Series temporales: análisis y predicción, al alcance de no expertos

El análisis de series temporales y sus aplicaciones prácticas, han dejado de ser coto de sesudos económetras, para convertirse en una herramienta de uso habitual en los gabinetes de estudios, consultoras, universidades, administraciones públicas, institutos de estadística, etc no sólo para efectuar predicciones de variables, sino para desentrañar los componentes de las series de tiempo y posibilitar el estudio de las mismas.


Como es bien sabido, en una serie temporal, se observan varios procesos, que podemos resumir en los siguientes: las series suelen presentar tendencia, es decir variaciones en su crecimiento y amplitud. De igual manera ocurre con la estacionalidad, que son procesos que, como su nombre indica, vienen determinados por ciclos de reducida amplitud, dependiendo de las estaciones climatológicas u otras variaciones repetitivas; variaciones cíclicas, de mayor amplitud que la meramente estacional y, finalmente, los procesos irregulares, la pura aleatoriedad de fenómenos no previsibles. No olvidemos que una serie temporal es una sucesión de eventos marcados por la aleatoriedad, por su componente estocástico, lejos de todo determinismo.

Os recordamos nuestra Jornada de Series Temporales para No Expertos el próximo viernes 5 de Julio, de 16:00 a 20:00 horas, con un coste de 40€.

Como ya hemos señalado, algunas series pueden estar influidas por fluctuaciones estacionales y efectos calendario, lo que puede dificultar la comparación de datos entre distintos periodos temporales. Sin embargo, a través de un proceso de desestacionalización es posible filtrar y eliminar las fluctuaciones estacionales habituales y los efectos calendario típicos, que tienen lugar en los mismos momentos temporales con intensidad similar de forma recurrente. De este modo, los resultados ajustados por estos efectos omiten los factores repetitivos habituales y predecibles, permitiendo observar más fácilmente los cambios acontecidos en las variables analizadas consistentes en cambio de tendencia, de ciclo o componentes irregulares. Ello permite la comparación de periodos temporales sub-anuales, cuatrimestrales o trimestrales... 


El análisis de series temporales requiere, en algunos casos, una corrección previa de la serie dado que, de otro modo, se podrían producir graves distorsiones en los resultados que se obtienen. Los valores extremos o anómalos son observaciones atípicas que, en general, pueden distorsionar la interpretación de la información contenida en las variables, estando, normalmente asociados a eventos extraordinarios o a errores en la recopilación de los datos que producen una distorsión en las series. Así, para evitar este tipo de problemas en las principales series se aplican una serie de filtros que a priori reducen el riesgo de que las series contengan valores atípicos. 


Las agencias de estadística y las principales instituciones y organismos públicos mundiales filtran las series que ofrecen para ajustar por los componentes temporales y recomiendan, en consonancia con su práctica, la publicación, siempre que exista la posibilidad, tanto de las series “brutas” como de las desestacionalizadas y linearizadas de los efectos calendario, comercial, semana santa, vacaciones, valores atípicos, etc.. 


Para ello, suelen seguir las recomendaciones realizadas, entre otros, por el European Statistical System (ESS) y los Bancos Centrales europeos, que ofrecen algunas de las series ya tratadas. La corrección de efectos de calendario y la extracción de señales de los diferentes indicadores coyunturales se realiza aplicando la metodología basada en los modelos ARIMA implementada en el programa TSW creado por Gianluca Caporello y Agustín Maravall (Caporello y Maravall, 2004). 


El programa SEATS (Signal Extraction in Arima Time Series) descompone series temporales en componentes inobservables o señales, siguiendo un método basado en modelos ARIMA desarrollado para la desestacionalización de series económicas por Cleveland y Tiao (1976),8 Box, Hillmer y Tiao (1978),9 Burman (1980),10 Hillmer y Tiao (1982),11 Bell y Hillmer (1984)12 y Maravall y Pierce (1987)13.TRAMO ("Time series Regression with ARIMA noise, Missing values and Outliers") proporciona a SEATS la serie original, los efectos no estocásticos que ha estimado (outliers, efecto de días laborables y de Semana Santa, variables de intervención, etc.), la serie linealizada (previamente interpolada).SEATS descompone aditivamente la serie linearizada que sigue el modelo especificado en TRAMO en las siguientes componentes: ciclo-tendencia, estacional, transitorio e irregular.


Finalmente, el programa posibilita la previsión de los valores de la serie en 24 períodos hacia delante, con sus correspondientes errores de predicción.


Así pues, con estos programas, que facilitan soluciones totalmente automatizadas y que, por tanto, no requieren la destreza analítica de un experto, se pueden obtener soluciones rigurosas en los procesos de predicción, así como en el análisis de sus componentes.

Escribir comentario

Comentarios: 2
  • #1

    Antonio Carmona (viernes, 05 julio 2013 12:31)

    Por lo menos, esto tiene mejor pinta que sacar y chuparse el dedo para ver de que sitio sopla.

  • #2

    Soccer Cleats For Men (jueves, 24 noviembre 2016)

    During a second division match, Jacki was turning out for Mawshubuit - a club based some 38 kilometers away from Shillong. Little did he know that a presence of a single scout in the stands would alter his stars.

ECOWORKING, S.L.

Paseo de La Habana 200, 28036 Madrid. España.

Tel. +34 917047387 Mov. 654857951

ecoworking@ecoworking.es