Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Series de tiempo
Mgr. Jos Luis Morales Rocha
Componente cclico
Es la fluctuacin en forma de onda alrededor de la tendencia.
Componente estacional
Es un patrn de cambio que se repite as mismo ao tras ao.
Componente aleatorio
Mide la variabilidad de las series de tiempo despus de retirar los otros componentes.
Autocorrelacin
Es la correlacin existente entre una variable que es desfasada uno o ms periodos y la misma variable de la serie de tiempo. Los patrones de datos que incluyen componentes como tendencia, estacionalidad e irregularidad se pueden estudiar usando el enfoque de anlisis de correlacin. Para el clculo del coeficiente de autocorrelacin de primer orden (r1) o la correlacin entre Yt y Yt-1 est dado por: ( )( ( ) )
Dnde: : Coeficiente de autocorrelacin de primer orden : Media de los valores de la serie : Observacin en el periodo t : Observacin en el periodo anterior o en el periodo t-1 Para el clculo del coeficiente de autocorrelacin de orden k; (rk) entre Yt y Yt-1, est dado por: ( )( ( ) )
Por ejemplo, Harry Vilca reuni datos sobre el nmero de videocaseteras que vendi el ao pasado. Los datos se presentan en la siguiente tabla:
Periodo t 1 2 3 4 5 6 7 8 9 10 11 12
2
Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Setiembre Octubre Noviembre Diciembre
Datos originales Yt 123 130 125 138 145 142 141 146 147 157 150 160
Y desfasada un periodo Yt-1 123 130 125 138 145 142 141 146 147 157 150
Y desfasada dos periodos Yt-1 123 130 125 138 145 142 141 146 147 157
Periodo t 1 2 3 4 5 6 7 8 9 10 11 12
Yt 123 130 125 138 145 142 141 146 147 157 150 160 1704
Yt-1 123 130 125 138 145 142 141 146 147 157 150
Existe alguna correlacin en esta serie de tiempo desfasada un periodo. Esto significa que las ventas sucesivas de videocasetes estn de alguna manera relacionadas una con otra. ( )( ( ) )
Existe una autocorrelacin moderada en esta serie de tiempo desfasada en dos periodos. Por consiguiente, utilizaremos el programa Eviews para poder visualizar las autocorrelaciones en varias desfases de tiempo.
Correlograma
Es una herramienta grafica que se emplea, para exhibir las autocorrelaciones para varios desfases en una serie de tiempo. Para nuestro ejemplo se muestran en el siguiente esquema:
Los coeficientes de autocorrelacin para diferentes periodos desfasados de una variable se pueden utilizar en una serie de tiempo de datos para identificar lo siguiente: Los datos son aleatorios? Los datos tienen una tendencia (no estacionaria)? Los datos son estacionarios? Los datos son estacionales?
1. Si una serie es aleatoria; la correlacin entre Yt y Yt-1 es cercana a cero y los valores sucesivos de la serie de tiempo no guardan relacin entre s. 2. Si una serie tiene tendencia, Yt y Yt-1 estn altamente correlacionados y es tpico que los coeficientes de autocorrelacin sean diferentes de cero de manera significativa para varios de los primeros periodos de desfasamiento y caigan gradualmente hacia cero al incrementarse el nmero de periodos. 3. Si una serie tiene un patrn estacional, se presentara un coeficiente de autocorrelacin significativo en el periodo de desfasamiento correspondiente: cuatro en los datos trimestrales o doce en los mensuales. 4. Si una series es estacionaria, es aquella cuyas propiedades estadsticas bsicas, como la media y la varianza permanecen constantes en el tiempo. Se dice que una serie que no presenta crecimiento o declinaron es estacionaria. Los coeficientes de autocorrelacin de datos estacionarios caen a cero despus del segundo o tercer periodo de desfasamiento.
(1)
Dnde: Z: Es el valor normal estndar para un novel de confianza dado. n: Nmero de observaciones en la serie. Prueba de hiptesis para determinar si una serie es aleatoria
El estadstico de prueba est dado por: Ejemplo, Se tiene una serie con 30 observaciones:
Periodo t 1 2 3 4 5 6 7 8 9 10 Yt 646 477 560 688 892 386 747 533 127 54 Periodo t 11 12 13 14 15 16 17 18 19 20 Yt 707 709 39 164 30 708 379 458 590 766 Periodo t 21 22 23 24 25 26 27 28 29 30 Yt 173 145 674 533 67 296 838 242 717 196
Por lo tanto, podemos observar que las muestras son aleatorias, entonces hallamos los valores de la ecuacin (1). {
Podemos concluir que si un coeficiente de autocorrelacin es menor que -0.353 mayor que 0.353, entonces se rechaza la hiptesis nula, en caso contrario no rechazarla (rechazar H0 si rk <-0.353 rk >0.353). Para ello hallamos el Correlograma como se muestra a continuacin:
Las dos lneas de los puntos paralelas al eje vertical son los lmites de confianza al 95% (<-0.353 y 0.353), se verifican 16 periodos de desfase y todos los coeficientes de autocorrelacin se ubican dentro de estos lmites. Por consiguiente se determinar que la serie es aleatoria.
