Uso de métodos de previsión de serie de tiempo de ARIMA

Los métodos de previsión de promedio móvil autorregresivo integrado (ARIMA) fueron popularizados por G. E. P. Box y G. M. Jenkins en los años 70. Estas técnicas, a menudo denominadas metodología de previsión de Box-Jenkins, tienen los siguientes pasos:

  1. Identificación y selección del modelo

  2. Estimación de parámetros autorregresivos (AR), integración o diferenciación (I) y promedio móvil (MA).

  3. Comprobación del modelo

ARIMA es un proceso univariado. Los valores actuales de una serie de datos se correlacionan con valores pasados de la misma serie para producir el componente AR, también conocido como p. Los valores actuales de un término de error aleatorio se correlacionan con valores pasados para producir el componente MA, q. Se supone que los valores de media y varianza de los datos actuales y pasados son estacionarios, no cambian a lo largo del tiempo. Si es necesario, se agrega un componente I (simbolizado por d) para corregir una falta de estacionariedad a través de diferenciación.

En un modelo ARIMA(p,d,q) no estacional, p indica el número u orden de los términos AR, d indica el número u orden de las diferencias y q indica el número u orden de los términos MA. Los parámetros p, d y q son enteros iguales o mayores que 0.

Los valores de datos cíclicos o estacionales se indican mediante un modelo ARIMA estacional con el formato

SARIMA(p,d,q)(P,D,Q)(t)

El segundo grupo de parámetros entre paréntesis son los valores estacionales. Los modelos ARIMA estacionales tienen en cuenta el número de periodos de tiempo de un ciclo definidos en el cuadro de diálogo Datos históricos: Estacionalidad (Ilustración 2). Para un año, el número de periodos de tiempo (t) es 12.

Nota:

En la interfaz de usuario de Predictor, los modelos ARIMA estacionales no incluyen el componente (t), aunque se sigue utilizando en los cálculos. Consulte la bibliografía para obtener referencias que describen esta metodología más detalladamente.

Los modelos ARIMA de Crystal Ball no se ajustan a los conjuntos de datos constantes ni a los conjuntos de datos que se pueden transformar en conjuntos de datos constantes mediante diferenciación de no estacional y estacional. Debido a esta función, todas las series constantes, o series con regularidad absoluta como datos que representan una línea recta o un trazado de dientes de sierra, no devuelven un ajuste de modelo ARIMA.

  Para utilizar métodos de ARIMA:

  1. En el panel Métodos del asistente de Predictor, seleccione ARIMA.

  2. En el panel Detalles de promedio móvil autorregresivo integrado (ARIMA), seleccione Automático (valor predeterminado) o Modelos personalizados.

    Nota:

    A menos que conozca a fondo la metodología ARIMA y tenga pensado construir o utilizar modelos ARIMA personalizados existentes, seleccione Automático.

  3. Opcional: si ha seleccionado Automático, seleccione un criterio de selección de modelo, Minimizar criterio de información (valor predeterminado) o Minimizar medida de error seleccionada. El valor predeterminado normalmente proporciona una mejor estimación de ARIMA. La minimización de la medida de error seleccionada en otra parte para la previsión de Predictor puede dar lugar a un ajuste excesivo.

  4. Opcional: haga clic en Seleccionar criterio de información (Alt+e) para indicar qué criterio de información utilizar. Para obtener más información, consulte Selección de un criterio de selección de modelo ARIMA. A menos que tenga un buen motivo para seleccionar otro, BIC (valor predeterminado) suele ser adecuado.

  5. Opcional: seleccione Realizar búsqueda de modelo ampliada para comparar más modelos con los datos históricos. Los resultados pueden ser un poco más precisos, pero el análisis puede tardar mucho más tiempo.

  6. Opcional: si ha seleccionado Modelos personalizados en el paso 2, cree una lista de modelos que utilizar. Para obtener instrucciones, consulte Uso de modelos ARIMA personalizados.

  7. Opcional: haga clic en Opciones de ARIMA (Alt+o) para indicar si incluir una constante en la ecuación de ARIMA y si realizar una transformación de Box-Cox. El valor predeterminado, Seleccionar automáticamente o Ninguno, suele ser adecuado para ambas opciones. Para obtener más información, consulte Establecimiento de opciones de ARIMA.

Nota:

Si se ha seleccionado Automático, cualquier modelo mostrado se ajusta a cada serie. Los modelos estacionales personalizados no se ajustan a series no estacionales, pero los modelos no estacionales se ajustarán a series estacionales.

Si se ha seleccionado Modelos personalizados, los modelos se aplican sólo a la serie de Predictor seleccionada actualmente y se deben definir para cada serie por separado.