MODELOS DE SERIES TEMPORALES

Top PDF MODELOS DE SERIES TEMPORALES:

Desarrollo de Modelos de Series Temporales para el Análisis de las Tendencias en el Ambito Institucional: ESPOCH

Desarrollo de Modelos de Series Temporales para el Análisis de las Tendencias en el Ambito Institucional: ESPOCH

Consideramos que muchas de las Universidades del País y del mundo tienen implementados proyectos en la aplicación de series temporales y modelos de regresión, debido a que estos les dan mayor información a futuro de la realidad de su institución y mediante el proceso, modelación, análisis e interpretación estos datos se convierten en información útil y confiable para la toma de decisiones, por el contrario la aplicación de este tipo de métodos en nuestro medio se dan de manera muy reducida, por lo que nuestras autoridades al desconocer lo que pasará en el futuro no pueden tomar decisiones a tiempo que sirvan para el desarrollo de la misma.
Mostrar más

306 Lee mas

Contribuciones a la predicción a corto plazo del precio de la electricidad mediante modelos de series temporales

Contribuciones a la predicción a corto plazo del precio de la electricidad mediante modelos de series temporales

Para caracterizar adecuadamente el proceso estocástico de los precios eléctricos resulta necesario, por tanto, una distribución capaz de modelar de manera exible no únicamente su media y varianza condicional, sino también momentos de mayor orden. Para tal propósito, utilizar un enfoque no paramétrico es a nuestro juicio una solución apropiada, puesto que la característica principal de dicho enfoque es precisamente permitir que sea el conjunto de datos el que determine la forma que éstos presentan, sin asumir ninguna previamente. Esta idea ya ha sido aplicada a los precios eléctricos en Weron and Misiorek (2008), que está basado en el trabajo previo de Cao et al. (2003). Los modelos de series temporales presentados en estos artículos describen la densidad de las innovaciones o el comportamiento puramente estocástico de la variable de salida a través de estimadores kernel (Silverman (1986)). El primer artículo citado encuentra que los modelos así estimados arrojan, en general, mejores resultados que sus contrapartidas gaussianas, tanto en predicción puntual como de intervalos, para los precios eléctricos en CalPX (California) y Nord Pool. El segundo pone de maniesto, a través de un estudio de simulación, que dicha técnica de aproximación de densidades debería ser elegida frente al habitual marco de trabajo gaussiano en situaciones en las que no existe información previa sobre la distribución de los errores de predicción del modelo. Sin embargo, el método presenta los inconvenientes de ser sensible al parámetro de ancho de banda, lo que hace necesario un método adecuado para su correcta selección, y de no presentar una forma analítica de su función de densidad, estando denido el valor de densidad asignado a cada punto en función de los puntos más cercanos al mismo.
Mostrar más

217 Lee mas

Modelos no lineales de pronóstico de series temporales basados en inteligencia computacional para soporte en la toma de decisiones agrícolas

Modelos no lineales de pronóstico de series temporales basados en inteligencia computacional para soporte en la toma de decisiones agrícolas

39 la regresión lineal y Box-Jenkins [8]. Más tarde un estudio similar lo llevó a cabo Lapedes y Farber [117] que concluyeron que las RNAs pueden utilizarse con éxito para el modelado y la predicción de series temporales no lineales. Ante esto aparecieron otros modelos tales como arboles de decisiones, máquinas de soporte vectorial y regresión del vecino más cercano [109], algoritmos genéticos y basados en Lógica Difusa o Fuzzy (FL) [118]. Además, la exactitud empírica de estos modelos de aprendizaje automático han sido evaluados en competiciones internacionales de pronósticos bajo diferentes condiciones de los datos, por ejemplo las competiciones internacionales de pronóstico propuestas por Makridakis M3 [119], Santa Fe Competición [110], las Competiciones NN3 [120] y NN5 [121], y las ESTSP anuales [122] creando debates científicos interesante en el área de minería de datos y la predicción [123], así como sesiones especiales organizadas en eventos internacionales, tal como el International Joint Conferences on Neural Networks [125] [126] e IEEE World Congress on Computational Intelligence [127] [128].
Mostrar más

170 Lee mas

Modelos Arima univariante de series temporales para la producción y demanda de agua en el distrito de Lambayeque, periodo 2002 – 2017

Modelos Arima univariante de series temporales para la producción y demanda de agua en el distrito de Lambayeque, periodo 2002 – 2017

En el año 1970, la metodología propuesta por George Box y Gwilym Jenkins, dos ingenieros con formación estadística, sistematiza modelos modernos estadísticos para el análisis de series temporales univariantes que tienen en cuenta la dependencia existente entre los datos, cada observación es modelada en función de los valores anteriores, la variable tiempo, por tanto, juega un papel fundamental.

