Metodos Series Tiempo

Metodologa de anlisis con Series de tiempo
P. Reyes / Marzo 2007
METODOLOGA DE ANLISIS
CON SERIES DE TIEMPO
Elabor: Primitivo Reyes Aguilar

Marzo 2007
Pgina 1
METODOLOGA DE SERIES DE TIEMPO

1. INTRODUCCIN
Los mtodos de anlisis de series de tiempo consideran el hecho que los datos
tomados en diversos periodos de tiempo pueden tener algunas caractersticas de
autocorrelacin, tendencia o estacionalidad que se debe tomar en cuenta.
Definicin de serie de tiempo: Es una secuencia ordenada de valores de una
variable en intervalos de tiempo peridicos y consecutivos.
Aplicacin: la aplicacin de estos mtodos tiene dos propsitos: comprender las
fuerzas de influencia en los datos y descubrir la estructura que produjo los datos
observados. Ajustar el modelo y proceder a realizar pronsticos, monitoreo,
retroalimentacin y control en avance.
Las aplicaciones incluyen pronsticos econmicos, anlisis de presupuesto,
anlisis del mercado, etc.
2. TENDENCIA Y ESTACIONALIDAD
Un supuesto en muchas tcnicas de series de tiempo es que los datos son
estacionarios, donde su media, variancia y autocorrelacin no cambia en el
tiempo, tampoco se presentan patrones de estacionalidad, sin embargo en la
prctica 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
algn tipo de curva o recta y modelar los residuales. Como el propsito del ajuste
es simplemente remover la tendencia a largo plazo, una lnea recta es suficiente.
Por ejemplo:
Pgina 2
Removiendo la tendencia a largo plazo, los residuales quedan como sigue:
Estacionalidad: son fluctuaciones peridicas, por ejemplo cuando hay picos de

ventas en la navidad y despus declinan. La serie de tiempo de ventas mostrarn
un incremento durante septiembre a diciembre y una declinacin durante enero y
febrero.
Para detectar la estacionalidad se pueden utilizar diferentes mtodos grficos
donde se observe la estacionalidad en el tiempo:
1. Grfica de valores contra el tiempo
Pgina 3
2. Diagramas de caja mltiples
Pgina 4
3. Grfica de estacionalidad por subserie
Comportamiento anual y subserie mostrando la estacionalidad

En la grfica anterior se observa un comportamiento mensual, con un mximo en
Junio y un mnimo 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
t es el valor estimado y n el nmero de
yt igual al valor observado, y
observaciones.
Pgina 5
MAD: Desviacin 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: Desviacin cuadrtica media, es ms sensible a errores anormales de

pronstico que el MAD.
4. MTODOS DE PRONSTICO
Los mtodos de series de tiempo incluyen mtodos de pronstico y de
suavizamiento simples, mtodos de anlisis de correlacin y mtodos de Box
Jenkins ARIMA.
Mtodos de pronstico y suavizamiento simple: se basan en la idea de que hay
patrones visibles en una grfica de series de tiempo que pueden ser extrapolados
al futuro. El mtodo se selecciona dependiendo de si los patrones son estticos
(constantes en el tiempo) o dinmicos (cambian en el tiempo), la naturaleza de los
componentes de tendencia y estacionalidad y que tan lejos se quiera pronosticar,
son mtodos generalmente fciles y rpidos de aplicar.
Mtodos de pronstico ARIMA (Autoregressive Integrated Moving Average):
tambin usan patrones de datos, sin embargo puede que no sean fcilmente
visibles en la serie de tiempo. El modelo usa funciones de diferencias,
autocorrelacin y autocorrelacin 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
ejecucin.
4.1 MTODOS DE PRONSTICO Y SUAVIZAMIENTO SIMPLE:
Pgina 6
Modelan componentes en una serie que normalmente son fciles de ver en una
serie de tiempo.
Este mtodo descompone los datos en sus partes componentes y los extiende al
futuro para pronosticar. Se pueden seleccionar los mtodos siguientes:
1. Mtodos estticos de anlisis de tendencias y descomposicin para
patrones que no cambian con el tiempo.
2. Mtodos dinmicos de promedio mvil; mtodos de suavizamiento
exponencial simple y doble y mtodo de Winters. Para patrones que
cambian en el tiempo y sus estimados son determinados por los valores
ms cercanos.
Se pueden usar los dos mtodos combinados, es decir se puede utilizar un
mtodo para modelar un componente y otro para modelar otros componentes, por
ejemplo:
Ajustar una tendencia por medio de un anlisis de tendencias esttico y

