Sunteți pe pagina 1din 31

Series Temporales

SERIES TEMPORALES
Autores: Manuel Terrdez (mterradez@uoc.edu), ngel A. Juan (ajuanp@uoc.edu)

ESQUEMA DE CONTENIDOS__

________________________

Medias mviles

Series Temporales

Anlisis de la serie

Anlisis de la tendencia Mtodo de descomposicin

Autocorrelacin
Modelo combinado

INTRODUCCIN

___________________

Una serie temporal es un conjunto de observaciones ordenadas en el tiempo, que pueden representar la evolucin de una variable (econmica, fsica, etc.) a lo largo de l. El objetivo del anlisis de una serie temporal es el conocimiento de su patrn de comportamiento, para as prever su evolucin futura, suponiendo que las condiciones no variarn. Dado que no se trata de fenmenos deterministas, sino sujetos a una aleatoriedad, el estudio del comportamiento pasado ayuda a inferir la estructura que permita predecir su comportamiento futuro, pero es necesaria una gran cautela en la previsin debido a la inestabilidad del modelo. La particular forma de la informacin disponible de una serie cronolgica (se dispone de datos en periodos regulares de tiempo) hace que las tcnicas habituales de inferencia estadstica no sean vlidas para estos casos, ya que nos encontramos ante n muestras de tamao 1 procedentes de otras tantas poblaciones de caractersticas y distribucin desconocidas. Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Series Temporales

OBJETIVOS

________________________

Entender la estructura especial de la informacin en una serie temporal. Comprender qu est sucediendo con los datos (patrn de comportamiento). Predecir valores futuros.

CONOCIMIENTOS PREVIOS

___________________________________

Aparte de estar iniciado en el uso del paquete estadstico Minitab, resulta muy conveniente haber ledo con profundidad los siguientes math-blocks: Estadstica descriptiva. Anlisis de regresin y correlacin lineal.

CONCEPTOS FUNDAMENTALES

______________________________

Consideraciones previas al anlisis


Normalmente, la mejor forma de comenzar a analizar los datos de una serie temporal es representar las observaciones vs. el tiempo a fin de detectar tendencias, patrones estacionarios, y outliers. Si la variabilidad de la serie cambia con el tiempo, es conveniente aplicar una transformacin a los datos que estabilice la varianza. Se suele utilizar una transformacin logartmica o, en ocasiones, considerar el cambio porcentual de cada observacin a la siguiente (en lugar de las propias observaciones). Para estudiar dicha variabilidad, podemos hacer (con ayuda de un programa estadstico, por ejemplo Minitab) lo siguiente: 1. 2. 3. Colocar las observaciones en la columna 1 Colocar en la columna 2 las observaciones desplazadas en un lugar (lag = 1) Calcular en la columna 3 la diferencia entre los datos de ambas columnas

Los pasos 2 y 3 se pueden hacer con Minitab mediante las opciones Stat > Time Series > Lag , y Calc > Calculator, o bien directamente con la opcin Stat > Time Series > Differences, como se muestra a continuacin:

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Series Temporales

Representando ahora la columna de las diferencias podemos saber si la varianza permanece aproximadamente constante.

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Series Temporales

200 100 0 -100 -200 -300 Index 10 20 30 40

En el ejemplo anterior, se observa que la varianza permanece aproximadamente constante (con excepcin de los dos outliers), por lo que no parece necesario aplicar ninguna transformacin a los datos. Es frecuente que nos interese comparar el valor observado en un instante temporal determinado con el valor observado en algn instante anterior. As, podramos estar interesados en comparar los datos de la columna OBSERV con los de la columna LAG = 1 (los mismos datos pero desplazados en una unidad temporal). Esta comparacin nos puede permitir determinar el coeficiente de correlacin entre ambos conjuntos de datos, lo cual ser til a la hora de realizar predicciones. Para determinar dichas correlaciones haremos uso de la funcin de autocorrelacin y de la funcin de autocorrelacin parcial. En el anlisis de las series temporales se considera que las observaciones contienen: (a) un patrn sistemtico, y (b) un componente de error aleatorio al que llamaremos ruido. La mayora de las tcnicas que veremos tendrn como objetivo filtrar dicho ruido.

