Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Métodos para analizar series de tiempo PAT 2018 Prof. Valeria Quevedo INTRODUCCIÓN Pronósticos Pronosticar no es una tarea fácil. Los pronósticos se hacen sobre observaciones hechas en el pasado: Se investigan comportamientos pasados, se buscan patrones o relaciones, y luego se realiza el pronóstico. Hay dos problemas con este método. No es siempre fácil descubrir esos patrones o comportamientos. Es difícil, separar el “noise” o comportamiento irregular o aleatorio, de otros patrones. No hay garantías de que el comportamiento pasado continuará en el futuro: la historia no siempre se repite. ¿En qué áreas de la organización se usan los pronósticos? Aplicaciones TACO BELL Aplicaciones “Richmond Hospital” en Virginia, US: pronóstico de la demanda de pacientes Aplicaciones Frito Lay: pronostica las preferencias de sus consumidores Factores a considerar antes de hacer un pronóstico 1. Horizonte de tiempo del pronóstico Pronóstico a corto plazo: hasta 3 meses. Ej: planear compras, programar trabajo, determinar niveles de mano de obra, asignar el trabajo y decidir los niveles de producción. Pronóstico a mediano plazo: de 3 meses a 2 años. Ej: planear las ventas, la producción, el presupuesto. Pronóstico a largo plazo: de 2 años a más. Ej: planear nuevos productos, gastos de capital, ubicación o ampliación de las instalaciones. Factores a considerar antes de hacer un pronóstico 2. Disponibilidad de datos 3. Dinero 4. Para quién y para qué será usado el pronóstico Nivel de detalle Nivel de importancia Métodos para pronosticar 1. Métodos cualitativos 2. Métodos de series de tiempo (los que cubriremos aquí) 3. Métodos econométricos o análisis de regresión (lo cubriremos después) Factores a considerar antes de hacer un pronóstico Estimado Métodos Regresión Método cualitativo Métodos de series de tiempo ¿Datos históricos? ¿Es importante? ¿Es importante? ¿Al menos 1-2 meses disponible? No No No No Sí SíSí Sí Métodos para pronosticar – Métodos cualitativos • Valoración de opiniones de Expertos (Ej. Método Delphi) Se basa en la interrogación a expertos con la ayuda de cuestionarios sucesivos, a fin de poner de manifiesto convergencia de opiniones y poder deducir eventuales consensos. • Valoración de opiniones de los clientes (Estudio de Mercado) • Focus group Métodos para pronosticar - Series de Tiempo • Serie de tiempo 15.0 22.5 30.0 37.5 45.0 52.5 60.0 67.5 Ja n- 95 M ar -9 5 M ay -9 5 Ju l-9 5 Se p- 95 N ov -9 5 Ja n- 96 M ar -9 6 M ay -9 6 Ju l-9 6 Se p- 96 N ov -9 6 Ja n- 97 M ar -9 7 M ay -9 7 Ju l-9 7 Se p- 97 N ov -9 7 Ja n- 98 M ar -9 8 M ay -9 8 Ju l-9 8 Se p- 98 N ov -9 8 Ja n- 99 M ar -9 9 M ay -9 9 Ju l-9 9 Se p- 99 N ov -9 9 Ja n- 00 M ar -0 0 M ay -0 0 Ju l-0 0 Se p- 00 N ov -0 0 Ja n- 01 M ar -0 1 C lo se Month Time series plot of Close Análisis de Series de Tiempo • Componentes de una serie de tiempo: Tendencial (crecimiento o disminución en la serie) Estacional (patrones a corto plazo que se repiten) Cíclica (patrones a largo plazo que se repiten) Irregular (componente aleatoria) Componentes de una serie de tiempo - Tendencial Componentes de una serie de tiempo - Estacional 0.00 1000.00 2000.00 3000.00 4000.00 5000.00 6000.00 Q 1- 19 86 Q 2- 19 87 Q 3- 19 88 Q 4- 19 89 Q 1- 19 91 Q 2- 19 92 Q 3- 19 93 Q 4- 19 94 Q 1- 19 96 Q 2- 19 97 Q 3- 19 98 Q 4- 19 99 Q 1- 20 01 Forecast and Original Observations Sales Componentes de una serie de tiempo - Cíclica Componentes de una serie de tiempo - Irregular