página 36 . con esto se realiza el pronóstico.2092 0.733 0. 4 Seleccionar Fit seasonal model.556 3 56. 6 OK en cada cuadro de diálogo.550 0.7434 0.741 0.250 0. poner 1 en Autoregressive.743 0.216 6 52.847 1 77.410 4 52.196 Differencing: 0 regular.1578 0. Instrucciones de Minitab 1 Worksheet EMPLOY. En Period poner 12 en Nonseasonal.5568 0.2100 0.

El modelo AR(1) parece ser adecuado para pronosticar.1 27. El MSE (1.Metodología de análisis con Series de tiempo Lag 12 24 36 48 Chi-Square 11. Reyes / Marzo 2007 Interpretación de resultados El modelo ARIMA converge en 9 iteraciones.641 0. como regla si t es mayor a 2 se puede juzgar el parámetro como significativo diferente de cero. Los residuos no parecen estar correlacionados como se muestra en las gráficas (estan dentro de los intervalos de confianza. Página 37 .3 19.42.338 0.1095) se usa para comparar el ajuste de diferentes modelos ARIMA.7 * DF 10 22 34 * P-Value 0. El modelo AR(1) tiene un estadístico t de 7. asumiendo que el valor 9 es aleatorio).768 * P.

after differencing 48 Residuals: SS = 51.000 Constant 0. poner 1 en Difference .741 0.200 9 52.201 8 52.1095 DF = 46 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Página 38 .Metodología de análisis con Series de tiempo P. 2 Stat > Time Series > ARIMA.261 5 52.700 0.5568 0.0364 (backforecasts excluded) MS = 1.2100 0. 1 seasonal of order 12 Number of observations: Original series 60. poner 1 en Autoregressive.MTW.743 0. Seleccionar Time series plot.2092 0.550 0.196 Differencing: 0 regular. Paso 3.400 0. Paso 2: Mostrar la Gráfica de serie de tiempo 1 Seleccionar Graphs.733 0.216 6 52.250 0.7434 0.2092 0. Corrida de ARIMA para pronósticos: Paso 1. Generar los pronósticos 1 Seleccionar Forecast.1520 1. OK. En Period poner 12 en Nonseasonal. Ahora se puede pronosticar esta estimación para los siguientes 12 meses.203 7 52.743 0.31 0.1578 0.556 3 56. en Lead.200 Relative change in each estimate less than 0.4345 0.100 0.2092 0.847 1 77. En Seasonal. ARIMA Model: Food Estimates at each iteration Iteration SSE Parameters 0 95.2343 0. OK en cada cuadro de diálogo.42 0.410 4 52. poner 12 .1996 0.1001 7. 4 Seleccionar Fit seasonal model.0010 Final Estimates of Parameters Type Coef SE Coef T P AR 1 0. Correr el modelo ARIMA sin gráficas de ACF y PACF de los residuos Instrucciones de Minitab 1 Worksheet EMPLOY. 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.702 2 64.5317 0.743 0. poner Food. 3 En Series.2226 0.

Página 39 .8261 58.3210 58.2760 79.0243 58.9559 72.1711 63 55.2360 64.4207 52.8394 66 59.3605 65 55.4770 62 55.4240 61.3558 73.5960 Interpretación de resultados El modelo ARIMA proporciona pronósticos con bandas de confianza en 95%. Reyes / Marzo 2007 Chi-Square 11.1827 71.7 * DF 10 22 34 * P-Value 0.3 19.4357 70 67.3191 71 61.0817 68 74.2565 69 76.1 27.0251 58.3472 58.1527 70.5100 55.0674 56.1089 77.0188 65.6537 64 55.641 0.Metodología de análisis con Series de tiempo P.5981 53.2359 64.8390 53.8328 52.768 * Forecasts from period 60 95 Percent Limits Period Forecast Lower Upper Actual 61 56.0244 62.338 0. 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.4060 72 58.4121 54.4809 58.1104 67 69.