DIFER

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Series Temporales

Anlisis de la tendencia
El anlisis de la tendencia es un mtodo que consiste en ajustar un modelo de tendencia general a una serie temporal con el fin de realizar predicciones. Se suele utilizar cuando la serie no contiene componente estacionario alguno. Los datos deben estar todos en la misma columna. Minitab permite elegir entre cuatro modelos diferentes: lineal, cuadrtico, exponencial, y curva en forma de S. En el caso de elegir este ltimo, es necesario eliminar de la columna todas las casillas que no contengan datos vlidos (missing data). El programa ofrece tres medidas para estimar la bondad del ajuste: (y t y t ) / y t n

MAPE =

100

(y t 0)

MAD =

yt yt n (y t y t ) n
2

MSD =

y En las expresiones anteriores, y t representa la observacin, t representa el valor pronosticado, y n representa el nmero de predicciones a realizar. Para las tres medidas, cuanto menor sea su valor, mejor ser el ajuste del modelo.

Descomposicin
El mtodo de descomposicin permite, dada una serie temporal, separarla en sus respectivos componentes: por un lado nos proporcionar la tendencia lineal y, por otro, su estacionalidad. Usaremos el mtodo de descomposicin cuando: (a) (b) deseemos realizar predicciones y la serie tenga un componente estacional, o queramos examinar la naturaleza de los componentes de la serie.

El componente estacional de la serie puede tener, con respecto a la tendencia, un carcter aditivo o un carcter multiplicativo. Usaremos un modelo multiplicativo cuando la variacin del patrn estacional aumente al desplazarnos hacia la derecha en el grfico. Si, por el contrario, la variacin del patrn estacional permanece constante, usaremos un modelo aditivo.

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Anlisis mltiple de datos

Modelo multiplicativo: Modelo aditivo:

y t = Tendencia Estacionalidad + Error y t = Tendencia + Estacionalidad + Error

Generalmente, realizaremos la descomposicin en un solo paso a partir de las observaciones colocadas en una nica columna. Sin embargo, cuando las observaciones muestren una tendencia no lineal, suele ser conveniente realizar una descomposicin de los residuos del modelo de tendencia previamente calculado. Esta alternativa suele mejorar el ajuste del modelo al combinar la informacin del anlisis de tendencia con la informacin de la descomposicin.

Modelo combinado Cuando las observaciones muestren una tendencia no lineal, suele ser conveniente
realizar una descomposicin de los residuos del modelo de tendencia previamente calculado (anlisis combinado). Esta alternativa suele mejorar el ajuste del modelo al combinar la informacin del anlisis de tendencia con la informacin de la descomposicin.

Medias mviles
El mtodo de las medias mviles es un mtodo dinmico que consiste en promediar observaciones consecutivas de una serie para suavizar el patrn que siguen los datos y realizar predicciones a corto plazo. Este procedimiento suele emplearse cuando las observaciones no muestran patrones de tendencia o estacionarios, si bien es posible emplearlo tambin con series que tengan componentes estacionarios o de tendencia. Para calcular la media mvil se promedian grupos de observaciones consecutivas. Supongamos, por ejemplo, que una serie comienza con los nmeros 4, 5, 8, 9, 10, , y que usamos una longitud de 3 para calcular la media mvil. Entonces, los dos primeros valores de la media mvil sern desconocidos, mientras que el tercero ser el promedio entre las observaciones 4, 5, y 8. Por su parte, el cuarto valor ser el promedio entre 5, 8, y 9, etc. Si la serie no tiene componente estacionario, suele ser habitual tomar medias mviles de poca longitud para suavizar la serie, si bien dicha longitud depende del nivel de ruido (error) que contenga la serie: si tomamos una media mvil de longitud grande estaremos eliminando mucho ruido, pero el patrn resultante tambin ser menos sensible a cambios en las series. Si la serie contiene un patrn estacionario se suele usar el perodo como longitud para la media mvil.

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Anlisis mltiple de datos

Autocorrelacin y autocorrelacin parcial


A la hora de realizar pronsticos, sera muy til detectar la existencia, en las observaciones, de algn patrn que nos indicase cmo varan los datos de un instante temporal al siguiente. Por ejemplo, podra ocurrir que un valor por debajo de la media en el instante t propiciara obtener un valor alto en el instante t+1 (o viceversa). La funcin de autocorrelacin nos puede ayudar a identificar tales patrones. La idea es calcular el coeficiente de correlacin entre el conjunto de observaciones y el conjunto de observaciones desplazadas en n instantes temporales (lag = n). Lgicamente, estaremos interesados en detectar niveles altos de autocorrelacin. Pero no debemos olvidar que los coeficientes de autocorrelacin son dependientes entre s. Por ejemplo: si la primera columna (observaciones) est fuertemente correlacionada con la segunda (lag = 1), y sta a su vez con la tercera (lag = 2), entonces la primera estar tambin correlacionada con la tercera. Por este motivo, suele ser interesante calcular tambin la funcin de autocorrelacin parcial, en la cual ya se eliminan las dependencias con columnas intermedias. En cierto sentido, podramos decir que la autocorrelacin parcial proporciona una visin ms clara de las dependencias entre las observaciones.

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Series Temporales

CASOS PRCTICOS CON SOFTWARE___________________________________


Nmero de empleados de una empresa
Durante los ltimos 60 meses, hemos ido registrando el nmero de empleados de una gran empresa (fichero Empleados.mtw). Deseamos ahora hacer una prediccin, sobre la evolucin de este indicador, en los prximos 12 meses. Dado que se observa en los datos un patrn curvilneo, usaremos un modelo cuadrtico para ajustar las observaciones. Adems, tambin se observa un componente estacionario, por lo que guardaremos los residuos a fin de realizar, ms adelante, una descomposicin de los mismos y poder as mejorar nuestro modelo. Anlisis de la tendencia Seleccionamos Stat > Time Series > Trend Analisis :

Completamos la ventana Trend Analisis y la de Storage como se muestra a continuacin:

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Series Temporales

Trend Analysis
Data Length NMissing Empleados 60,0000 0

Fitted Trend Equation Yt = 320,762 + 0,509373*t Accuracy Measures MAPE: MAD: MSD: Row 1 2 3 4 ... Period 61 62 63 64 ... 1,70760 5,95655 59,1305 FORE1 391,818 393,649 395,502 397,376 ... + 1,07E-02*t**2

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Series Temporales

Trend Analysis for Empleados


Quadratic Trend Model Yt = 320,762 + 0,509373*t + 1,07E-02*t**2 420
Actual Fits Forecasts Actual Fits Forecasts

Empleados

370

320 0 10 20 30 40 50 60 70

MAPE: MAD: MSD:

1,7076 5,9566 59,1305

Time

El grfico anterior muestra las observaciones (Actual), la curva de tendencia que se ajusta a las mismas (Fits), y los valores pronosticados (Forecasts). Las observaciones presentan una tendencia creciente, con un claro componente estacionario. La curva obtenida parece ajustarse bastante bien a la tendencia de las observaciones, pero el patrn estacionario no est siendo considerado en este modelo.

Anlisis de descomposicin Seleccionamos Stat > Time Series > Decomposition y completamos las ventanas como se indica (elegiremos un modelo aditivo):

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

10

Series Temporales

El output del programa nos ofrece informacin textual y grfica. Observar que, con este modelo, obtenemos un valor de 20,30 para el MSD: Time Series Decomposition
Data Length NMissing Empleados 60,0000 0

Trend Line Equation Yt = 313,989 + 1,16485*t Seasonal Indices Period 1 2 3 4 5 6 7 8 9 10 11 12 Index -8,48264 -13,3368 -11,4410 -5,81597 0,559028 3,55903 1,76736 3,47569 3,26736 5,39236 8,49653 12,5590

Accuracy of Model MAPE: MAD: MSD: Forecasts Row 1 2 3 4 5 6 7 8 9 10 11 12 Period 61 62 63 64 65 66 67 68 69 70 71 72 Forecast 376,562 372,873 375,933 382,723 390,263 394,428 393,801 396,674 397,631 400,921 405,190 410,417 0,8797 2,9550 20,2982

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

11

Series Temporales

Decomposition Fit for Empleados

Actual

400

Predicted Forecast Actual Predicted Forecast

Empleados

350

300 0 10 20 30 40 50 60 70

MAPE: MAD: MSD:

0,8797 2,9550 20,2982

Time
En las siguientes imgenes se muestran, por separado, la serie original de observaciones, los datos una vez eliminada la tendencia, los datos una vez extrado el patrn estacional, y los datos una vez extrados el patrn estacional y la tendencia:

Component Analysis for Empleados


Original Data
400 390 380 370 360 350 340 330 320 310 0 10 20 30 40 50 60 10 0 -10 -20 0 10 20 30 40 50 60

Detrended Data

Seasonally Adjusted Data


390 380 370 360 350 340 330 320 0 10 20 30 40 50 60 15 10 5 0 -5 -10

Seasonally Adj. and Detrended Data

10

20

30

40

50

60

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

12

Series Temporales Finalmente, en el ltimo conjunto de grficos se muestra un anlisis estacional: grfico de ndices estacionales, grfico de variacin porcentual por estaciones, grfico de boxplots referidos a observaciones agrupadas por perodos estacionarios, y grfico de boxplots de los residuos agrupados por perodos estacionarios.

Seasonal Analysis for Empleados


Seasonal Indices
10 400 390 380 370 360 350 340 330 320 310 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12

Original Data, by Seasonal Period

-10

Percent Variation, by Seasonal Period


15 15 10 5 0 -5 0 1 2 3 4 5 6 7 8 9 10 11 12 -10

Residuals, by Seasonal Period

10

9 10 11 12

Anlisis combinado (tendencia+descomposicin) Usaremos los residuos obtenidos en el anlisis de la tendencia (guardados en la columna RESI1) para combinarlo con el mtodo de descomposicin: Seleccionamos Stat > ventanas como se indica:

Time Series > Decomposition y completamos las

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

13

Series Temporales A continuacin se muestra el output generado por el programa: Time Series Decomposition
Data Length NMissing RESI1 60,0000 0

Seasonal Indices Period 1 2 3 4 5 6 7 8 9 10 11 12 Index -8,48264 -13,3368 -11,4410 -5,81597 0,559028 3,55903 1,76736 3,47569 3,26736 5,39236 8,49653 12,5590

Accuracy of Model MAPE: MAD: MSD: Forecasts Row 1 2 3 4 5 6 7 8 9 10 11 12 Period 61 62 63 64 65 66 67 68 69 70 71 72 FORE2 -8,4826 -13,3368 -11,4410 -5,8160 0,5590 3,5590 1,7674 3,4757 3,2674 5,3924 8,4965 12,5590 881,582 2,802 11,899

El grfico siguiente nos proporciona la serie de residuos original (Actual), la lnea de tendencia asociada (horizontal, ya que son los residuos), los valores estimados (Predicted), y los pronosticados (Forecasts):

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

14

Series Temporales

Decomposition Fit for RESI1

Actual Predicted

10

Forecast Actual Predicted Forecast

RESI1

-10
MAPE: MAD: MSD: 881,582 2,802 11,899

-20 0 10 20 30 40 50 60 70

Time
En las siguientes imgenes se muestran, por separado, la serie original de observaciones (residuos), los datos una vez eliminada la tendencia (en este caso queda igual, por ser la tendencia horizontal), los datos una vez extrado el patrn estacional, y los datos una vez extrados el patrn estacional y la tendencia:

Component Analysis for RESI1


Original Data
10 0 -10 -20 0 10 20 30 40 50 60 10 0 -10 -20 0 10 20 30 40 50 60

Detrended Data

Seas onally Adjus ted Data


10 5 0 -5 0 10 20 30 40 50 60 10 5 0 -5

Seas onally Adj. and Detrended Data

10

20

30

40

50

60

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

15

Series Temporales En el primero de los grficos (Decomposition FIT) se observa que los residuos obtenidos en el anlisis de tendencia (ver ejemplo anterior) se ajustan bastante bien por el modelo generado usando el mtodo de descomposicin. Si acaso, vemos que el valor estimado en el primero de los ciclos es considerablemente menor que el valor real, mientras que ocurre todo lo contrario en el ltimo de los ciclos. Esto tambin se puede apreciar claramente en el grfico de nombre Seasonally Adj. And Detrended Data.

Finalmente, en el ltimo conjunto de grficos se muestra un anlisis estacional: grfico de ndices estacionales, grfico de variacin porcentual por estaciones, grfico de boxplots referidos a observaciones (residuos) agrupadas por perodos estacionarios, y grfico de boxplots de los residuos (de las observaciones) agrupados por perodos estacionarios.

Seasonal Analysis for RESI1


Seasonal Indices
10 10 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

Original Data, by Seasonal Period

Percent Variation, by Seasonal Period


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

Residuals, by Seasonal Period

9 10 11 12

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

16

Series Temporales

Veamos ahora cmo podemos calcular los valores estimados (Predicted) y los pronosticados (Forecasted):

Seleccionamos Calc > Calculator .

Guardaremos los nuevos valores estimados, obtenidos como suma (por ser un modelo aditivo) de:

(a) los valores estimados provenientes del anlisis de la tendencia (FITS1), y

(b) los provenientes de la descomposicin de los residuos (FITS2)


Completaremos, pues, la ventana como se muestra a continuacin:

Ahora haremos lo mismo con los valores pronosticados:

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

17

Series Temporales

Comprobemos cmo quedan todos los datos anteriores en un grfico de series temporales. Usaremos la opcin Graph > Time Series Plot :

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

18

Series Temporales

400 Empleados

350

300 Index 2 12 22 32 42 52 62 72

En el grfico anterior, los crculos representan las observaciones, los smbolos + representan las estimaciones. Los pronsticos se representan con otro smbolo. Calculemos ahora el valor del MSD. Haremos uso para ello de la frmula y de la opcin Calc

> Calculator :

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

19

Series Temporales

Como se observa en la siguiente pantalla, el valor del MSD que se obtiene con este mtodo combinado es de 11,90:

Podemos comparar la bondad del ajuste de los diferentes modelos usando el MSD obtenido. El valor del MSD para el modelo de tendencia cuadrtica era de 59,13. Los modelos de descomposicin aditiva y multiplicativa con tendencia lineal daran un MSD de 20,30 y 18,54 respectivamente. El valor del MSD para la combinacin de tendencia cuadrtica y descomposicin de residuos es de 11,90, lo que indica que este mtodo combinado es el que proporciona un mejor ajuste. Probablemente sea tambin interesante calcular el valor MSD para el modelo multiplicativo.

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

20

Series Temporales

Evolucin de la temperatura de un ro
En el archivo Rio.mtw se ha registrado (en la variable Temp) la temperatura del agua de un ro en las ltimas 90 horas. En primer lugar, a fin de determinar si la temperatura en una hora concreta est correlacionada con la temperatura registrada una hora antes, dos horas antes, etc., calcularemos la funcin de autocorrelacin con lags = 24 Posteriormente realizaremos con Minitab un anlisis de la tendencia y un anlisis de descomposicin (no combinado) de la serie temporal que origina la variable Temp. Por otra parte, usando medias mviles de longitud 4, intentaremos predecir la temperatura de las prximas 12 horas Estudio de la autocorrelacin y la autocorrelacin parcial

Stat > Time Series > Autocorrelation :

Observar en el grfico siguiente que la funcin de correlacin tiene una forma senosuidal, lo cual sugiere que las temperaturas de horas cercanas estarn positivamente correlacionadas (de hecho, el valor obtenido para la correlacin entre la columna de las observaciones y la columna desplazada en una unidad es de 0,95), mientras que temperaturas separadas por 12 horas estarn negativamente correlacionadas (-0,70 en este ejemplo). Notar tambin la existencia de un componente estacionario de perodo 24 horas.

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

21

Series Temporales

Autocorrelation Function for Temp


1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0

Autocorrelation

12

22

Lag Corr

LBQ

Lag Corr

LBQ

Lag Corr

LBQ

Lag Corr

LBQ

1 0,95 9,25 88,34 2 0,84 4,87 157,57 3 0,67 3,21 203,14 4 0,48 2,06 226,19 5 0,26 1,08 233,18 6 0,04 0,16 233,34 7 -0,17 -0,70 236,44

8 -0,36 -1,44 249,83 9 -0,50 -2,00 277,09 10 -0,61 -2,33 317,54 11 -0,67 -2,43 367,27 12 -0,70 -2,37 420,99 13 -0,68 -2,19 472,74 14 -0,62 -1,91 516,86

15 -0,53 -1,57 549,45 16 -0,41 -1,18 569,00 17 -0,26 -0,75 577,17 18 -0,10 -0,27 578,29 19 0,08 0,21 578,99 20 0,24 0,69 586,23 21 0,39 1,11 605,55

22 0,52 1,45 640,21 23 0,62 1,68 688,98 24 0,66 1,75 745,79

Al analizar grficos como el anterior, no debemos olvidar que los coeficientes de autocorrelacin son dependientes entre s. Por ejemplo: si la primera columna (observaciones) est fuertemente correlacionada con la segunda (lag = 1), y esta a su vez con la tercera (lag = 2), entonces la primera estar tambin correlacionada con la tercera. Por este motivo, suele ser interesante calcular tambin la funcin de autocorrelacin parcial, en la cual ya se eliminan las dependencias con columnas intermedias. En cierto sentido, podramos decir que la autocorrelacin parcial proporciona una visin ms clara de las dependencias entre las .

Stat > Time Series > Partial Autocorrelation :

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

22

Series Temporales

Partial Autocorrelation Function for Temp


Partial Autocorrelation
1,0 0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0

12

22

Lag PAC 1 0,95 2 -0,66 3 -0,29 4 -0,23 5 -0,09 6 -0,16 7 -0,01

T 9,25 -6,44 -2,80 -2,28 -0,84 -1,60 -0,11

Lag PAC 8 0,02

T 0,24 -0,77 -0,30 -0,77 -1,36 -0,70 0,35

Lag PAC 15 16 17 18 19 21 0,04 0,10 0,07 0,16 0,01 0,02

T 0,40 0,95 0,72 1,56 0,06 -0,16 0,19

Lag PAC 22 0,14 23 -0,10 24 -0,13

T 1,36 -0,93 -1,25

9 -0,08 10 -0,03 11 -0,08 12 -0,14 13 -0,07 14 0,04

20 -0,02

Anlisis de la tendencia Dado que se observa en los datos un patrn lineal, usaremos un modelo lineal para ajustar las observaciones. Adems, tambin se observa un claro componente estacionario, por lo que guardaremos los residuos a fin de realizar, ms adelante, una descomposicin de los mismos y poder as mejorar nuestro modelo. Seleccionamos Stat > Time Series > Trend Analisis

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

23

Series Temporales

La salida que ofrece Minitab es la siguiente: Trend Analysis


Data Length NMissing Temp 95,0000 0

Fitted Trend Equation Yt = 42,6710 - 2,11E-02*t Accuracy Measures MAPE: MAD: MSD: Row 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Period 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 6,13991 2,51294 8,26801 FORE1 40,6501 40,6291 40,6080 40,5869 40,5659 40,5448 40,5238 40,5027 40,4817 40,4606 40,4396 40,4185 40,3975 40,3764 40,3554 40,3343 40,3133 40,2922 40,2712 40,2501 40,2291 40,2080 40,1870 40,1659

Observar que las medidas de bondad del ajuste (MAPE, MAD y MSD) mantienen unos valores bastante buenos (pequeos). El siguiente grfico muestra las observaciones (Actual), la curva de tendencia que se ajusta a las mismas (Fits), y los valores pronosticados (Forecasts). Las observaciones presentan una tendencia decreciente, con un claro componente estacionario. La recta obtenida no ajusta mal la tendencia de las observaciones, pero el patrn estacionario no est siendo considerado en este modelo.

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

24

Series Temporales

Trend Analysis for Temp


Linear Trend Model Yt = 42,6710 - 2,11E-02*t 45
Actual Fits Forecasts Actual Fits Forecasts

Temp

40

35 0 50 Pasamos a realizar el anlisis de descomposicin. 100

MAPE: MAD: MSD:

6,13991 2,51294 8,26801

Time

Anlisis de descomposicin Utilizamos un modelo aditivo, al no observarse que la variacin del patrn estacional crezca con el tiempo. Seleccionamos Stat > Time Series > Decomposition

La salida que ofrece Minitab es la siguiente:

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

25

Series Temporales Time Series Decomposition


Data Length NMissing Temp 95,0000 0

Trend Line Equation Yt = 42,6710 - 2,11E-02*t Seasonal Indices Period 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Index 0,919957 1,60121 1,94391 2,41391 2,91829 3,09621 2,99412 3,15204 3,16475 3,07621 2,61058 0,905998 -1,14609 -1,59484 -2,81734 -3,60754 -4,40838 -4,77692 -4,44046 -3,22254 -1,92629 -0,73692 -0,10129 -0,01859

Accuracy of Model MAPE: MAD: MSD: Forecasts Row 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Period 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 Forecast 40,6315 41,5490 42,2092 42,5309 42,9798 43,4631 43,6200 43,4969 43,6337 43,6254 43,5158 43,0291 41,3035 39,2304 38,7606 37,5170 36,7057 35,8839 35,4943 35,8097 37,0065 38,2817 39,4501 40,0646 2,03073 0,83542 1,13924

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

26

Series Temporales

Notar que todas las medidas de bondad del ajuste (MAPE, MAD y MSD) son menores que en el caso anterior, lo cual indica que este modelo se ajusta mejor a la serie. Esto tambin se ve claramente en el primero de los grficos siguientes, donde se observa que ahora el componente estacional s se est teniendo en cuenta. En el segundo bloque de imgenes se muestran, por separado, la serie original de observaciones, los datos una vez eliminada la tendencia, los datos una vez extrado el patrn estacional, y los datos una vez extrados el patrn estacional y la tendencia Finalmente, en el ltimo conjunto de grficos se muestra un anlisis estacional: grfico de ndices estacionales, grfico de variacin porcentual por estaciones, grfico de boxplots referidos a observaciones agrupadas por perodos estacionarios, y grfico de boxplots de los residuos agrupados por perodos estacionarios.