dinmicamente modelar el componente estacional en los residuos usar el
mtodo de Winters.
Ajustar un modelo esttico de estacionalidad por medio de la
descomposicin y dinmicamente modelar los componentes de la tendencia
en los residuos usando un modelo de suavizamiento exponencial doble.
Ajustar con modelos de tendencia y descomposicin al mismo tiempo.
Una desventaja de combinar mtodos es que los intervalos de confianza de los

pronsticos no son vlidos.
A continuacin se presenta un ejemplo de cada mtodo.
4.2 Mtodo de anlisis de tendencias

Ajusta un modelo general de tendencias a datos de series de tiempo, se puede
seleccionar un modelo lineal, cuadrtico, exponencial (crecimiento o declinacin) y
de curva S (para tecnologa).
Usar este modelo si no hay componente estacional en el patrn de serie de
tiempo.
Tiene una amplitud de pronstico amplia siguiendo la lnea de tendencia.
Pgina 7
Pgina 8
Las frmulas se muestran a continuacin:

MODELOS DE TENDENCIA
Lineal
1 representa el cambio promedio de un periodo a otro.
Cuadrtico
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
322
317
319
323
327
328
325
326
330
334
337
341
322
318
320
326
332
Food
53.5
53
53.2
52.5
53.4
56.5
65.3
70.7
66.9
58.2
55.3
53.4
52.1
51.5
51.5
52.4
53.3
Metals
44.2
44.3
44.4
43.4
42.8
44.3
44.4
44.8
44.4
43.1
42.6
42.4
42.2
41.8
40.1
42
42.4
Trade
351
354
355
357
362
368
348
345
349
355
362
367
366
370
371
375
380
Pgina 9
Food
63.6
68.8
68.9
60.1
55.6
53.9
53.3
53.1
53.5
53.5
53.9
57.1
64.7
69.4
70.3
62.6
57.9
Metals
44.5
45
44.8
44.9
45.2
45.2
45
45.5
46.2
46.8
47.5
48.3
48.3
49.1
48.9
49.4
50

334
335
336
335
338
342
348
330
326
329
337
345
350
55.5
64.2
69.6
69.3
58.5
55.3
53.6
52.3
51.5
51.7
51.5
52.2
57.1
43.1
42.4
43.1
43.2
42.8
43
42.8
42.5
42.6
42.3
42.9
43.6
44.7
385
361
354
357
367
376
381
381
383
384
387
392
396
55.8
54.8
54.2
54.6
54.3
54.8
58.1
68.1
73.3
75.5
66.4
60.5
57.7
50
49.6
49.9
49.6
50.7
50.7
50.9
50.5
51.2
50.7
50.3
49.2
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 dilogo.
Trend Analysis Plot for Trade
LinearTrendModel
Yt = 313.989 + 1.16485* t
400
Variable
Actual
Fits
Forecasts
390
380
AccuracyMeasures
MAPE
1.8999
MAD
6.6177
MSD
67.4325
Trade
370
360
350
340
330
320
310
1
14
21
28
35
42
Index
49
56
63
70
Como hay un patrn curvilneo de los datos, se usa un anlisis de tendencias con
un modelo cuadrtico.
Como tambin hay un componente estacional se guardan los valores estimados y
los residuos para realizar una descomposicin de los residuos posteriormente.
Pgina 10

2 Ejecutar Stat > Time Series > Trend Analysis.
3 En Variable, poner Trade.
4 En Model Type, seleccionar Quadratic.
6 Seleccionar Storage .
7 Seleccionar Fits (Trend Line) , Residuals (detrended data), y Forecasts. Seleccionar OK en
cada dilogo.
Trend Analysis Plot for Trade
QuadraticTrendModel
Yt = 320.762 + 0.509373* t + 0.0107456* t* * 2
Variable
Actual
Fits
Forecasts
410
400
390
AccuracyMeasures
MAPE
1.7076
MAD
5.9566
MSD
59.1305
Trade
380
370
360
350
340
330
320
1
14
21
28
35
42
Index
49
56
63
70
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
Pgina 11
Interpretacin de los resultados

