Nota: | En esta sección se describen los métodos de previsión de serie de tiempo no estacionales y estacionales que no incluyen métodos de ARIMA de Box-Jenkins. Para obtener más información sobre esos métodos, consulte Uso de métodos de previsión de serie de tiempo de ARIMA. |
Puede prever datos históricos mediante distintos métodos de previsión de serie de tiempo. Algunos métodos están diseñados para funcionar mejor para determinados tipos de datos:
Datos estacionales (aumento o disminución en un patrón recurrente regular a lo largo del tiempo; Ilustración 5, a la izquierda)
Datos de tendencia (aumento o disminución consistente a lo largo del tiempo; Ilustración 5, a la derecha)
Datos sin tendencia ni estacionalidad
Además de estas categorías, existen dos tipos de métodos estacionales: aditivo y multiplicativo. La estacionalidad aditiva tiene una amplitud de patrón fija y la estacionalidad multiplicativa tiene una amplitud de patrón que aumenta o disminuye a lo largo del tiempo. En Ilustración 6 se ilustran estas distintas curvas.
Para la previsión de serie de tiempo, cualquiera de los métodos de previsión de serie de tiempo clásicos debe funcionar con distintas cantidades de éxito. Sin embargo, cada método tiene su propia finalidad, como se describe en Tabla 1 y los párrafos de resumen que le siguen. Para obtener más información sobre cada método clásico, consulte las secciones de Predictor de la guía de referencia y ejemplos de Oracle Crystal Ball.
Tabla 1. Selección de un método de previsión de serie de tiempo clásico
Sin tendencia ni estacionalidad |
Sólo tendencia, sin estacionalidad |
Sólo estacionalidad, sin tendencia |
Tendencia y estacionalidad |
---|---|---|---|
Suavizado exponencial simple |
Suavizado exponencial doble |
Aditivo estacional |
Aditivo de Holt-Winters |
Promedio móvil simple |
Promedio móvil doble |
Multiplicativo estacional |
Multiplicativo de Holt-Winters |
Para resumir las guías de selección:
Métodos de promedio móvil: estos métodos ayudan a suavizar las fluctuaciones a corto plazo y resaltan las tendencias o ciclos a largo plazo. Se utilizan cuando la serie de tiempo no tiene una tendencia. Cuando la serie de tiempo tiene una tendencia, con el método de promedio móvil doble calcula un segundo promedio móvil a partir del promedio móvil original para realizar un mejor seguimiento de la tendencia.
Métodos de suavizado exponencial: mientras que los promedios móviles ofrecen ponderaciones iguales para valores incluidos, un suavizado exponencial simple asigna ponderaciones que disminuyen exponencialmente a medida que la observación es más antigua, un enfoque más razonable. Cuando una serie de tiempo tiene una tendencia, el suavizado exponencial doble resulta útil y se calcula mediante suavizando la serie dos veces.
Para determinar si tiene datos de tendencia o estacionales, haga clic en Ver estacionalidad en el panel Datos de entrada. Para obtener más información, consulte Visualización de datos históricos por estacionalidad.
Consejo: | La visualización de la estacionalidad puede ayudarle a decidir qué métodos seleccionar. Sin embargo, la selección de todos los métodos de previsión de serie de tiempo clásicos disponibles para Métodos no estacionales o Métodos estacionales no ralentiza considerablemente los cálculos a menos que esté previendo cientos de valores a la vez, de forma que pueda considerar intentarlos todos (valor predeterminado). |
Para conocer los procedimientos de selección de métodos de previsión, consulte Selección de un método de previsión.
Para establecer manualmente los parámetros para cualquier método, consulte Establecimiento de parámetros de métodos de previsión de serie de tiempo clásicos, a continuación.