Examen del modelo

1. Pulse dos veces en el nugget de modelo de serie temporal, y seleccione la pestaña Resultados para mostrar datos de los modelos generados para cada mercado.

   

   En la columna de salida izquierda, seleccione Información del modelo para valor cualquiera de Mercados. En la línea Número de predictores se muestran cuántos campos se han usado como predictores para cada objetivo; en este caso, ninguno.

   En el resto de líneas de las tablas Información del modelo se muestran varias medidas de bondad de ajuste para cada modelo. El valor R cuadrado estacionaria proporciona una estimación de la proporción de la variación total de la serie que se explica con el modelo. Cuanto mayor sea el valor (hasta un máximo de 1.0), mejor se ajustará el modelo.

   Las líneas Q(#) Statistic, df y Significación relacionan el estadístico de Box-Ljung, una prueba de la aleatoriedad de los errores residuales en el modelo; cuanto más aleatorios sean los errores, más posibilidades hay de que sea un buen modelo. Q(#) es el estadístico de Box-Ljung, mientras que df (grados de libertad) muestra el número de parámetros del modelo que pueden variar libremente cuando estiman un objetivo concreto.

   La línea Significación ofrece el valor de significación del estadístico de Box-Ljung, que aporta otra indicación de si el modelo se ha especificado correctamente. Un valor de significación inferior a 0,05 indica que los errores residuales no son aleatorios, lo que implica que existe una estructura en la serie observada que el modelo no explica.

   Considerando los valores R cuadrado estacionaria y Significación, los modelos que el modelizador experto ha seleccionado para Mercado_3 y Mercado_4 son muy aceptables. Los valores Significación de Mercado_1, Mercado_2 y Mercado_5 son inferiores a 0,05, lo que indica que puede ser necesario experimentar con modelos que se ajusten mejor a estos mercados.

   La representación muestra varias medidas adicionales de bondad de ajuste. El valor R cuadrado proporciona una estimación de la variación total en una serie temporal que se puede explicar mediante el modelo. Como el valor máximo de la estadística es 1,0, los modelos adecuados en este sentido.

   RMSE es el raíz del error cuadrático promedio, una medida que indica cuánto difieren los valores reales de una serie de los valores predichos por el modelo, y se expresa en las mismas unidades que las utilizadas para las series. Como se trata de una medición de un error, es deseable que este valor sea el menor posible. A primera vista, parece que los modelos de Mercado_2 y Mercado_3, son aceptables según las estadísticas que se han obtenido hasta ahora, si bien son menos precisas que las obtenidas para los otros tres mercados.

   Estas medidas de bondad de ajuste adicionales incluyen los errores absolutos porcentuales promedio (MAPE y MAXAPE). El error absoluto porcentual mide lo que varía una serie objetivo respecto al nivel predicho por el modelo, expresado como un valor de porcentaje. Al examinar la media y el máximo en todos los modelos, puede obtener una indicación de la incertidumbre de las predicciones.

   El valor MAPE muestra que todos los modelos muestran una media de incertidumbre situada alrededor del 1%, que es un valor muy bajo. El valor MAXAPE muestra el error absoluto máximo porcentual y resulta útil para imaginar un escenario del peor de los casos para las previsiones. Muestra que el error porcentual más grande para la mayoría de modelos pertenece al rango comprendido entre 1,8 y 3,7% aproximadamente, de nuevo unos valores muy bajos, en que sólo el valor Mercado_4 está por encima, cerca del 7%.

   MAE el valor (error absoluto medio) muestra la media de los valores absolutos de los errores de previsión. Al igual que el valor RMSE, se expresa en las mismas unidades que las empleadas para las series. MAXAE muestra el mayor error previsto en las mismas unidades e indica el peor de los casos para las previsiones.

   Aunque estos valores absolutos son interesantes, también lo son los valores de los errores de porcentaje (MAPE y MAXAPE) que son más útiles en este caso, ya que las series objetivo representan los números de suscriptores para mercados de tamaños distintos.

   ¿Los valores MAPE y MAXAPE representan una cantidad aceptable de incertidumbre con los modelos? Son verdaderamente muy bajos. En situaciones como ésta, entra en escena el sentido común empresarial, ya que el riesgo aceptable irá cambiando según el problema. Asumiremos que los estadísticos de bondad de ajuste están dentro de los límites aceptables y continuaremos observando los errores residuales.