La grfica de tendencia muestra los datos originales, los datos ajustados y los
pronsticos. Tambin se muestran la ecuacin de regresin 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 as al patrn de estacionalidad que puede ser analizado con el modelo
de descomposicin de los residuos.
4.3 Mtodo de Descomposicin

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 as como el
error. Se puede usar componente de estacionalidad en modo aditivo o
multiplicativo con la tendencia.
Tiene una amplitud de pronstico amplia siguiendo la tendencia con el patrn de
estacionalidad.
Modelos de descomposicin
Multiplicativo
Yt es la observacin en el tiempo t.
Aditivo
Pgina 12
Modelo de ajuste: La descomposicin tiene dos pasos:

1. Estimar los ndices de estacionalidad usando el mtodo de
promedios mviles.
2. Ajustar la serie en estacionalidad.
3. Estimar la tendencia en la serie ajustada por regresin.
Modelos de pronstico:
La descomposicin calcula el pronstico como la lnea de regresin
multiplicada por (mtodo multiplicativo) o agregado a (mtodo aditivo)
los ndices de estacionalidad.
Por ejemplo:
Se desea predecir la tasa de empleo para los siguientes 12 meses en base a
datos colectados durante los ltimos 60 meses. Como los datos tienen una
tendencia que se ajusta bien con un modelo de tendencia cuadrtica y tiene un
componente estacional se utilizan los residuos del ejemplo del anlisis de
tendencias para combinar el anlisis de tendencias y descomposicin para
pronosticar.
Las intrucciones de Minitab son las siguientes:
1 Correr el ejemplo de Anlisis de Tendencias
2 Stat > Time Series > Decomposition.
3 En Variable, indicar la columna de los residuos obtenidos en el anlisis de tendencias (donde
fueron almacenados).
4 En Seasonal length, poner 12.
5 EnModel Type, seleccionar Additive. En Model Components, seleccionar Seasonal only.
7 Seleccionar Storage . Seleccionar Forecasts y Fits.
8 Seleccionar OK en cada cuadro de dilogo
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
Pgina 13
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
AdditiveModel
20
Variable
Actual
Fits
Trend
Forecasts
RESI1
10
AccuracyMeasures
MAPE
881.582
MAD
2.802
MSD
11.899
-10
-20
1
14
21
28
35
42
Index
49
56
63
70
En esta grfica 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, tambin es evidente en la grfica
de abajo donde los residuos son mayores al principio y menores al final de la
serie.
Pgina 14
Seasonal Analysis for RESI1

AdditiveModel
SeasonalIndices
Original Data, by Seasonal Period
10
10
0
-10
-10
-20
1
10 11 12
Percent Variation, by Seasonal Period
10 11 12
Residuals, by Seasonal Period

10
12
0
4
-5
0
10 11 12
10 11 12
Component Analysis for RESI1

AdditiveModel
Original Data
Data
10
0
-10
-20
1
12
18
24
30
Index
36
42
48
54
60
48
54
60
Seas. Adj. Data
Seasonally Adjusted Data

10
0
-10
-20
1
12
18
24
30
Index
36
42

La descomposicin genera tres tipos de grficas:
1. Una grfica de serie de tiempo mostrando los datos originales con la lnea
de tendencia ajustada, valores estimados y pronsticos
2. Un anlisis de componentes con grficas separadas para la serie, datos sin
tendencia, datos ajustados con estacionalidad y los datos ajustados
estacionalmente y sin tendencias (los residuos).
3. Un anlisis estacional, mostrando los ndices estacionales y la variacin
porcentual dentro de cada estacin respecto a la suma de la variacin por
estacin y grficas de caja de los residuos por periodo estacional.
Pgina 15
4.4 Promedio mvil