Componentes de una serie de tiempo - Irregular Componentes de una serie de tiempo – ¿Irregular? MÉTODOS PARA SERIES DE TIEMPO Métodos para análisis de series de tiempo 1. Métodos de suavizamiento 2. Modelos ARIMA I. MÉTODOS DE SUAVIZAMIENTO Métodos de suavizamiento • Para analizar una serie de tiempo es necesario conocer cada uno de sus componentes. • Método práctico y fácil de aplicación es la suavización de la serie de tiempo, que elimina las componentes que producen las fluctuaciones más pequeñas y de menor duración. Promedio móvil Suavizamiento exponencial Promedio Móvil • Para aquellas series de tiempo sin tendencia pronunciada. • Se necesita conocer a la serie de tiempo en estudio para escoger el intervalo “k“: • k pequeño seguirá mejor a las fluctuaciones • k grande las suavizará Promedio Móvil • Uno de los más simples y más usados. • El propósito de un promedio móvil es el mostrar la tendencia, de una forma suavizada. • El promedio móvil es calculado con cierto período de tiempo predefinido (k) • Para hallar el promedio móvil de un periodo determinado, se promedia los últimos valores de la serie original. Si el “k” es igual a 3, entonces el promedio móvil será el promedio de los últimos 3 valores. Promedio Móvil - Ejemplo Mes Ventas reales Promedio móvil de 3 meses ene-94 128.000 feb-94 135.000 mar-94 130.000 abr-94 127.000 (128+135+130)/3 =131.000 may-94 125.000 (135+130+127)/3= 130.667 … … Mar-01 192.000 177.667 Abr-01 176.000 178.667 may-01 186.000 184.667 jun-01 184.667 Ejemplo: Las ventas de casas en un sector de una ciudad X se muestran en la columna central de la tabla. A la derecha se da el promedio de tres meses. Promedio Móvil 100.000 110.000 120.000 130.000 140.000 150.000 160.000 170.000 180.000 190.000 200.000 Ja n- 94 Ap r-9 4 Ju l-9 4 O ct -9 4 Ja n- 95 Ap r-9 5 Ju l-9 5 O ct -9 5 Ja n- 96 Ap r-9 6 Ju l-9 6 O ct -9 6 Ja n- 97 Ap r-9 7 Ju l-9 7 O ct -9 7 Ja n- 98 Ap r-9 8 Ju l-9 8 O ct -9 8 Ja n- 99 Ap r-9 9 Ju l-9 9 O ct -9 9 Ja n- 00 Ap r-0 0 Ju l-0 0 O ct -0 0 Ja n- 01 Ap r-0 1 Ju l-0 1 O ct -0 1 Ja n- 02 Ap r-0 2 Observation Forecast MA3 Forecast MA12 Promedio Móvil • Se usa para pronósticos de corto tiempo • El promedio móvil: Promedio Móvil - Inconvenientes • No se tiene un valor “suavizado“ para cada valor de la serie original; se pierden valores. • Para el cálculo de cada pronóstico se asigna pesos iguales a cada valor observado. • Se requiere de una alta cantidad de datos históricos. Ejemplo Usar data Venta de Casas para replicar ejemplo en clase. Escoger un k bajo y un k alto y comparar. 817263544536271891 190 180 170 160 150 140 130 120 110 100 Index M W H ou se sS ol d Time Series Plot of MWHousesSold Suavizamiento Exponencial • Se basa en un promedio ponderado de observaciones pasadas, con más peso sobre las recientes observaciones. • No requiere una alta cantidad de datos históricos. • No es difícil de entender. • Versiones de suavizamiento exponencial: Suavizamiento exponencial Simple: Se usa cuando no hay una pronunciada tendencia o estacionalidad. Método Holt: Se usa cuando hay tendencia pero no estacionalidad. Método Holt-Winters: Se usa cuando hay estacionalidad. Suavizamiento Exponencial Simple Suavizamiento Exponencial Simple Suavizamiento Exponencial Simple 100.000 110.000 120.000 130.000 140.000 150.000 160.000 170.000 180.000 190.000 200.000 Ja n- 94 Ap r-9 4 Ju l-9 4 O ct -9 4 Ja n- 95 Ap r-9 5 Ju l-9 5 O ct -9 5 Ja n- 96 Ap r-9 6 Ju l-9 6 O ct -9 6 Ja n- 97 Ap r-9 7 Ju l-9 7 O ct -9 7 Ja n- 98 Ap r-9 8 Ju l-9 8 O ct -9 8 Ja n- 99 Ap r-9 9 Ju l-9 9 O ct -9 9 Ja n- 00 Ap r-0 0 Ju l-0 0 O ct -0 0 Ja n- 01 Ap r-0 1 Ju l-0 1 O ct -0 1 Ja n- 02 Ap r-0 2 Observation Forecast (alpha=0.1) Forecast (alpha=0.9) Ejemplo 817263544536271891 190 180 170 160 150 140 130 120 110 100 Index M W H ou se sS ol d Time Series Plot of MWHousesSold Método Holt Método Holt - Ejemplo Mes Ventas reales Holt (α=0.1, β=0.1) S T FT ene-94 128.000 128 0.652 feb-94 135.000 128.652+0.1(135-128.652) =129.287 0.1(129.287- 128)+0.9(0.652) =0.715 128+0.652 =128.652 mar-94 130.000 130.002 0.715 129.287+0.715 =30.002 abr-94 127.000 130.345 0.678 130.717 may-94 125.000 130.421 0.618 131.023 … … Abr-01 176.000 165.268 0.028 164.076 may-01 186.000 167.366 0.235 165.296 jun-01 167.601 jul-01 167.836 Ejemplo: Las ventas de casas. FTt=St-1 + Tt-1 St = FTt + α (At – FTt) Tt= β(St - St -1) + (1- β)Tt-1 Método Holt - Ejemplo 100 120 140 160 180 200 Ja n- 94 Ap r-9 4 Ju l-9 4 O ct -9 4 Ja n- 95 Ap r-9 5 Ju l-9 5 O ct -9 5 Ja n- 96 Ap r-9 6 Ju l-9 6 O ct -9 6 Ja n- 97 Ap r-9 7 Ju l-9 7 O ct -9 7 Ja n- 98 Ap r-9 8 Ju l-9 8 O ct -9 8 Ja n- 99 Ap r-9 9 Ju l-9 9 O ct -9 9 Ja n- 00 Ap r-0 0 Ju l-0 0 O ct -0 0 Ja n- 01 Ap r-0 1 Ju l-0 1 O ct -0 1 Ja n- 02 Ap r-0 2 Date Observatio n Método Holt • Se usa cuando la serie de tiempo tiene una tendencia pronunciada. • Se debe establecer el valor de α y β. • Un β alto, sigue más los cambios en la tendencia. Ejemplo 817263544536271891 190 180 170 160 150 140 130 120 110 100 Index M W H ou se sS ol d Time Series Plot of MWHousesSold Método Holt-Winters • El método Holt-Winters incorpora el componente de la estacionalidad. • Hay dos tipos, el aditivo y el multiplicativo. El más común es el multiplicativo. En el modelo multiplicativo, la magnitud del patrón estacional se incrementa a medida que la serie de tiempo aumenta. Método Holt-Winters multiplicativo • El método Holt-Winters incorpora el componente de la estacionalidad. • Se mantiene α y β; se incorpora la constante de suavización para la estacionalidad, Ɣ (también entre 0 y 1): Donde: • M es el número de estaciones • k es cuántos periodos adelante se quiere pronosticar Método Holt-Winters - Ejemplo 0.00 1000.00 2000.00 3000.00 4000.00 5000.00 6000.00 Q 1- 19 86 Q 4- 19 86 Q 3- 19 87 Q 2- 19 88 Q 1- 19 89 Q 4- 19 89 Q 3- 19 90 Q 2- 19 91 Q 1- 19 92 Q 4- 19 92 Q 3- 19 93 Q 2- 19 94 Q 1- 19 95 Q 4- 19 95 Q 3- 19 96 Q 2- 19 97 Q 1- 19 98 Q 4- 19 98 Q 3- 19 99 Q 2- 20 00 Q 1- 20 01 Original Observations Ejemplo: Ventas trimestrales de COCA COLA Método Holt-Winters - Ejemplo Trimestre Ventas reales Holt-Winters (α=1, β=0.0, Ɣ=0.0) S T E Ft+k Q1-86 1734.827 1955.059 57.265 0.887 Q2-86 2244.961 2046.287 57.265 1.097 2207.701 Q3-86 2533.805 2402.289 57.265 1.055 2218.713 Q4-86 2154.963 2242.857 57.265 0.961 2363.168 Q1-87 1547.819 1744.311 57.265 0.887 2041.020 Q2-87 2104.412 1918.176 57.265 1.097 1976.491 Q3-87 2014.363 1909.809 57.265 1.055 2083.589 Q4-87 1991.747 2072.984 57.265 0.961 1889.987 … … … … … … Q1-99 4428.000 4990.124 57.265 0.887 4167.979 Q2-99 5537.440 Q3-99 5384.114 Q4-99 4959.632 Ejemplo: Ventas trimestrales de COCA COLA Método Holt-Winters - Ejemplo Ejemplo: Ventas trimestrales de COCA COLA 0.00 1000.00 2000.00 3000.00 4000.00 5000.00 6000.00 7000.00 Q 1- 19 86 Q 2- 19 87 Q 3- 19 88 Q 4- 19 89 Q 1- 19 91 Q 2- 19 92 Q 3- 19 93 Q 4- 19 94 Q 1- 19 96 Q 2- 19 97 Q 3- 19 98 Q 4- 19 99 Q 1- 20 01 Forecast and Original Observations Sales Forecast Ejemplo Usar data Coca Cola. Pronosticar un periodo. Resumen • Promedio Móvil: Se usa cuando hay una tendencia suave y para pronósticos de corto plazo. • Suavizamiento Simple: Se usa cuando hay una tendencia suave y NO estacionalidad. • Suavizamiento Tendencial (o Holt): Se usa cuando existe componente tendencial y NO estacional. • Suavizamiento Estacional (o Holt-Winters): Se usa cuando existe componente estacional. ¿Cómo saber si el método es apropiado? Ejemplo de gráfica de los errores – ¿qué se observa? -1500000.000 -1000000.000 -500000.000 0.000 500000.000 1000000.000 1500000.000 2000000.000 2500000.000 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 Series1 ¿Cómo saber si el método es apropiado? ¿Cómo saber cuál de todos los método evaluados es el apropiado? • Se mide el error global. • El error global mide la precisión del pronóstico que se ha usado, comparando los valores pronosticados y los observados. • Aquel modelo que produzca errores pequeños, garantiza que el modelo pronostica bien los valores observados. ¿Cómo saber cuál de todos los método evaluados es el mejor? • Desviación Absoluta Media (MAD): • Raíz del Error Cuadrático Medio (RMSE): • Error Porcentual Absoluto Medio (MAPE): Medidas para calcular el error global del pronóstico Modelos MAD RMSE MAPE Promedio móvil (3) 12.2636 14.9558 8.37% Promedio móvil (6) 11.901 14.613 7.98% Promedio móvil (12) 12.4253 15.6188 8.07% SES (α=0.1) 11.9332 15.0820 7.91% SES optimizado (α=0.295) 11.3689 14.0516 7.66% Holt (α=0.1, β=0.1) 12.0491 15.0762 8.23% Holt optimizado (α=0.252, β=0.00) 11.2323 13.8975 7.69% Ejemplo: Las ventas de casas. II. MODELOS ARIMA INTRODUCCIÓN Series estacionarias y no estacionarias Estacionarias: • Una serie es estacionaria cuando es estable a lo largo del tiempo, es decir, cuando la media y varianza son constantes en el tiempo. • Esto se refleja gráficamente en que los valores de la serie tienden a oscilar alrededor de una media constante y la variabilidad con respecto a esa media también permanece constante en el tiempo. Series estacionarias y no estacionarias No Estacionarias: • Son series en las cuales la tendencia y/o variabilidad cambian en el tiempo. Correlación Sabemos que la correlación entre dos variables se define como: • Medida numérica que mide la fuerza de la relación lineal entre dos variables. • El numerador indica la asociación entre dos variables X y Y (Covarianza). • Dependiendo del signo, positivo o negativo, se puede ver si están relacionados positiva o negativamente. • Sólo toma valores de entre -1 y 1. (-1 ≤ r ≤ 1) • Si el valor se acerca a 1 o -1, significa que la relación entre estas dos variables es fuerte. • Si se acerca a 0, la relación entre estas dos variables es débil. Correlación - ejemplo Autocorrelación Autocorrelación • Considere una serie de tiempo sobre la temperatura de un horno de cerámica durante cada hora. Autocorrelación • Podemos graficar las auto-correlaciones de esta temperatura Xt con Xt-1, Xt-2, etc. Función de auto-correlación (ACF) Función de auto-correlación Parcial (PACF) • La autocorrelación parcial mide la correlación entre dos variables separadas por k periodos después de ajustarse para la presencia de los demás términos de desfase más corto. Procesos auto-regresivos AR(p) Procesos de medias móviles MA(q) • Modelos “determinados por una fuente externa”. Estos modelos suponen linealidad, el valor actual de la serie 𝑋𝑋𝑡𝑡 está influenciado por factores de fuente externa. • Proceso de medias móviles de Orden 1: MA(1) 𝑋𝑋𝑡𝑡 = −𝜃𝜃𝜀𝜀𝑡𝑡−1 + 𝜀𝜀𝑡𝑡 En donde 𝜀𝜀𝑡𝑡~𝑁𝑁(0,𝜎𝜎2) y