Análisis y Desestacionalización de Series Temporales Trimestrales

A menudo, los profesionales deben proporcionar estimaciones de valores futuros, tales como proyecciones de ingresos o previsiones de ventas. Las organizaciones a veces confían en la tecnología de minería de datos para construir modelos de predicción que proporcionen tales estimaciones.

Introducción a la Previsión de Series Temporales

La previsión de series de tiempo asume que los datos del pasado pueden ayudar a explicar los valores futuros. Es importante saber que, en algunas situaciones, puede haber circunstancias que no se reflejan en los datos históricos. Por ejemplo, podría haber un nuevo competidor que afecte negativamente a los ingresos futuros o un rápido cambio en la composición de la fuerza de trabajo (como el aumento de estructuras familiares de doble ingreso en la década de 1960) que podría impactar las tasas de desempleo en el futuro. En este tipo de situaciones, un pronóstico de series de tiempo puede no ser el mejor enfoque o no debe ser el único criterio considerado.

Existen diferentes enfoques para la predicción. Por ejemplo, se pueden clasificar los métodos de previsión en varias categorías, incluyendo informal (también conocido como econométrico), crítico, series de tiempo, inteligencia artificial, predicción de mercado, predicción probabilística, simulaciones de predicción y previsión de referencia de clase.

El conjunto de datos para las tablas en un contexto de predicción de series temporales a menudo proviene de fuentes oficiales, como los datos de empleo publicados por la Oficina de Estadísticas Laborales de EE.UU. (BLS), que publica la tasa de desempleo basada en una encuesta mensual de la Oficina del Censo de EE.UU.

Componentes Fundamentales de una Serie Temporal

Para comprender la desestacionalización y la previsión, es crucial entender los componentes que conforman una serie temporal. Estos son:

• Tendencia: El componente tendencial hace referencia al movimiento general de largo plazo de la serie.
• Variaciones estacionales: Los componentes estacionales se pueden definir como oscilaciones que se producen en períodos iguales o inferiores a un año y que se reproducen de manera reconocible en los diferentes años.
• Variaciones cíclicas: Oscilaciones de la serie que se producen alrededor de la tendencia, con una periodicidad superior a un año.
• Variaciones residuales o irregulares: Fluctuaciones erráticas y aleatorias que no pueden ser explicadas por los otros componentes.

Los ajustes estacionales son un procedimiento estadístico diseñado para eliminar los efectos estacionales o, lo que es lo mismo, suprimir la influencia de patrones estacionales en los datos. Esto permite revelar la tendencia subyacente y los componentes cíclicos con mayor claridad.

Métodos de Análisis y Desestacionalización de Series Temporales

El Método de Mínimos Cuadrados para la Identificación de Tendencias

Se puede utilizar una herramienta como Microsoft Excel para aplicar la técnica de regresión y así identificar una tendencia. Por ejemplo, Excel puede calcular automáticamente y agregar una línea de tendencia a un gráfico de series de tiempo utilizando el menú "Línea de tendencia" en la ficha "Herramientas de diseño de gráfico" o "Herramientas de tabla dinámica" en Excel 2010 o Excel 2007.

Una línea de tendencia puede pensarse como una serie de coordenadas X e Y conectadas, donde se vincula un período de tiempo (el eje X) para obtener un valor (el eje Y). Excel determina la "mejor" línea de tendencia usando el método de mínimos cuadrados (identificado como R²). La línea de mínimos cuadrados es aquella que minimiza la distancia vertical al cuadrado de cada punto de la línea de tendencia a su punto correspondiente. Los valores cuadrados se utilizan para evitar que las desviaciones por encima y por debajo de la línea se anulen entre sí.

Algunas de las opciones de línea de tendencia en Excel (por ejemplo, lineal, polinómica) permiten prever hacia adelante y hacia atrás por una serie de períodos, con los valores de pronóstico resultantes representados en el gráfico. La capacidad de "predecir hacia atrás" puede parecer extraña, pero se explica mejor con un ejemplo. A nivel de la base, la tendencia se deriva y luego se generan predicciones contra la serie de tiempo suavizada.

El Método de Holt-Winters para la Estacionalidad

Opcionalmente, la estacionalidad o los ajustes granulares se pueden volver a aplicar a los valores pronosticados, factorizando nuevamente la estacionalidad original utilizando el método de Holt-Winters. Si se desea ver cómo se podría tener en cuenta la estacionalidad utilizando Excel, se puede realizar una búsqueda en Internet usando la frase "método de Winters en Excel". También se puede encontrar una explicación detallada del método de Holt-Winters en la literatura especializada.

Algoritmos Avanzados para la Predicción de Series Temporales

Los algoritmos modernos para la predicción a menudo entrenan dos modelos separados con los mismos datos: un modelo utiliza el algoritmo ARTXP y otro utiliza el algoritmo ARIMA. Posteriormente, el algoritmo combina los resultados de los dos modelos para obtener la mejor predicción sobre un número variable de segmentos de tiempo. Debido a que ARTXP es mejor para predicciones a corto plazo, se utiliza en mayor medida al principio de una serie de predicciones. Sin embargo, en los intervalos de tiempo que predicen movimientos más hacia el futuro, ARIMA se usa en mayor medida.

Pasos Siguientes y Recursos Adicionales

En este artículo, se han visto los conceptos necesarios para la comprensión de los conceptos básicos de previsión de series temporales. También se han presentado algunos de los detalles de los algoritmos subyacentes de manera que no se conviertan en un obstáculo para la aplicación de series de tiempo.

Como siguiente paso, se recomienda explorar una implementación de predicción de series temporales con herramientas específicas, como SQL Server Analysis Services (SSAS). Existen proyectos de ejemplo que utilizan datos de desempleo para demostrar estas técnicas. Posteriormente, puede ser útil revisar guías de aprendizaje detalladas como el "Tutorial intermedio de minería (Analysis Services - Minería de datos)" de TechNet.

tags: #desestacionalizar #serie #temporal #trimestral