Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Los datos, a los que aplicamos una diferencia de orden 1, ahora parecen ser
estacionarios, sin una clara tendencia hacia arriba o hacia abajo. Eso significa
que podemos utilizar estos datos para determinar un modelo ARIMA.
En primer lugar, realizamos el análisis de autocorrelación y autocorrelación
parcial de los datos diferenciados. Minitab proporciona los siguientes
resultados:
Ahora necesitamos saber qué significan los patrones en las funciones de
autocorrelación y autocorrelación parcial.
Tenemos una función de autocorrelación con un patrón sinusoidal (similar a
una onda sinusoidal) y picos para los desfases del 1 al 3, lo que sugiere un
modelo autorregresivo de orden 3, es decir, un AR(3). El comportamiento
sinusoidal en la función de autocorrelación parcial y los picos hasta el desfase
3 sugieren un modelo de promedio móvil de orden 3, es decir, un MA(3). El
modelado de series de tiempo puede ser un proceso algo iterativo, o incluso
impredecible, pero estas gráficas sugieren que el modelo ARIMA (3,1,3) es un
buen lugar para comenzar.
Cada parte del modelo ARIMA cumple una función en las predicciones que
hace el modelo. La parte autorregresiva del modelo predice el valor en el
tiempo t teniendo en cuenta los valores previos de la serie en el tiempo t-1, t-2,
etc. El promedio móvil utiliza valores residuales anteriores: las diferencias entre
el valor real y el valor pronosticado basadas en el modelo en el tiempo t.
Podemos evaluar qué tan bien se ajusta a nuestros datos el modelo ARIMA
(3,1,3) eligiendo Estadísticas > Series de tiempo > ARIMA y completando el
cuadro de diálogo como se muestra abajo:
Minitab produce esta salida:
Los supuestos se cumplen bastante bien, excepto por el hecho de que existe
cierta variación no constante en la gráfica de Residuos vs. ajustes. Esto se
deriva del hecho de que la calidad del ajuste del modelo es mejor para los
primeros puntos de los datos que para los puntos más recientes.
¿Qué representa en realidad el modelo ARIMA?
La siguiente explicación resultará muy interesante para los usuarios más
avanzados, ya que algunas de las derivaciones son bastante complejas.
El valor pronosticado de la respuesta en el tiempo t depende de los valores
anteriores de la serie, pero también de los valores residuales del pasado.
En primer lugar, sería útil entender la notación básica, particularmente la
notación “backshift” que se utiliza comúnmente en el análisis de series de
tiempo.
Yt es el valor de los datos en el tiempo t
Ythat es el valor pronosticado en el tiempo t, basado en el modelo
et es el valor residual en el tiempo t, que es la diferencia Yt -Ythat
El operador backshift, B, se utiliza comúnmente.
BYt=Yt-1
B(BYt)=B2Yt=Yt-2
¿Cómo se concibe el modelo ARIMA(1,1,3)(1,0,0)12?
El modelo tiene dos lados: el autorregresivo (AR) y el promedio móvil (MA).
Además, se debe incluir la diferenciación de orden uno (Yt-Yt-1).
Componentes autorregresivos
Comencemos con el lado autorregresivo de la ecuación, que depende de los
valores anteriores de la serie. Hay tres partes distintas en esta parte del
modelo:
El término autorregresivo de orden 1: (1-φ1B)Yt=Yt-φ1Yt-1
El AR(1) estacional: (1-θB12)Yt=Yt-θYt-12
La diferencia no estacional: (1-B)Yt=Yt-Yt-1
El término autorregresivo de orden 1, el AR(1) estacional y la diferencia no
estacional se multiplican entre sí y luego se resuelven
(1-φ1B) (1-θB12) (1-B)Yt = (1-φ1B-θB12+φ1B-θB13)(1-B)Yt =
(1-B)Yt - φ1B(1-B)Yt -θB12(1-B)Yt +φ1θB13(1-B)Yt=Yt-Yt-1-φ1(Yt-1-Yt-2)-θ(Yt-
12-Yt-13)+φ1θYt-13-Yt-14)
Cabe destacar que el modelo contiene tanto valores de datos recientes Yt-1,
Yt-2 como valores mucho más antiguos tales como Yt-13 y Yt-14.
CONCLUSION
Podemos concluir que las cartas de control tal como lo es ARIMA es una
herramienta que es indispensable a la hora de controlar procesos y poder
establecer mecanismos de control que permitan regular los mismos. Todo esto
aunque son considerablemente complejas y no son tan conocidas ni
compresibles como la mayoría de los análisis básicos. Sin embargo, una vez
comprendidos los principios básicos, se pueden construir exitosos modelos de
series de tiempo con relativa facilidad utilizando Minitab con el fin de mantener
los estándares establecidos y poder cumplir con las especificaciones que el
proceso requiere.