Anlisis de Series de Tiempo

Series de tiempo y Master subtitle Click to edit sus componentes

style

Temas
1. Cuatro componentes de una serie de

tiempo 2. Anlisis de tendencias 3. Descomposicin de las series de tiempo

1.- Series de tiempo y sus componentes

El proceso de desarrollar un pronstico comienza con la recoleccin de datos anteriores durante varios perodos. El conjunto de datos resultantes se denomina una serie de tiempo o serie temporal porque contiene observaciones para alguna variable durante el tiempo. Los perodos de tiempo varan en duracin. Pueden ser anuales, trimestrales, mensuales o incluso diarios. Los perodos de slo una hora pueden utilizarse para variables altamente voltiles como el precio o para las acciones transadas en una de las bolsas de valores reconocidas.

La contiene datos de ventas trimestrales de Rampart Industries en millones de dlares.

El propsito de estas series es predecir o proyectar los valores futuros de la variable a partir de las observaciones anteriores.

Un mtodo directo es el mtodo intuitivo o de proyeccin, el cual presume que el mejor predictor del valor de la variable en el siguiente periodo es su valor en el periodo actual. MODELO PROYECTIVO INTUITIVO

Sin embargo, la mayora de las series de tiempo son ms complejas. Todas las series de tiempo contienen por lo menos uno de los siguientes cuatro componentes: 1) tendencia secular; 2) variacin estacional; 3) variacin cclica; o 4) variacin irregular, o aleatoria. En esta seccin se analizarn cada uno de estos componentes de las series de tiempo.

A.- Tendencia Secular

La tendencia secular, o simplemente la tendencia, es la conducta a largo plazo de la variable durante un perodo de longitud prolongada. Refleja la direccin general de la serie de tiempo como ascendente o descendente. Algunos ejemplos incluyen el creciente nmero de autos vendidos en Estados Unidos, el incremento en el volumen de las transacciones de crdito durante los ltimos aos, y el movimiento descendente en el nmero de personas que viven en reas rurales en las ltimas dos dcadas

A.- Tendencia Secular

La figura muestra la tendencia de los datos dados en la tabla anterior de Rampart Industries

B.- Componente Estacional

Gran parte de la actividad comercial se ve influenciada por las cambiantes estaciones del ao. Por ejemplo, las ventas de ciertos bienes estacionarios como las motonieves Honda, vestidos de bao Jantzen, y tarjetas de amor y amistad de Hallmark, probablemente presentaran un componente altamente estacional. Las fluctuaciones estacionales son patrones que tienden a ocurrir de nuevo, regularmente, durante el perodo

B.- Componente Estacional

o Aunque se piensa con frecuencia que las variaciones

estacionales ocurren regularmente cada ao, como las ventas anuales de jamones de navidad, el perodo en cuestin puede ser mucho ms corto. El flujo diario de clientes a la barra de comidas cada medio da es un ejemplo. Si la variacin estacional no ocurre anualmente, los datos anuales no capturarn o reflejarn tales cambios. Los datos deben recolectarse trimestral, mensual o incluso semanalmente.

B.- Componente Estacional

La figura muestra que cada ao la tasa de desempleo tiende a subir en el mes de mayo y baja en noviembre Por qu?

C.- Variaciones Cclicas

Muchas variables presentan una tendencia a la variacin por encima y por debajo de la tendencia a largo plazo, durante un perodo prolongado de tiempo. Tales fluctuaciones se denominan variaciones cclicas o ciclos comerciales. Abarcan perodos mucho ms prolongados que las variaciones estacionales, y con frecuencia incluyen tres o ms aos de duracin.

C.- Variaciones Cclicas

Un ciclo contiene cuatro fases: 1) Alza o expansin, durante la cual el nivel de actividad comercial se acelera, el desempleo es bajo y la produccin es rpida; 2) el pico, en el cual la tasa de actividad econmica tiene "el punto ms alto"; 3) el descenso, o contraccin, cuando el desempleo sube y la actividad se merma; y 4) la depresin, cuando la actividad est en su punto mnimo. Un ciclo va desde una fase hasta la siguiente, y tal como se ilustra en la figura, vara por encima y por debajo de la tendencia a largo plazo, de manera ondular.