Suaviza los datos al promediar observaciones consecutivas en la serie de tiempo.
Este mtodo es adecuado cuando no hay componente de tendencia ni
estacionalidad, sin embargo hay alternativas si se presentan estos patrones.
Tiene una amplitud de pronstico corta siguiendo una lnea paralela.
MTODOS
Promedio mvil:
Se calcula el promedio mvil de la serie. Por ejemplo si se tienen los
nmeros 4, 5, 8, 9, 10 y se usa un promedio mvil 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 prximos 6 meses en el segmento de
metales con los datos de los ltimos 60 meses. Se usa el mtodo de promedio
mvil si no se tienen patrones bien definidos de tendencia o estacionalidad en los
datos.
1 File > 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 continuacin:
Pgina 16
Moving Average for Metals

Data
Length
NMissing
Metals
60
0
Moving Average
Length
Accuracy Measures
MAPE
MAD
MSD
1.55036
0.70292
0.76433
Forecasts
Period
61
62
63
64
65
66
Forecast
49.2
49.2
49.2
49.2
49.2
49.2
Lower
47.4865
47.4865
47.4865
47.4865
47.4865
47.4865
Upper
50.9135
50.9135
50.9135
50.9135
50.9135
50.9135
Moving Average Plot for Metals

52
Variable
Actual
Fits
Forecasts
95.0% PI
50
MovingAverage
Length 3
Metals
48
AccuracyMeasures
MAPE
1.55036
MAD
0.70292
MSD
0.76433
46
44
42
40
1
14
21
28
35
Index
42
49
56
63
Pgina 17
Interpretacin de resultados
Se obtiene la grfica de serie de tiempo mostrando los valores observados y
estimados (un periodo adelante), adems de los seis pronsticos. Note que el
patrn de datos estimados va detrs del patrn de datos.
MTODOS DE SUAVIZACIN EXPONENCIAL

Los mtodos de suavizamiento exponencial han sido utilizados con xito a travs
de los aos en muchos problemas de pronstico. Fueron sugeridos en 1957 por
C.C. Holt para su aplicacin en series de tiempo sin tendencia ni estacionalidad.
Posteriormente el mismo ofreci un procedimiento que manejara tendencias.
Despus Winters en 1965 generaliz el mtodo para incluir estacionalidad, de ah
el nombre de Mtodo 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 frmula de pronstico 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 dinmico en un modelo de
promedio mvil es el nivel.
Tiene una amplitud de pronstico corta siguiendo una lnea paralela.
Pgina 18
MTODO DE SUAVIZAMIENTO EXPONENCIAL SIMPLE

Los valores suavizados (estimados) se obtienen ya sea con un peso ptimo
generado o con un peso especfico manual.
Peso ptimo 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 - (dato en periodo 1)] / (1-)
Donde (1-) estima el parmetro 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 frmula:
Valor suavizado en tiempo t = (dato en periodo t)] + (1-) (valor suavizado en periodo t-1)
Donde es el peso.
Pronsticos: el valor estimado en el periodo t, es el valor suavizado en el periodo

t 1. Los pronsticos son los valores estimados en el origen de pronstico
Por ejemplo:
Se desea predecir el empleo durante los prximos 6 meses en el segmento de
metales con los datos de los ltimos 60 meses. Se usa el mtodo de promedio
mvil si no se tienen patrones bien definidos de tendencia o estacionalidad en los
datos.
1
2
3
4
File > Open worksheet EMPLOY.MTW.

Seleccionar Stat > Time Series > Single Exp Smoothing.
En Variable, poner Metals.
Seleccionar Generate forecasts, y 6 en Number of forecasts. Click OK.
Los resultados se muestran a continuacin:
Pgina 19
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
61
48.0560
62
48.0560
63
48.0560
64
48.0560
65
48.0560
66
48.0560
Lower
46.8206
46.8206
46.8206
46.8206
46.8206
46.8206
Upper
49.2914
49.2914
49.2914
49.2914
49.2914
49.2914
Single Exponential Smoothing Plot for Metals