   Examinar los valores de las funciones de autocorrelación (FAS) y las autocorrelación parcial (FAP) de los residuos del modelo ayuda a comprender los modelos mejor que si sólo se consultan los estadísticos de bondad de ajuste.

   Un modelo de serie temporal bien especificada capturará todas las variaciones no aleatorias, incluyendo estacionalidad, tendencia o cíclica y otros factores importantes. En este caso, un error no se debe correlacionar con sí mismo (autocorrelacionado) con el tiempo. Una estructura significativa en alguna de las funciones de correlación implicaría que el modelo subyacente está incompleto.

2. Para el cuarto mercado, en la columna izquierda, pulse Correlograma para ver los valores de la función de autocorrelación (FAS) y la función de autocorrelación parcial (FAP) de los errores residuales del modelo.

   

   En estos gráficos, los valores originales del error variable se han retardado en periodos de 24 horas y se comparan con el valor original para ver si existirá algún tipo de correlación con el tiempo. Para que el modelo sea aceptable, ninguna de las barras del gráfico superior (FAS) se debe extender fuera del área sombreada, en una dirección positiva (arriba) o negativa (abajo).

   En este caso, debe comprobar el gráfico inferior (FAP) para ver si la estructura se confirma. El gráfico FAP controla las correlaciones después de controlar los valores de las series en los puntos temporales intercalados.

   Los valores de Mercado_4 están en el área sombreada, por lo que podemos continuar y comprobar los valores del resto de mercados.

3. Pulse el Correlograma de cada uno de los demás mercados y los totales.

   Los valores de todos los demás mercados muestran algunos valores fuera del área sombreada, que confirma lo que sospechábamos anteriormente, al observar sus valores de Significación. Necesitamos experimentar con algunos modelos diferentes en esos mercados en algunos puntos para ver si podemos obtener mejores resultados, pero para el resto de este ejemplos, nos concentraremos en lo que podemos aprender del modelo Mercado_4.

4. En la paleta Gráficos, añada un nodo Gráfico de tiempo al nugget de modelo Serie temporal.
5. En la pestaña Gráfico, deseleccione la casilla de verificación Mostrar series en paneles separados.
6. En la lista Series, pulse en el botón selector de campos, seleccione los campos Mercado_4 y $TS-Mercado_4, y pulse Aceptar para añadirlos a la lista.
7. Pulse Ejecutar para ver un gráfico de líneas de los campos reales y de previsiones del primer mercado local.

   

   Observe cómo se extiende la línea de previsión ($TS-Mercado_4) más allá del final de los datos reales. Ahora tiene una previsión de la demanda esperada para los tres meses siguientes en este mercado.

   Las líneas de los datos reales y de previsiones de toda la serie temporal están muy cerca en el gráfico, lo que indica que es un modelo fiable para esta serie temporal en particular.

   

   Guarde el modelo en un archivo para usarlo en un futuro ejemplo:

8. Pulse Aceptar para cerrar el gráfico actual.
9. Abra el nugget de modelo Serie temporal.
10. Seleccione Archivo > Guardar nodo y especifique la ubicación del archivo.
11. Pulse Guardar.

    Tiene un modelo fiable para este mercado en particular, pero ¿qué margen de error tiene la previsión? Puede obtener una indicación de esto si examina el intervalo de confianza.

12. Pulse dos veces en el último nodo Serie temporal de la ruta (con la etiqueta Mercado_4 $TS-Mercado_4) para volver a abrir este cuadro de diálogo.
13. Pulse en el botón selector de campos y añada los campos $TSLCI-Mercado_4 y $TSUCI-Mercado_4 a la lista Series.
14. Pulse Ejecutar.

Ahora tiene el mismo gráfico de antes, pero con los límites superior ($TSUCI) e inferior ($TSLCI) del intervalo de confianza añadidos.

Observe cómo divergen los límites del intervalo de confianza a lo largo del período de previsión, lo que indica que aumenta la incertidumbre al hacer previsiones más lejos en el tiempo.

No obstante, a medida que transcurra cada período de tiempo, tendrá datos de uso reales correspondientes a otro mes (en este caso), en los que podrá basar la previsión. Puede leer los nuevos datos en la ruta y volver a aplicar el modelo ahora que sabe que es fiable. Consulte el tema Nueva aplicación de modelos de series temporales para obtener más información.

Siguiente