C.- Variaciones Cclicas

D.- Variaciones Irregulares

o Las series de tiempo tambin contienen

variaciones irregulares o aleatorias, producidas por sucesos inusuales, que producen movimientos sin un patrn discernible. Tales movimientos son, como las huellas y los copos de nieve, nicos y probablemente no ocurrirn de nuevo de la misma manera. Pueden ser producidos por eventos tales como guerras, inundaciones, terremotos, elecciones polticas, o embargos del petrleo.

2.-Modelos de Series de Tiempo

Un modelo de series de tiempo puede expresarse como alguna combinacin de estos cuatro componentes. El modelo es simplemente una expresin matemtica de la relacin entre los cuatro componentes. Comnmente dos tipos de modelos se relacionan con las series de tiempo: 1) el modelo aditivo y 2) el modelo multiplicativo. El modelo aditivo se expresa como:

en donde Yt es el valor de la serie de tiempo para el perodo t, y la tendencia son los valores al lado derecho, la variacin estacional, la variacin cclica, y la variacin aleatoria o irregular, respectivamente, para el mismo perodo.

2.- Modelos de Series de Tiempo

En el modelo aditivo, todos los valores estn expresados en unidades originales, y S, C, e I son desviaciones alrededor de T. Si se desarrollara un modelo de series de tiempo para las ventas en dlares de una tienda minorista local, se puede encontrar que T= US$500, S= US$100, C=-US$25, e I=-US$10. Las ventas seran
Y = US$500 + US$100-US$25-US$1O = US$565

2.- Modelos de Series de Tiempo

Vale la pena destacar que el valor positivo para S indica que las influencias estacionales existentes han tenido un impacto positivo en las ventas. El valor cclico negativo sugiere que el ciclo comercial est actualmente descendiendo. Aparentemente, sucedi algn evento aleatorio que tuvo un impacto negativo en las ventas.

2.- Modelos de Series de Tiempo

El modelo aditivo sufre del supuesto, algo irreal, de que los componentes son independientes uno del otro. Como resultado, el modelo multiplicativo es el que se prefiere con frecuencia; supone que los componentes interactan entre s y no se mueven independientemente. El modelo multiplicativo se expresa como:

2.- Modelos de Series de Tiempo

En el modelo multiplicativo, slo T se expresa en las unidades originales, y S, C, e I se expresan en trminos de porcentajes. Por ejemplo, los valores para las deudas morosas en un banco comercial pueden registrarse como T= US$10.000.000, S= 1.7, C= 0.91 e I= 0.87. Las deudas morosas podran entonces calcularse como:

Y= (10)(1.7)(0.91)(0.87) = US $13.46 millones

3.- Tcnicas de Suavizamiento

El comportamiento general de una variable, con frecuencia puede analizarse mejor observando su tendencia a largo plazo. Sin embargo, si la serie de tiempo contiene demasiadas variaciones o cambios estacionales a corto plazo, la tendencia puede ser algo confusa y difcil de observar. Es posible eliminar muchos de estos factores que se pueden confundir promediando los datos de varios perodos

3.- Tcnicas de Suavizamiento

Esto se logra utilizando ciertas tcnicas de suavizamiento o suavizacin que eliminan las fluctuaciones aleatorias de la serie, proporcionando por tanto un panorama menos distorsionado de la conducta real de la serie. Se analizarn dos mtodos comunes de suavizamiento de los datos de series de tiempo: promedio mvil y suavizamiento exponencial.