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

27

Series Temporales

Decomposition Fit for Temp

Actual

45

Predicted Forecast Actual Predicted Forecast

Temp

40

35 0 50 100

MAPE: MAD: MSD:

2,03073 0,83542 1,13924

Time

Component Analysis for Temp


Original Data
45 5

Detrended Data

40

35 0 10 20 30 40 50 60 70 80 90 100

-5 0 10 20 30 40 50 60 70 80 90 100

Seasonally Adjusted Data


44 43 42 41 40 39 38 37 0 10 20 30 40 50 60 70 80 90 100 2 1 0 -1 -2 -3

Seasonally Adj. and Detrended Data

10 20 30 40 50 60 70 80 90 100

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

28

Series Temporales

Seasonal Analysis for Temp


Seasonal Indices
3 2 1 0 -1 -2 -3 -4 -5 2 4 6 8 10 12 14 16 18 20 22 24 45

Original Data, by Seasonal Period

40

35 2 4 6 8 10 12 14 16 18 20 22 24

Percent Variation, by Seasonal Period


7 6 5 4 3 2 1 0 2 4 6 8 10 12 14 16 18 20 22 24 2 1 0 -1 -2 -3 2

Residuals, by Seasonal Period

8 10 12 14 16 18 20 22 24

A pesar de que una transformacin de la variable suele tener efectos positivos en el anlisis, en este caso no parece que sea necesario a la vista del grfico de residuos, ya que presentan un comportamiento errtico alrededor del 0, sin ningn patrn claro.

Medias mviles Utilizamos un modelo aditivo, al no observarse que la variacin del patrn estacional crezca con el tiempo. Seleccionamos Stat > Time Series > Moving Average

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

29

Series Temporales

Moving average
Data Length NMissing Temp 95,0000 0

Moving Average Length: 4 Accuracy Measures MAPE: 3,78930 MAD: 1,54115 MSD: 3,28697 Row 1 2 3 4 5 6 7 8 9 10 11 12 Period 96 97 98 99 100 101 102 103 104 105 106 107 Forecast 36,37 36,37 36,37 36,37 36,37 36,37 36,37 36,37 36,37 36,37 36,37 36,37 Lower 32,8165 32,8165 32,8165 32,8165 32,8165 32,8165 32,8165 32,8165 32,8165 32,8165 32,8165 32,8165 Upper 39,9235 39,9235 39,9235 39,9235 39,9235 39,9235 39,9235 39,9235 39,9235 39,9235 39,9235 39,9235

La prediccin que nos ofrece el anlisis es que la temperatura en las prximas 12 horas estar entre 32,82 y 39,92; siendo el valor medio 36,37. En el siguiente grfico se muestran las observaciones (Actual), los valores estimados (Predicted), y los valores pronosticados (Forecast). Observar que el patrn de los valores estimados est ligeramente desplazado a la derecha con respecto al patrn de las observaciones (ello se debe a que el valor estimado en el instante t es el valor de la media mvil en t-1).

45

Actual Predicted Forecast Actual Predicted

Temp

40

Forecast

Moving Average Length: 4 3,78930 1,54115 3,28697

35

MAPE: MAD: MSD:

50

100

Time

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

30

Series Temporales

BIBLIOGRAFA
[1] [2] [3] [4] [5] [5] [7]

______________________________________________

Bar, J. y Alemany, R. (2000): Estadstica II. Ed. Fundaci per a la Universitat Oberta de Catalunya. Barcelona. Pea Snchez de Rivera, D. (1987): Estadstica. Modelos y Mtodos. Volumen 2. Alianza Editorial. Madrid. ISBN: 84-206-8110-5 Johnson, R. R. (1996): Elementary statistics. Belmont, etc. : Duxbury, cop Kvanli, A. (????): Introduction to Business Statistics. South-Western. Martn-Guzmn, P. (1991): Curso bsico de estadstica econmica. AC, DL. Madrid. ISBN: 84-7288-142-3 Uriel, E. (????): Anlisis de datos. ???. Valencia. ISBN: -???? Pepi, M. (2001): Series Temporales. Edicions UPC. Barcelona. ISBN: 84-8301-526-9

ENLACES

___________________________________

http://perso.wanadoo.es/bledatobias/series.html Curso "Anlisis, Regresin y Prediccin de Series Temporales Epidemiolgicas" http://www.ii.uam.es/~asuarez/docencia/doctorado/TS2001.html Curso de doctorado de la Universidad Autnoma de Madrid: "Series Temporales"

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

31

S-ar putea să vă placă și