Este documento presenta varias formas de lograr la estacionariedad en series de tiempo, incluyendo extraer la tendencia, hacer primeras diferencias, aplicar logaritmos o incluir dummys. También describe el ruido blanco, la autocovarianza y la función de autocorrelación, así como métodos de suavizado como la media móvil, el suavizado exponencial y Holt-Winters. Finalmente, discute el ajuste estacional y cómo programas como X11 y Tramo-Seats pueden usarse para este propósito.
Este documento presenta varias formas de lograr la estacionariedad en series de tiempo, incluyendo extraer la tendencia, hacer primeras diferencias, aplicar logaritmos o incluir dummys. También describe el ruido blanco, la autocovarianza y la función de autocorrelación, así como métodos de suavizado como la media móvil, el suavizado exponencial y Holt-Winters. Finalmente, discute el ajuste estacional y cómo programas como X11 y Tramo-Seats pueden usarse para este propósito.
Este documento presenta varias formas de lograr la estacionariedad en series de tiempo, incluyendo extraer la tendencia, hacer primeras diferencias, aplicar logaritmos o incluir dummys. También describe el ruido blanco, la autocovarianza y la función de autocorrelación, así como métodos de suavizado como la media móvil, el suavizado exponencial y Holt-Winters. Finalmente, discute el ajuste estacional y cómo programas como X11 y Tramo-Seats pueden usarse para este propósito.
Formas de lograr estacionariedad (Problema de anlisis espurios):
Extraer la tendencia y despus restrsela a la serie original
o Se puede suavizar la serie, suavizado exponencial, promedio aritmtico mvil, Holt Winters y Hodrick y Prescott. Hacer primeras diferencias o cambio porcentual Si la NO estacionariedad es en varianza se pueden aplicar logaritmos Si es por estacionalidad se pueden incluir dummys o estimar modelos de estacionalidad. Ruido Blanco:
Media constante y varianza constante. Media no necesariamente cero.
Ruido blanco es estacionario. Cada t es iid por lo tanto no se puede hacer pronstico basado en su pasado. Autocovarianza:
Para qu sirve?: Para saber especificar los modelos.
Es como sacar la covarianza de una serie con la misma serie rezagada Cuando el rezago es cero, la autocovarianza es igual a la varianza. Se usa ms en contextos tericos
Funcin de autocorrelacin:
El coeficiente de correlacin es una manera de normalizar la
covarianza ya que su recorrido se extiende entre -1 y +1 La funcin de autocorrelacin mide la relacin estadstica entre las observaciones de una serie temporal La autocorrelacin y la autocorrelacin parcial son medidas de asociacin entre valores de series actuales y pasadas e indican cules son los valores de series pasadas ms tiles para predecir valores futuros. Con estos datos podr determinar el orden de los procesos en un modelo AR y ARIMA: o Funcin de autocorrelacin (FAS). En el retardo k, es la autocorrelacin entre los valores de las series que se encuentran a k intervalos de distancia. o Funcin de autocorrelacin parcial (FAP). En el retardo k, es la autocorrelacin entre los valores de las series que se encuentran a k intervalos de distancia, teniendo en cuenta los valores de los intervalos intermedios. Suavizado:
Se usa para quitar fluctuaciones de corto plazo y el ruido en las series
con tendencia y asi dejar solo la tendencia. Suavizado media mvil: Se toman porciones de ocurrencias en la serie y se reemplazan los valores con el valor de su media aritmtica. GRAN PROBLEMA: picos. SOLUCIN: hacer la media dndole menos peso a valores extremos (Gaussiana, ventana de Hamming). OJO no se pueden usar para predecir y son costosas de calcular. Suavizado exponencial: se multiplica el dato anterior por un beta para generar el dato siguiente Suavizado exponencial doble: igual que el simple, pero se incorpora un coeficiente de tendencia Suavizado Holt Winters: Se usa cuando la serie muestra tendencia y adems estacionalidad. Se aconseja tener al menos dos temporadas para usar este mtodo. Filtro de Hodrick y Prescott: Remueve fluctuaciones de corto plazo revelando la tendencia de largo plazo. Descompone la serie en un compenente de tendencia y un componente cclico. Dependiendo de la periodicidad de la serie el lambda debe ser calibrado. Ajuste estacional:
Una serie estacional muestra barras significativas en la ACF segn la
periodicidad de la estacionalidad. El programa ms usado es el programa X11, tramo.seats.