A.- Promedios mviles

Un promedio mvil (PM) tendr el efecto de "suavizamiento" de los datos, produciendo un movimiento con menos picos y valles. Se calcula promediando los valores en la serie de tiempo sobre un nmero fijo de perodos. El mismo nmero de perodos se mantiene para cada promedio, eliminando la observacin ms antigua y recogiendo la ms reciente. Se supone que los precios de cierre para una accin en la Bolsa de Valores de Nueva York, para el perodo de lunes a mircoles, fueron de US$20, US$22, y US$18, respectivamente. Se calcula un promedio mvil de tres perodos (da) as: (20 + 22 + 18)/ 3 = 20

A.- Promedios mviles

El estimado que ha sido calculado de esta manera, se observa como el promedio a largo plazo de la serie. Se toma como el pronstico para el precio de cierre en cualquier da futuro. Ejemplo

A.- Promedios mviles

Ventas de motonieves

A.- Promedios mviles

Mes Venta (US$100) PM 3 Meses PM 5 meses Enero 52 Febrero 81 60.000 Marzo 47 64.333 59.000 Abril 65 54.000 63.200 Mayo 50 62.667 56.000 Junio 73 56.000 58.600 Julio 45 59.333 55.600 Agosto 60 51.667 61.400 Septiembre 50 63.000 55.800 Octubre 79 58.000 59.200 Noviembre 45 62.000 Diciembre 62

A.- Promedios mviles

12

10

A.- Promedios mviles

Periodo 1996-I 1996-II 1996-III 1996-IV 1997-I 1997-II 1997-III 1997-IV 1998-I 1998-II 1998-III 1998-IV Ventas (US$1000) 40 45 38 47 53 39 47 32 51 45 37 54

Ventas para Sun

Shine Cards

A.- Promedios mviles

Periodo 1996-I 1996-II 1996-III 1996-IV 1997-I 1997-II 1997-III 1997-IV 1998-I 1998-II 1998-III 1998-IV Ventas (US$1000) 38 47 53 39 47 32 51 45 37 54 46.75 41.25 44.00 43.75 42.50 42.25 43.00 42.75 42.50 46.50 44.63 44.25 45.38 45.75 45.00 40 45 PM de cuatro periodos 42.50 44.13 PM de cuatro periodos centrados

A.- Promedios mviles

40 38 36 34

32 30

28 26

24 22

20

B.- Suavizamiento Exponencial

Como su nombre lo indica, el suavizamiento exponencial tiene el efecto de suavizar una serie. Tambin proporciona un medio efectivo de prediccin. Suavizamiento exponencial de primer orden se utiliza cuando los datos no presentan ningn patrn de tendencia. El modelo contiene un mecanismo de autocorreccin que ajusta los pronsticos en direccin opuesta a los errores pasados. La ecuacin es

B.- Suavizamiento Exponencial

es una "constante de suavizamiento" a la cual se le da un valor entre 0 y 1. Teniendo en cuenta que los datos no tienen tendencia ascendente o descendente, pero varan alrededor de algn promedio a largo plazo, se toma el valor F t+l como pronstico para cualquier perodo futuro.

B.- Suavizamiento Exponencial

Como ejemplo, se supone que es el ltimo da hbil del mes de febrero. Las ventas totales del mes para Uncle Vito's Cars fueron de US$110,000. Uncle Vito ha decidido pronosticar las ventas para el mes de marzo. De acuerdo con la frmula, la proyeccin de marzo, Ft+1 requiere:

l. Ventas reales de febrero, At 2. Pronstico para febrero, Ft

B.- Suavizamiento Exponencial

Sin embargo, debido a que marzo es el primer mes en el cual Uncle Vito est haciendo su prediccin, no se hizo pronstico para el mes de febrero y Ft es desconocido. La prctica general es utilizar simplemente el valor real del perodo anterior, enero en este caso, para la primera proyeccin. Los registros de Uncle Vito demuestran que las ventas de enero fueron de US$105,000. Se asume un valor de 0.3 para , entonces el pronstico para marzo es:

B.- Suavizamiento Exponencial

Ventas de Autos Uncle Vito

B.- Suavizamiento Exponencial

Proyecci Error (FtReal n con At) Mes =0.3 Enero 105 Febrero 110 105.00 -5.00 Marzo 107 106.50 -0.50 Abril 112 106.65 -5.35 Mayo 117 108.26 -8.75 Junio 109 110.88 1.88 Julio 108 110.31 2.31 Agosto 109.62

B.- Suavizamiento Exponencial

Claro, que el valor seleccionado para a es crucial. Debido a que se desea producir un pronstico con el error ms pequeo posible, el valor a que minimiza el cuadrado medio del error (CME) debe ser ptimo. El ensayo y error sirve con frecuencia como el mejor mtodo para determinar el valor a apropiado. La tabla anteior contiene los datos de las ventas reales de Uncle Vito para los primeros siete meses. Los errores se basan en las proyecciones que se calcularon utilizando los valores a de 0.3 y 0.8. El CME es

B.- Suavizamiento Exponencial

Real Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Error (FtProyeccion Error (Ft-At) Proyeccion At) con =0.3 con =0.8 105 110 105.00 -5.00 105.00 -5.00 107 106.50 -0.50 109.00 2.00 112 106.65 -5.35 107.40 -4.60 117 108.26 -8.75 111.08 -5.92 109 110.88 1.88 115.82 6.82 108 110.31 2.31 110.36 2.36 109.62 108.47

B.- Suavizamiento Exponencial

B.- Suavizamiento Exponencial

Un de 0.8 produce mejores resultados de pronstico debido a que genera un factor de error ms pequeo. Otros valores de a pueden probarse para determinar su impacto en CME y en la exactitud de las proyecciones resultantes. Generalmente hablando, si los datos son voltiles se precisa un menor valor . Esto se debe a que los valores ms pequeos para asignan menos peso a las observaciones ms recientes. Si los datos presentan un movimiento considerable, la ltima observacin puede no ser representativa del promedio a largo plazo.

4.- Anlisis de la tendencia

Si una serie de tiempo tiene una tendencia ascendente o descendente a largo plazo (como la grafica)

4.- Anlisis de la tendencia

el anlisis de tendencia puede ser til para desarrollar pronsticos. Es decir, si una tendencia est presente debido a que los datos no varan alrededor de algn promedio a largo plazo como los de las tarjetas Sun Shine discutidos anteriormente, los mtodos de suavizamiento como el promedio mvil y el suavizamiento exponencial no son apropiados.

4.- Anlisis de la tendencia

En su lugar, se puede estimar una recta de tendencia, utilizando las tcnicas para la regresin simple ya vista en el curso. La variable dependiente es la serie de tiempo que se desea pronosticar y el tiempo se utiliza como variable independiente. El modelo a estimar es simplemente:

4.- Anlisis de la tendencia

Considerando los datos para el nmero de casas iniciadas (en cientos) en Happy Valley, California, que se observan en la tabla, Mayfield Construction desea ajustar su serie de tiempo utilizando MCO en el desarrollo de un modelo para predecir futuros comienzos de construccin de vivienda

Solucin

4.- Anlisis de la tendencia

Larry's Lawn Service hace publicidad de un nuevo qumico para erradicar las malezas. Para determinar la tendencia en el nmero de clientes, Larry consulta los registros de la Compaa y encuentra los datos que aparecen a continuacin. l desea pronosticar el nmero de clientes para los perodos futuros.

Solucin

Periodo Enero_2005 Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre Enero_2006 Febrero

t(X) 1 2 3 4 5 6 7 8 9 10 11 12 13 14

Clientes (Y) 41 43 39 37 42 35 30 31 32 30 28 28 29 26

5.- Descomposicin de las Series de Tiempo

Como se expres anteriormente, el promedio mvil de todo el ao elimina los movimientos estacionales recurrentes (debido a que las variaciones estacionales ocurren dentro de un ao), as como todo efecto aleatorio durante el transcurso del ao. As, dado un modelo multiplicativo