Modelos de series de tiempos

Jos Alberto Magallanes Luna

Introduccin
Una serie de tiempo es aquel conjunto de
observaciones sobre una variable, que
generalmente es espaciada en el tiempo

 Un ejemplo son las observaciones

anuales del PBI de un pas, las ventas
mensuales de una compaa, el ndice
de Precios al Consumidor mensual,
etc. Una serie tambin puede mostrar
irregularidad
esta
irregularidad
espaciada en el tiempo, por lo que los
datos son de corte transversal.

ESTACIONALIDAD
La estacionalidad es importante cuando
tratamos de explicar un comportamiento de una
variable endgena, por que una parte de la
fluctuaciones que manifiestas las variables se
debe a factores estacinales como por ejemplo:
si analizamos el PBI mensual del PBI de
cualquier pas veremos se incrementa en gran
medida en le mes de diciembre, da de la madre,
da del padre, fiestas patrias o otras fechas.

Mtodos cuantitativos para establecer

pronsticos
Estas tcnicas necesitan el estudio de
informacin histrica para estimar los valores
futuros de la variable de inters. Estos modelos
se pueden agrupar en dos clases: univariados y
causales

Modelos univariados
Predicen el futuro de una serie con base en su
comportamiento histrico propio; son muy tiles
si el patrn detectado en el pasado se mantiene
hacia el futuro, de lo contrario no son
aconsejables. Los modelos integrated
autoregressive moving average model (ARIMA
model) son representativos de este grupo5 .

Modelos causales
Requieren la identificacin de otras variables
que se relacionan de la manera causa efecto con
la variable que se desea predecir. Una vez
identificadas estas variables relacionadas, se
construye un modelo estadstico que pretende
describir la relacin entre estas variables y la
variable que se desea pronosticar.

Tendencia secular
Como ya se coment, son aquellas variaciones
suaves y constantes que se suceden en un
perodo relativamente extenso. El perodo debe
ser largo, mnimo de cinco aos como para
establecer una lnea de tendencia significativa

Tendencia lineal
El modelo de regresin
lineal es el apropiado
para realizar pronsticos
cuando la tendencia es
lineal.

Ejemplo:

El objetivo de este cambio es necesario cuando

exploramos las variaciones estacionales de la
serie de tiempo,

 Con esta ecuacin determinamos los valores de

tendencia mensual haciendo un cambio de base
X=0 para enero de 1999; X=1 para febrero de
1999; X=59 para diciembre del 2003

Determinacin de la razn promedio de

cada mes rpmi
Las variaciones aleatorias de la serie se eliminan
promediando las cinco razones de cada mes.

Uso de los ndices estacionales en la

prediccin
A partir del mes que se desee estimar y con la
ecuacin de tendencia mensual de las ventas
obtenida en la frmula (3) se encuentra el valor
de tendencia para el mes deseado. Ahora bien, si
en seguida este valor lo multiplicamos por el
respectivo ndice estacional

Conclusin
Estas herramientas son tiles siempre y cuando
la informacin con la que se cuenta sea
confiable, de lo contrario, se sugieren mtodos
de tipo cualitativo.