52
Variable
Actual
Fits
Forecasts
95.0% PI
50
SmoothingConstant
Alpha
1.04170
Metals
48
AccuracyMeasures
MAPE
1.11648
MAD
0.50427
MSD
0.42956
46
44
42
40
1
14
21
28
35
Index
42
49
56
63
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 mtodo de
promedio mvil 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.
Pgina 20
Suaviza los datos por medio de la frmula de pronstico de ARIMA de un paso

adelante ARIMA (0,2,2). Este modelo trabaja bien cuando est presente el
componente de tendencia pero tambin sirve como un mtodo de suavizamiento
general. El mtodo de suavizamiento exponencial doble calcula estimados
dinmicos para dos componentes: nivel y tendencia.
Tiene una amplitud de pronstico corta siguiendo una lnea de tendencia con
pendiente igual a la de la ltima tendencia estimada.
Pgina 21
MTODO 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
parmetros de suavizacin, actualiza los componentes cada periodo. Las
ecuaciones son:
Los valores iniciales en tiempo cero con la observacin 1 se estiman por los
mtodos siguientes:
Pesos ptimos 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 regresin lineal en los datos de la serie (Y) contra el tiempo (X).
2. La constante de esta regresin es el valor inicial estimado del componente de
nivel, el coeficiente de la pendiente es el estimado inicial del componente de
tendencia.
Pronsticos: el mtodo de suavizamiento exponencial doble usa los componentes
de nivel y de tendencia para generar los pronsticos. El pronstico 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.
Pgina 22
Por ejemplo:
1
2
3
4
File > Open worksheet EMPLOY.MTW.

Seleccionar Stat > Time Series > Double Exp Smoothing.
En Variable, poner Metals.
Seleccionar Generate forecasts, y 6 en Number of forecasts. Click OK.
Los resultados se muestran a continuacin:

Double Exponential Smoothing for Metals
Data
Length
Metals
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
61
48.0961
62
48.1357
63
48.1752
64
48.2147
65
48.2542
66
48.2937
Lower
46.7718
46.0600
45.3135
44.5546
43.7899
43.0221
Upper
49.4205
50.2113
51.0368
51.8747
52.7184
53.5652
Double Exponential Smoothing Plot for Metals

54
Variable
Actual
Fits
Forecasts
95.0% PI
52
Metals
50
SmoothingConstants
Alpha (level)
1.03840
Gamma (trend)
0.02997
48
AccuracyMeasures
MAPE
1.19684
MAD
0.54058
MSD
0.46794
46
44
42
40
1
14
21
28
35
Index
42
49
56
63
Pgina 23
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 mtodo de suavizamiento exponencial simple cuyos valores fueron 1.12,
0.70 y 0.76 respectivamente.
4.7 Mtodo de Winters

Se aplica cuando en la serie de tiempo se presentan los patrones de tendencia y
estacionalidad.
Suaviza los datos por el mtodo exponencial de Holt Winters. Se recomienda
este mtodo cuando se tienen presentes los componentes de tendencia y
estacionalidad ya sea en forma aditiva o multiplicativa.
El efecto multiplicativo se presenta cuando el patrn estacional en los datos
depende del tamao de los datos o sea cuando la magnitud del patrn estacional
se incrementa conforme los valores aumentan y decrece cuando los valores de los
datos disminuyen.
El efecto aditivo es mejor cuando el patrn estacional en los datos no depende del
valor de los datos, o sea que el patrn estacional no cambia conforme la serie se
incrementa o disminuye de valor.
El mtodo de Winters calcula los estimados de de tres componentes: nivel,
tendencia y estacionalidad. Calcula estimados dinmicos con ecuaciones para los
tres componentes: nivel, tendencia y estacionalidad. Estas ecuaciones dan una
mayor ponderacin a observaciones recientes y menos peso a observaciones
pasadas, las ponderaciones decrecen geomtricamente a una tasa constante.
La ponderacin 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 estimacin.
Tiene una amplitud de pronstico de corta a media siguiendo una tendencia con
un patrn estacional.
Pgina 24
A continuacin se muestra una grfica con sus pronsticos utilizando un

suavizamiento exponencial triple.
El Mtodo de Holt Winters se puede ejecutar en forma sencilla con ayuda del
paquete estadstico Minitab.
A continuacin se muestra un ejemplo comparando los tres mtodos:
Pgina 25
Pgina 26
Ejemplo de pronsticos utilizando el Mtodo de Winters

