Aplicar modelos de series temporales

El procedimiento Aplicar modelos de series temporales carga modelos de series temporales existentes desde un archivo externo y los aplica al conjunto de datos activo. Puede utilizar este procedimiento para obtener previsiones para las series para las cuales están disponibles datos nuevos o revisados, sin volver a crear los modelos. Los modelos se generan utilizando el procedimiento Modelador de series temporales .

Ejemplo. Imagine que es el director de inventario de un importante minorista y se encarga de 5.000 productos. Ha utilizado el modelizador experto para crear modelos que prevén las ventas de cada producto para un plazo de tres meses. Su almacén de datos se actualiza cada mes con datos de ventas reales que desea utilizar para generar previsiones actualizadas mensuales. El procedimiento Aplicar modelos de series temporales le permite hacerlo utilizando los modelos originales, con sólo volver a estimar los parámetros de los modelos para que tengan en cuenta los datos nuevos.

Estadísticas. Medidas de bondad de ajuste: R cuadrado estacionaria, R cuadrado (R 2), raíz de la media cuadrática de los errores (RMSE), media del error absoluto (MAE), error absoluto porcentual promedio (MAPE), error absoluto máximo (MaxAE), error porcentual absoluto máximo (MaxAPE) y criterio de información bayesiano (BIC) normalizado. Residuos: función de autocorrelación, función de autocorrelación parcial y Q de Ljung-Box.

Gráficos. Gráficos de resumen en todos los modelos: histogramas de R cuadrado estacionaria, R cuadrado (R 2), raíz de la media cuadrática de los errores (RMSE), media del error absoluto (MAE), error absoluto porcentual promedio (MAPE), error absoluto máximo (MaxAE), error porcentual absoluto máximo (MaxAPE), criterio de información bayesiano (BIC) normalizado, diagramas de caja de autocorrelaciones de residuos y autocorrelaciones parciales. Resultados para modelos individuales: valores de predicción, valores ajustados, valores observados, límites de confianza superiores e inferiores, autocorrelaciones de residuos y autocorrelaciones parciales.

Aplicar modelos de series temporales: Consideraciones sobre los datos

Datos. Las variables (dependientes e independientes) a las que se aplican los modelos deben ser numéricas.

Supuestos. Los modelos se aplican a las variables del conjunto de datos activo con los mismos nombres que las variables especificadas en el modelo. Todas estas variables se tratan como series temporales, lo que significa que cada caso representa un punto del tiempo, los casos son consecutivos separados por un intervalo de tiempo constante.

  • Previsiones. Para generar predicciones mediante modelos con variables independientes (predictoras), el conjunto de datos activo debe contener valores de estas variables para todos los casos del período de predicción. Si se vuelven a estimar los parámetros del modelo, las variables independientes no pueden contener ningún valor perdido en el período de estimación.

Definición de fechas

El procedimiento Aplicar modelos de series temporales requiere que la periodicidad, si existe, del conjunto de datos activo coincida con la periodicidad de los modelos que se van a aplicar. Si sólo va a generar previsiones con el mismo conjunto de datos (quizá con datos nuevos o revisados) que el utilizado para generar el modelo, esta condición se cumple. Si no existe ninguna periodicidad para el conjunto de datos activo, se le dará la oportunidad de navegar al cuadro de diálogo Definir fechas para crear una. No obstante, si los modelos se crean sin especificar ninguna periodicidad, el conjunto de datos activo no puede tener tampoco ninguna periodicidad.

Para aplicar modelos

Esta característica requiere la opción Previsiones.

  1. En los menús seleccione:

    Analizar > Previsión > Aplicar tradicional Modelos ...

  2. Especifique la especificación de archivo para un archivo de modelo o pulse Examinar y seleccione un archivo de modelo (los archivos de modelo se crean con el procedimiento Modelador de series temporales ).

Si lo desea, puede:

Parámetros del modelo y medidas de la bondad de ajuste

Cargar desde archivo de modelo. Las previsiones se generan con los parámetros de modelo del archivo de modelo sin volver a estimar dichos parámetros. Las medidas de bondad de ajuste que se visualizan en el resultado y se utilizan para filtrar modelos (el de mejor o peor ajuste) se toman del archivo del modelo y reflejan los datos utilizados cuando se desarrolló cada modelo (o la última actualización). Con esta opción, las previsiones no tienen en cuenta los datos históricos (para las variables tanto dependientes como independientes) del conjunto de datos activo. Debe elegir Estimar de nuevo a partir de los datos si desea que los datos históricos influyan en las previsiones. Además, las previsiones no tienen en cuenta los valores de la serie dependiente en el período de previsión, aunque sí tienen en cuenta los valores de las variables independientes en el período de previsión. Si tiene más valores actuales de la serie dependiente y desea incluirlos en las previsiones, debe realizar otra estimación y ajustar el período de estimación para incluir dichos valores.

Reestimar a partir de datos. Los parámetros del modelo se vuelven a estimar con los datos del conjunto de datos activo. La nueva estimación de los parámetros del modelo no tiene ningún efecto en la estructura del modelo. Por ejemplo, un modelo ARIMA(1,0,1) no varía, pero los parámetros autorregresivos y de media móvil se vuelven a estimar. La nueva estimación no tiene como resultado la detección de nuevos valores atípicos. Los valores atípicos, si los hay, siempre proceden del archivo de modelo.

  • Período de estimación. El período de estimación define el conjunto de casos utilizados para volver a estimar los parámetros del modelo. De forma predeterminada, el período de estimación incluye todos los casos del conjunto de datos activo. Para establecer el periodo de estimación, seleccione Basado en el tiempo o el rango de casos en el cuadro de diálogo Seleccionar casos . Según los datos disponibles, el período de estimación utilizado por el procedimiento puede variar según el modelo y, por consiguiente, ser distinto del valor mostrado. Para un modelo determinado, el período de estimación real es el período restante tras eliminar de todos los valores perdidos contiguos, de la variable dependiente del modelo, que aparecen al principio o al final del período especificado.

Período de predicción

El período de previsión de cada modelo siempre empieza con el primer caso después del final del período de estimación y se extiende hasta el último caso del conjunto de datos activo o hasta una fecha especificada por el usuario. Si no se vuelve a estimar ningún parámetro (valor predeterminado), el período de estimación para cada modelo es el conjunto de casos utilizado en el desarrollo (o última actualización) de cada modelo.

  • Primer caso después del final del período de estimación hasta el último caso del conjunto de datos activo. Seleccione esta opción si el final del período de estimación es anterior al último caso del conjunto de datos activo y desea obtener previsiones hasta el último caso.
  • Primer caso después del final del período de estimación hasta una fecha especificada. Seleccione esta opción para especificar de forma explícita el final del período de previsión. Escriba valores para todas las casillas de la cuadrícula Fecha.

    Si no se ha definido ninguna especificación de fecha para el conjunto de datos activo, la cuadrícula Fecha muestra sólo la columna Observación. Para especificar el final del período de previsión, escriba el número de fila (tal como aparece en el Editor de datos) del caso correspondiente.

    La columna Ciclo (si aparece) de la cuadrícula Fecha hace referencia al valor de la variable CYCLE_ del conjunto de datos activo.