Desarrollo

a). Realice un gráfico de la serie temporal ¿Es este un proceso estacionario?

Comente respecto a cada uno de sus componentes. Utilice la función decompose en
R para fundamentar su respuesta.

Primero se grafica de la serie de tiempo {𝑌𝑡 }, obteniéndose el siguiente gráfico.

Del gráfico anterior se puede observar que la serie es aditiva pues la “amplitud” de la serie
se mantiene constante a lo largo del tiempo.
Para analizar si la serie es estacionaria, se realiza el test de Dickey-fuller, el cual plantea lo
siguiente:
𝐻0 : 𝐿𝑎 𝑠𝑒𝑟𝑖𝑒 𝑛𝑜 𝑒𝑠 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑟𝑖𝑎 𝑉𝑠 𝐻1 : 𝐿𝑎 𝑠𝑒𝑟𝑖𝑒 𝑒𝑠 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑟𝑖𝑎

Como el p valor es mayor que 0.05, no se rechaza la hipótesis nula, por tanto la serie no es
estacionaria.

Para analizar los distintos componentes de la serie se usa la función decompose()

Acá se observa tendencia lineal y estacionalidad.

b)

c). Ajuste los métodos de suavizado propuestos. Interprete los parámetros y

comente sobre los MSE.

Holt-Winters Aditivo
La siguiente gráfica de la serie original junto con la serie suavizada, donde la curva azul es
la serie original y la roja es la suavizada.
Es posible ver que el modelo suavizado si se ajusta a la serie en estudio, sin embargo, se
puede observar que quedan algunos valores por debajo y sobre la serie original.
A continuación, se presentan los parámetros de suavizado del modelo

Con esto se puede obtener también los valores de cada componente de la serie para la
̂𝑡 = 150.1074 , 𝑇̂𝑡 = 0.4723 y los valores para la estacionalidad
predicción, el nivel sería 𝑁
𝑆̂𝑇 :
Y los parámetros de alisamiento se interpretan de la siguiente manera:
𝛼: Su valor el 0,72, esto significa que el nivel se le da más importancia a los valores actuales
y no a los pasados.
𝛽: Al ser un valor pequeño significa que la tendencia depende en casi su totalidad de valores
anteriores de la misma
𝛾: Al ser 1, la estacionalidad solo depende de valores presentes.
Por último, se obtiene el valor del SSE y MSE que se muestran a continuación.

Se observa que la suma de cuadrados medios es bastante pequeña por lo que se ajusta a
la serie
Holt Winters Multiplicativo
Al igual que el caso anterior se adjunta un gráfico de la serie original junto con la serie
suavizada, donde la curva azul es la serie original y la roja es la suavizada.
Los parámetros de la serie suavizada son:

Para el caso multiplicativo se tienen los siguientes valores del SSE y MSE

Si bien la diferencia no es mucha, el modelo aditivo es mejor dado que presenta menor
MSE
d). Realice un análisis de residuos de los modelos implementados en c), en
particular comente sobre la homocedasticidad e independencia de los residuos.
En primera instancia, se analizará la normalidad de los residuos para lo que se hará un
test de Shapiro-Wilks
Shapiro-Wilks
𝐻0 : 𝑙𝑜𝑠 𝑟𝑒𝑠𝑖𝑑𝑢𝑜𝑠 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑦𝑒𝑛 𝑛𝑜𝑟𝑚𝑎𝑙
𝐻1 : 𝑙𝑜𝑠 𝑟𝑒𝑠𝑖𝑑𝑢𝑜𝑠 𝑛𝑜 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑦𝑒𝑛 𝑛𝑜𝑟𝑚𝑎𝑙

Para el caso aditivo se tiene

Y el caso multiplicativo:

En ambos casos se tiene que los residuos no distribuyen normal, ya que tienen un p-valor
menor a 0,05
Homocedasticidad: Para este caso, lo que se hace es aplicar un gráfico a los residuos y verificar
que estén dentro de una franja a través de tiempo.

Caso aditivo:

Caso multiplicativo:

Del gráfico se observa que no son homocedasticos.