Se desea predecir el empleo para los siguientes seis meses en la industria
alimenticia usando datos colectados sobre los ltimos 60 meses, usando el
mtodo de Winters con el modelo multiplicativo, dado que hay componente
estacional y de tendencia aparente en los datos.
Instrucciones de Minitab
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
Pgina 27
Winters' Method Plot for Food

Multiplicative Method
Variable
Actual
Fits
Forecasts
95.0% PI
75
70
SmoothingConstants
Alpha (level)
0.2
Gamma (trend)
0.2
Delta (seasonal)
0.2
Food
65
AccuracyMeasures
MAPE
1.88377
MAD
1.12068
MSD
2.86696
60
55
50
1
14
21
28
35
Index
42
49
56
63

La grfica muestra los valores de la serie y los valores estimados (un periodo
adelante) y los seis pronsticos.
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 continuacin.
Accuracy Measures
Multiplicative
MAPE 1.88377
MAD 1.12068
MSD 2.86696
Additive
1.95
1.15
2.67
ANLISIS DE CORRELACIN Y MTODO DE ARIMA

El anlisis de correlacin, anlisis de diferencias, autocorrelacin y autocorrelacin
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 pronsticos. El perfil
de pronstico depende del modelo de ajuste. Tiene la ventaja de ser ms flexible
que los mtodos de suavizamiento para el ajuste de los datos, sin embargo la
identificacin del modelo adecuado consume tiempo y no puede ser fcilmente
automatizado.
Pgina 28
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 continuacin:
C4
Food
53.5
53
53.2
52.5
53.4
56.5
65.3
70.7
66.9
58.2
55.3
53.4
52.1
Diferencias
*
*
*
*
*
*
*
*
*
*
*
*
-1.4
C5
Retrasos
*
*
*
*
*
*
*
*
*
*
*
*
53.5
Pgina 29

51.5
51.5
52.4
53.3
55.5
64.2
69.6
69.3
58.5
55.3
53.6
52.3
51.5
51.7
51.5
52.2
57.1
-1.5
-1.7
-0.1
-0.1
-1
-1.1
-1.1
2.4
0.3
0
0.2
0.2
0
0.2
-0.9
-1.1
1.6
53
53.2
52.5
53.4
56.5
65.3
70.7
66.9
58.2
55.3
53.4
52.1
51.5
51.5
52.4
53.3
55.5
4.8 Autocorrelacin
La autocorrelacin: es la correlacin entre observaciones de una serie de tiempo
separadas por K unidades de tiempo, su grfica se denomina funcin de
autocorrelacin (ACF), su anlisis permite seleccionar los trminos a ser incluidos
en el modelo ARIMA.
Una grfica de autocorrelacin, permite identificar estacionalidad donde no es fcil
de apreciar, como se observa en la grfica siguiente:
Primero se obtiene una grfica de corridas normal, por ejemplo:
Esta grfica indica cierto nivel de estacionalidad.

La grfica de autocorrelacin se muestra a continuacin:
Pgina 30
La grfica 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 grfica
de autocorrelacin parcial como sigue:
De la grfica se muestran picos de orden 2 que exceden los lmites de confianza,

por lo que el modelo debe tener este orden ARIMA(2).
Pgina 31
Ejemplo de autocorrelacin:
Se desea predecir el empleo para los siguientes seis meses en la industria
alimenticia usando datos colectados sobre los ltimos 60 meses, se utiliza el
modelo de autocorrelacin 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
correlacin de las series diferenciadas. En estos datos la magnitud de la tendencia
a largo plazo se ve pequea respecto al componente de estacionalidad, si hubiera
sido mayor se podra haber considerado tomar otra diferencia en el valor anterior 1
para inducir que sea estacionario.
1 File > 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
Pgina 32

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 funcin de autocorrelacin (ACF)
con bandas de confianza en 5% para comprobar la hiptesis de que las
correlaciones son iguales a cero.
Los valores de la funcin ACF muestran picos significativos en los valores
anteriores (lags) 1 y 2 con valores subsiguientes que no decaen rpidamente,
patrn tpico de un proceso autoregresivo.
4.9 Autocorrelacin parcial:

Es la correlacin entre conjuntos de pares ordenados de una serie de tiempo,
mide la fuerza de la relacin con otros trminos tomados en cuenta. La
autocorrelacin parcial en una posicin K es la correlacin entre residuos en
tiempo t de un modelo autoregresivo y las observaciones en la posicin K con
trminos para todas las posiciones que intervienen en el modelo autoregresivo. Su
grfica se denomina funcin de autocorrelacin (PACF). su anlisis permite
seleccionar los trminos a ser incluidos en el modelo ARIMA.
La correlacin cruzada: es la correlacin entre dos series de tiempo.
Ejemplo:
Se obtiene una funcin de autocorrelacin parcial (PACF) de los datos de empleo
anteriores, despus de tomar una diferencia del valor anterior 12 para determinar
el modelo ARIMA ms adecuado.
Pgina 33

1 Worksheet EMPLOY.MTW
2 Ejecutar Stat > Time Series > Differences.
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.
Se generan bandas de confianza en 5% para la hiptesis de que las correlaciones
son iguales a cero. Se observa un pico de 0.7 en el valor anterior 1, tpico 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.
Pgina 34
4.10 El mtodo ARIMA

Ajustar 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 pronsticos.
De acuerdo a Box y Jenkins para ajustar un modelo ARIMA a una serie de tiempo
proponen un mtodo iterativo que incluye:
Identificar el modelo aplicando el juicio del analista.

Estimar los parmetros.
Verificar la adecuacin del modelo.
Hacer pronsticos de ser necesario.
1. Primero, decidir si los datos son estacionarios. Es decir si los datos poseen
media y varianza constante.
Examinar la grfica de serie de tiempo para si es necesaria una

transformacin para tener varianza constante.
Examinar la funcin de autocorrelacin (ACF) para ver si las
autocorrelaciones no decaen, indicando que se pueden requerir diferencias
para dar una media constante.
Un patrn de estacionalidad que se repite cada k-simo intervalo de tiempo

sugiere tomar una diferencia k-sima para eliminar una porcin del patrn. La
mayora de las series no requieren ms de dos operaciones de diferencias u
rdenes. Si los picos de la ACF decaen rpidamente, no hay necesidad de
diferencias adicionales. Una indicacin de sobre diferenciacin de una serie es
que la primera autocorrelacin es cercana a -0.5 y pequeos valores dondequiera.
Pgina 35
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. Despus, examinar las funciones ACF y PACF de los datos estacionarios de
manera de identificar que modelo autorregresivo o de promedio mvil se sugiere.
Una funcin ACF con picos altos iniciales que decaen a cero o una funcin
PACF con picos altos en el primero y posiblemente en el segundo atraso
indica un proceso autorregresivo.
Una funcin ACF con pico alto inicial y posiblemente en el segundo retraso
y una funcin PACF con picos altos en los primeros atrasos que decaen a
cero indica un proceso de promedio mvil.
Si las funciones ACF y PACF tienen pico altos que gradualmente caen a
cero indican que los procesos de promedios mviles y autoregresivo estn
presentes.
3. Una vez que se ha identificado uno o ms de los modelos a utilizar, continuar

con el procedimiento de ARIMA.
Ajustar el modelo y examinar la significancia de los parmetros y

seleccionar un modelo que tenga el mejor ajuste.
o Si se desea un modelo estacional (intervalo en que se repite el
patrn) seleccionar Fit seasonal model e introducir el periodo (default
12).
o
o Para especificar los parmetros del modelo de promedios mviles y
autoregresivo incluyendo el modelo estacional o no estacional
ARIMA, seleccionar un valor de 0 a 5. Al menos uno de esos
parmetros no debe ser cero. La mayora de modelo slo requieren
dos parmetros. Si se pone 2 en la celda Moving Average en Seasonal
el modelo incluir trminos de primero y segundo orden de
promedios mviles.
o Para especificar el nmero de diferencias estacinales o no