los errores son independientes. • Proceso de medias móviles de Orden 2: MA(2) 𝑋𝑋𝑡𝑡 = −𝜃𝜃1𝜀𝜀𝑡𝑡−1 − 𝜃𝜃2𝜀𝜀𝑡𝑡−2 + 𝜀𝜀𝑡𝑡 En donde 𝜀𝜀𝑡𝑡~𝑁𝑁(0,𝜎𝜎2) y los errores son independientes. Procesos ARMA(p,q) Condiciones de estacionariedad Modelo AR(1) AR(2) Ejemplo – data temperatura • Primero evaluar la ACF y PACF. • Probar tres diferentes modelos de ARMA en Minitab y sugerir el mejor. • Evaluar si los modelos escogidos cumplen con las condiciones de estacionariedad. • Análisis de residuos. MODELOS ARIMA (NO ESTACIONARIOS) Modelos ARIMA • Por sus siglas en inglés (autoregressive integrated moving average). • Los modelos ARIMA también usa los patrones que existen en la data, pero estos patrones puede que no sean fáciles de ver en un gráfico de la data. • Muchas series de tiempo no son estacionarias, porque pueden ir cambiando de nivel en el tiempo o sencillamente la varianza no es constante en el tiempo, a este tipo de proceso se les considera procesos integrados. Modelos ARIMA(p,d,q) Modelosde suavizamiento y ARIMA El suavizado exponencial simple es el más similar a un modelo ARIMA(0,1,1) El modelo de suavizado exponencial de Holt es muy similar a un modelo ARIMA(0,2,2) Ejemplo • Usar data proceso químico para analizar modelos ARIMA. • ¿Se cumplen las condiciones de estacionariedad? • Analizar residuos. Métodos para analizar series de tiempo Introducción Pronósticos ¿En qué áreas de la organización se usan los pronósticos? Aplicaciones Aplicaciones Aplicaciones Factores a considerar antes de hacer un pronóstico Factores a considerar antes de hacer un pronóstico Métodos para pronosticar Factores a considerar antes de hacer un pronóstico Métodos para pronosticar – Métodos cualitativos Métodos para pronosticar - Series de Tiempo Análisis de Series de Tiempo Componentes de una serie de tiempo - Tendencial Componentes de una serie de tiempo - Estacional Componentes de una serie de tiempo - Cíclica Componentes de una serie de tiempo - Irregular Componentes de una serie de tiempo - Irregular Componentes de una serie de tiempo – ¿Irregular? Métodos para series de tiempo Métodos para análisis de series de tiempo I. Métodos de suavizamiento Métodos de suavizamiento Promedio Móvil Promedio Móvil Promedio Móvil - Ejemplo Promedio Móvil Promedio Móvil Promedio Móvil - Inconvenientes Ejemplo Suavizamiento Exponencial Suavizamiento Exponencial Simple Suavizamiento Exponencial Simple Suavizamiento Exponencial Simple Ejemplo Método Holt Método Holt - Ejemplo Método Holt - Ejemplo Método Holt Ejemplo Método Holt-Winters Método Holt-Winters multiplicativo Método Holt-Winters - Ejemplo Método Holt-Winters - Ejemplo Método Holt-Winters - Ejemplo Ejemplo Resumen ¿Cómo saber si el método es apropiado? Ejemplo de gráfica de los errores – ¿qué se observa? ¿Cómo saber si el método es apropiado? ¿Cómo saber cuál de todos los método evaluados es el apropiado? ¿Cómo saber cuál de todos los método evaluados es el mejor? Medidas para calcular el error global del pronóstico II. Modelos ARIMA Introducción Series estacionarias y no estacionarias Series estacionarias y no estacionarias Correlación Número de diapositiva 60 Autocorrelación Autocorrelación Autocorrelación Función de auto-correlación (ACF) Función de auto-correlación Parcial (PACF) Procesos auto-regresivos AR(p) Procesos de medias móviles MA(q) Procesos ARMA(p,q) Condiciones de estacionariedad Ejemplo – data temperatura Modelos arima (no estacionarios) Modelos ARIMA Modelos ARIMA(p,d,q) Modelos de suavizamiento y ARIMA Ejemplo
Compartir