Errores no correlacionados
Para ambos casos se obtuvo la siguiente gráfica al aplicarle un test para corroborar si los
residuos están correlacionados.
𝐻0 : 𝑙𝑜𝑠 𝑟𝑒𝑠𝑖𝑑𝑢𝑜𝑠 𝑛𝑜 𝑒𝑠𝑡á𝑛 𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛𝑎𝑑𝑜𝑠
𝐻1 : 𝑙𝑜𝑠 𝑟𝑒𝑠𝑖𝑑𝑢𝑜𝑠 𝑒𝑠𝑡á𝑛 𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛𝑎𝑑𝑜𝑠

Esto significa que el p-valor es menor a 0,05, es decir se rechaza la hipótesis nula y los
residuos están correlacionados
e). Decida entre los modelos ajustados en base a lo observado en c) y d). Para el
modelo elegido, haga una predicción a 20 pasos. Comente sobre los intervalos de
confianza de predicción.
Se escoge el modelo aditivo ya que si bien ambos son similares este es el que presenta
menor MSE.
La predicción a 20 pasos y sus respectivos intervalos de confianza son los siguientes:

En el gráfico de la predicción a 20 pasos se observa que esta se ajusta a la serie de tiempo, pues
sigue el mismo patrón de comportamiento.

f) Siguiendo un enfoque de regresión (ie, usando regresiones polinomiales y/o

armónicas) ajuste el mejor modelo posible. Plantee el modelo Matemático, Interprete
los resultados y calcule el MSE.
Primero, se realizó una regresión armónica que arrojó el siguiente resumen y gráfico del
modelo:

Se observa que el modelo no se ajusta a la serie en la amplitud de esta, pero si en tenden

cia. El SME es un valor alto de 41.36544, por lo que se descarta este ajuste

Para el caso polinomial, se trabaja con un polinomio de grado 2, con la siguiente tabla resumen
Al igual que el caso anterior se ajusta la tendencia pero no la amplitud, el MSE dio un valor de
28,69, que si bien es menor al de la regresión armónica, sigue siendo muy alto por lo que se
descarta también.

g) Ajuste un tercer modelo usando Regresión Polinomial con variables Dummy. Plantee el
modelo matemático, Interprete los resultados y calcule el MSE.
Para este tipo de regresión, se plantea el siguiente modelo:

𝑌𝑡 = 𝛽0 + 𝛽1 𝑝𝑟𝑖𝑚𝑒𝑟 𝑡𝑟𝑖𝑚𝑒𝑠𝑡𝑟𝑒 + 𝛽2 𝑆𝑒𝑔𝑢𝑛𝑑𝑜 𝑡𝑟𝑖𝑚𝑒𝑠𝑡𝑟𝑒 + 𝛽3 𝑇𝑒𝑟𝑐𝑒𝑟 𝑡𝑟𝑖𝑚𝑒𝑠𝑡𝑟𝑒

+ 𝛽4 𝐶𝑢𝑎𝑟𝑡𝑜 𝑡𝑟𝑖𝑚𝑒𝑠𝑡𝑟𝑒 + 𝑇𝑖𝑒𝑚𝑝𝑜
Se implementa el método, y se obtienen los siguientes resultados:
Aquí se obtiene un 𝑅 2 bastante alto lo que indica que este modelo se ajusta de mejor manera a los
datos. Graficando la serie y la regresión hecha, se obtiene lo siguiente:

El MSE da 40,76 que es menor que el de la regresión armónica pero no que la regresión
polinomial, por tanto esta última sigue siendo la mejor.
h) Realice un análisis de residuos (Test de Blancura) de los modelos ajustados en f) y g), en
particular comente sobre homocedasticidad e independencia de los residuos.

Al igual que en el caso d) se aplica un test de Shapiro-Wilks, obteniendo lo siguiente:

Caso Armónico:

Caso dummy:

Caso polinomial:

En este caso, todos los p-valores son menores que 0,05 por lo que en los 3 modelos se cumple la
normalidad de residuos

Homocedasticidad: Al igual que en la pregunta d) se hacen gráficos para los distintos casos

Caso Armonico:
Caso dummy:

Caso polinomial:
El que presenta mejor homocedasticidad es el caso polinomial, pero de todas maneras se descarta
por que no es suficientemente bueno.

Errores no correlacionados:

Nuevamente se obtuvo la misma gráfica para todos los modelos, por lo que se concluye que en los
3 casos los errores si presentan correlación
i). Determine el mejor modelo el mejor modelo para ajustar estos datos entre los propuestos en
este trabajo.
Para esto básese en medidas de calidad de ajuste y el test de blancura. Para el modelo elegido,
haga una predicción a 20 pasos. Comente sobre los intervalos de confianza de predicción.

El menor MSE de todos los modelos aplicados en este trabajo fue el Holt-winters aditivo.
Para la homocedasticidad ninguno cumplía lo pedido, pero el mejor fue el aditivo.
Todos los residuos de todos los modelos distribuyen normal, por lo que eso no es un factor
decisivo para elegir modelo.

Luego el modelo escogido será el Holt-Winters aditivo, a continuación su predicción: