Series temporales de Netezza
Una serie temporal es una secuencia de valores de datos numéricos, medidos en puntos temporales sucesivos (aunque no necesariamente regulares); por ejemplo, precios de acciones diarios o datos de ventas semanales. El análisis de dichos datos puede ser de utilidad, por ejemplo, para resaltar comportamientos como tendencias y estacionalidad (un patrón que se repite) y para predecir comportamientos futuros a partir de eventos pasados.
El nodo Series temporales de Netezza admite los siguientes algoritmos de series temporales.
- análisis espectral
- suavizado exponencial
- Modelo Autorregresivo Integrado de Media Móvil (ARIMA)
- descomposición de tendencias estacional
Estos algoritmos descomponen una serie temporal en un componente de tendencias y un componente estacional. A continuación, estos componentes se analizan para generar un modelo que pueda utilizarse para la predicción.
Análisis espectral se utiliza para identificar comportamientos periódicos en series temporales. En el caso de series temporales compuestas por múltiples periodicidades subyacentes o cuando haya una cantidad considerable de ruido aleatorio presente en los datos, el análisis espectral ofrece el medio más claro para identificar componentes periódicos. Este método detecta las frecuencias del comportamiento periódico transformando la serie del dominio temporal a una serie del dominio de frecuencia.
El suavizado exponencial es un método de previsión que utiliza los valores ponderados de las observaciones anteriores de la serie para predecir los valores futuros. Con el suavizado exponencial, la influencia de las observaciones disminuye con el tiempo de manera exponencial. Este método prevé un punto cada vez, ajustando sus previsiones a medida que entran nuevos datos, teniendo en cuenta la adición de cuentas, las tendencias y la estacionalidad.
Los modelos ARIMA ofrecen métodos más sofisticados para modelar componentes de tendencias y estacionales que los modelos de suavizado exponencial Este método implica la especificación explícita de órdenes autorregresivos y de media móvil además del grado de diferenciación.
Nota: en términos prácticos, los modelos ARIMA son especialmente útiles si desea incluir predictores que puedan ayudar a explicar el comportamiento de la serie que se está previendo, como el número de catálogos enviados por correo o el número de visitas de la página Web de una empresa. Los modelos de suavizado exponencial describen el comportamiento de la serie temporal sin tratar de explicar el motivo de su comportamiento.
La descomposición de tendencias estacional elimina el comportamiento periódico de las series temporales para realizar un análisis de tendencias y, a continuación, selecciona una forma básica para la tendencia, como una función cuadrática. Estas formas básicas tienen un determinado número de parámetros cuyos valores están determinados para minimizar el error cuadrático promedio de los residuos (es decir, las diferencias entre los valores ajustados y observados de las series temporales).