estacinales a tomar, poner el nmero en la celda apropiada. Si se
requiere una diferencia estacional de K como el periodo de
estacionalidad, se tomar la diferencia k-sima.
o Para incluir la constante en el modelo, seleccionar Include constant
term in model.
Pgina 36
Checar que las funciones ACF y PACF de residuos indiquen un proceso

aleatorio, sin picos altos, usando las grficas de ARIMA. Si hay picos altos,
considerar cambiar el modelo.
Ejemplo de ARIMA
Las grficas de autocorrelacin (ACF) y de autocorrelacin parcial (PACF)
sugieren un modelo de autoregresivo de orden 1 o AR(1), despus de tomar una
diferencia de 12.
Ahora se corre el modelo, analizando las grficas y la bondad de ajuste.
Para tomar una diferencia estacional de orden 12, se especific el periodo
estacional de 12 y el orden de la diferencia 1, con esto se realiza el pronstico.
1 Worksheet EMPLOY.MTW.
2 Stat > Time Series > ARIMA.
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 dilogo.
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
Pgina 37
Residuals: SS = 51.0364 (backforecasts excluded)

MS = 1.1095 DF = 46
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
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 *
El modelo ARIMA converge en 9 iteraciones. El modelo AR(1) tiene un estadstico t
de 7.42, como regla si t es mayor a 2 se puede juzgar el parmetro 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
Pgina 38
se muestra en las grficas (estan dentro de los intervalos de confianza, asumiendo

que el valor 9 es aleatorio). El modelo AR(1) parece ser adecuado para
pronosticar.
En el ejemplo anterior se encontr 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 estimacin para los siguientes 12 meses.
Corrida de ARIMA para pronsticos:
Paso 1. Correr el modelo ARIMA sin grficas de ACF y PACF de los residuos
1 Worksheet EMPLOY.MTW.
2 Stat > Time Series > ARIMA.
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 Grfica de serie de tiempo
1 Seleccionar Graphs. Seleccionar Time series plot. OK.
Paso 3. Generar los pronsticos
1 Seleccionar Forecast. en Lead, poner 12 . OK en cada cuadro de dilogo.
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
Pgina 39
Residuals: SS = 51.0364 (backforecasts excluded)

MS = 1.1095 DF = 46
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
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
El modelo ARIMA proporciona pronsticos con bandas de confianza en 95%,
usando el modelo AR(1) la estacionalidad domina el perfil de pronsticos para los
prximos 12 meses con los valores pronosticados ligeramente mayores que los 12
meses previos.
Pgina 40

Metodos Series Tiempo

Cargado por

Copyright:

Formatos disponibles

Metodos Series Tiempo

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Metodos Series Tiempo

Cargado por

Copyright:

Formatos disponibles

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

Elabor: Primitivo Reyes Aguilar

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

METODOLOGA DE SERIES DE TIEMPO

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

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

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

Metodologa de anlisis con Series de tiempo

2. Diagramas de caja mltiples

P. Reyes / Marzo 2007

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

3. Grfica de estacionalidad por subserie

Comportamiento anual y subserie mostrando la estacionalidad

3. INDICADORES DE MODELOS DE SERIES DE TIEMPO

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

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

MSD: Desviacin cuadrtica media, es ms sensible a errores anormales de

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

Ajustar una tendencia por medio de un anlisis de tendencias esttico y

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

4.2 Mtodo de anlisis de tendencias

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

Las frmulas se muestran a continuacin:

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

Las instrucciones de Minitab son las siguientes:

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

1 Open Worksheet EMPLOY.MTW.

Trend Analysis for Trade

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

Interpretacin de los resultados

4.3 Mtodo de Descomposicin

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

Modelo de ajuste: La descomposicin tiene dos pasos:

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

Metodologa de anlisis con Series de tiempo

P. Reyes / Marzo 2007

Seasonal Analysis for RESI1

Original Data, by Seasonal Period

Percent Variation, by Seasonal Period

Residuals, by Seasonal Period

Component Analysis for RESI1

Seas. Adj. Data

Seasonally Adjusted Data

Interpretacin de los resultados

Metodologa de anlisis con Series de tiempo