En estas series se deben quitar la tendencia antes de realizar cualquier anlisis posterior, como su uso en los procedimientos de Box-Jenkins. Por ejemplo, A Alberto Mendoza un analisite se le asigna la tarea de pronosticas las ventas del 2010. Alberto rene los datos de 1974 a 2009, como se muestra en la tabla siguiente:
AO 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 VENTAS DE ROPA Yt 3307 3556 3601 3721 4036 4134 4268 4578 4093 5716 6357 6769 7296 8178 8844 9251 10006 10991 AO 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 VENTAS DE ROPA Yt 12306 13101 13639 14950 17224 17946 17514 25195 27357 30020 35883 38828 40715 44282 48440 52251 53794 55972 57242
VENTAS
60,000
50,000
40,000
30,000
20,000
10,000
Al examinarlo nota que las autocorrelaciones para los primeros 7 periodos de desfasamiento son significativamente diferentes de cero y que estos valores gradualmente caen a cero. Por lo tanto Alberto determina que los datos tienen tendencia.
Alberto sabe que la serie debe diferenciarse para quitar la tendencia y crear una serie estacionaria. Primero realiza la diferenciacin de los datos mediante el Eviews y desarrolla un Correlograma similar al siguiente:
En este Correlograma se aprecia que el coeficiente de autocorrelacin para el periodo de desfasamiento 3, es significativamente diferente de cero y que los dos primeros coeficientes y el cuarto estn cerca de ser significativos. Despus del tercer desfase el patrn decae gradualmente a cero.
Graficando la serie:
VENTAS
500 450 400 350 300 250 200 150 100 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
El Correlograma es el siguiente:
10
Se observa que en periodo 4 de desfasamiento, los coeficientes de autocorrelacin son significativamente diferentes de cero (0.733 > 0.31), por lo que se concluye que las ventas son estacionales en una base trimestral.
Para una buena seleccin de la tcnica de pronstico adecuada, el pronosticador deber hacer lo siguiente: 1. Definir la naturaleza del problema 2. Explicar la naturaleza de los datos bajo investigacin 3. Describir las capacidades y limitaciones de las tcnicas de pronsticos potencialmente tiles. 4. Desarrollar algunos criterios predeterminados sobre los cuales se pueda tomar la decisin de seleccin. Un factor importante que influye en la seleccin de una tcnica de pronostico consiste en la identificacin y comprensin de patrones histricos en los datos. Si se pueden reconocer patrones de tendencia, cclicos o estacionales, entonces se pueden seleccionar las tcnicas con la capacidad de utilizar eficazmente estos patrones.
Las tcnicas a considerar al pronosticar series estacionales son descomposicin clsica, Census II, atenuacin exponencial de Winter, regresin mltiple de series de tiempo y mtodos de Box-Jenkins.
Residual
Un residual es la diferencia entre un valor real y su valor de pronstico. Para determinar el error residual de cada periodo de pronstico, se utiliza la siguiente formula: En donde: : Error del pronstico en el periodo t : Valor real en el periodo t : Valor del pronstico en el periodo t
En el siguiente ejemplo se presenta datos del nmero de clientes diarios que requieren trabajos de reparacin Yt y un pronstico de estos datos. La tcnica de pronstico utiliza el nmero de clientes atendidos en el periodo anterior, como pronostico del periodo actual.
Periodos t Datos Yt Clientes Pronostico del error
| |
(| | )
( )
1 2 3 4 5 6 7 8 9
58 54 60 55 62 62 65 63 70
58 54 60 55 62 62 65 63
-4 6 -5 7 0 3 -2 7 12
4 6 5 7 0 3 2 7 34
16 36 25 49 0 9 4 49 188
Los clculos para evaluar este modelo mediante DAM, EMC, PEMA y PME se muestran en la tabla y en las siguientes formulas:
13
| ) |
( |
En conclusin tenemos que: La DAM indica que cada pronostico esta desviado en un promedio de 4.3 clientes. El EMC indica de 23.5 y el PEMA de 6.95% se compararan con el EMC y PEMA de cualquier otro modelo empleado para pronosticar estos datos. Por ltimo, un bajo PME de 2.03% indica que la tcnica no est desviada; ya que su valor es cercano a cero, la tcnica no sobrestima ni subestima en forma consistente el numero diario de clientes atendidos.
14