110 Lee mas

Modelos de series temporales para el pronóstico de ventas

Modelos de series temporales para el pronóstico de ventas

Los resultados de pronósticos obtenidos, si bien se encuentran dentro de un rango aceptable teniendo en cuenta los niveles actuales de errores de la empresa, no superan a los obtenidos para el modelamiento univariado en dos de las tres variables tenidas en consideración. En el caso de la serie de textiles, el error absoluto medio mejora sensiblemente pasando de 4.14% al 2.11% mostrando que para este único caso el modelo multivariado supera en capacidad de predicción a su similar univariado. Estos resultados sugieren que para las variables del presente estudio, la información adicional aportada por la inclusión de las dinámicas existentes entre las series no aporta a la precisión de los pronósticos realizados salvo para la serie de textiles. Es importante además recordar que esta última fue la única serie de datos para la cual se encontraron errores absolutos promedio superiores al 4% en el modelamiento univariado (recordemos que el valor observado de error en la serie de muebles se debe a un valor atípico de la serie) lo que indica que para este caso es importante además de tener en cuenta la información histórica de la misma variable, adicionar al análisis información externa. Sin embargo, al examinar los resultados de los modelos VAR y teniendo en cuenta la dificultad de su estimación y análisis (recordemos que se busca una metodología que pueda ser aplicada con facilidad dentro de la organización), se decide para este caso particular probar con un último tipo de modelos que no suponen la complejidad del vector autorregresivo pero igualmente toman en cuenta la interacción de una serie externa para la realización de los pronósticos.
Mostrar más

37 Lee mas

Evaluación de modelos de series temporales para la previsión de la demanda de emergencias sanitarias

Evaluación de modelos de series temporales para la previsión de la demanda de emergencias sanitarias

Método: Se ha analizado la demanda de emergencias sanitarias en el Servicio Provin- cial de Málaga entre 2004 y 2008 mediante 6 modelos desarrollados con software es- tándar, tres modelos de descomposición y tres econométricos, que consideran meses estivales y valores atípicos, casos de gripe y número de pernoctaciones como variables exógenas. La comparación de modelos se ha realizado mediante test econométricos habituales: la raíz cuadrada del error cuadrático medio (RMSE), el error absoluto por- centual medio (MAPE) y el máximo del error absoluto porcentual medio (MaxAPE) en- tre otros.
Mostrar más

8 Lee mas

Modelos Arch: Un análisis de volatilidad de series temporales financieras

Modelos Arch: Un análisis de volatilidad de series temporales financieras

En segundo lugar, se puede observar que la curtosis de la serie diaria de rendimientos del tipo de cambio peseta/dólar es 5,640229, es decir, significativamente mayor que 3 y, por lo tan[r]

18 Lee mas

Nuevos modelos de predicción eólica basados en series temporales

Nuevos modelos de predicción eólica basados en series temporales

propiciado por el marco legislativo en España, se han desarrollado varios modelos físi- cos entre los que podemos citar el GH Forecaster desarrollado por la empresa Garrad Hassan ([34]), Casandra ([14] y [12]) desarrollado por la empresa Gamesa, LocalPred desarrollado por CENER ([27]), y RAMS desarrollado por Iberinco ([29]). En nuestro caso, nos decantaremos por los modelos estadísticos por varias razones. En primer lugar, porque los modelos físicos necesitan un desarrollo particularizado a cada emplazamien- to que impide la realización de su ajuste o calibración de una manera automática; en segundo lugar, porque la relación entre la velocidad de viento y la potencia generada es altamente no lineal y variante con el tiempo (esta relación depende de otras muchas variables como son la dirección del viento, la densidad del aire, las variaciones locales de temperatura, efectos locales de nubes, lluvia, etc.). Muchas de estas variables son muy difíciles de medir cuando no imposible, por lo que es muy complicado incluirlas de manera implícita en el modelo. En [28] se analiza la mejora de las predicciones de velocidad de viento y potencia empleando el filtro de Kalman a la predicción de velo- cidad de viento obtenida a través de dos modelos meteorológicos distintos y además a distintas resoluciones espaciales. La conclusión es que la aplicación del filtro de Kalman mejora los resultados de los modelos (sesgo, valor absoluto del sesgo y desviación típica del sesgo) para todos los horizontes de predicción en todos los modelos. Así mismo, se obtiene que la aplicación del filtro de Kalman a la predicción de velocidad de viento obtenida con el modelo físico de resolución espacial de 12 km es mejor que la predic- ción obtenida por el modelo físico de resolución espacial de 0.5 km, con la consecuente disminución del tiempo de ejecución de los modelos. Una de sus conclusiones es, por tanto, que la ejecución de algoritmos meteorológicos para mallas de resolución menor de 6 km, que exigen gran recurso y tiempo de cálculo, pueden evitarse empleando métodos estadísticos adaptativos como el filtro de Kalman. La utilización de modelos estadísticos adaptativos posee además otra ventaja ya que es capaz de detectar y ’seguir’ cambios en las relaciones entre las diversas variables, tales como variaciones en la rugosidad en el terreno, o en el modelo numérico de predicción meteorológica. A modo de ejemplo, cabe citar el cambio que experimentó Hirlam en Septiembre de 1997, que tuvo efectos muy significativos sobre la precisión de las predicciones [20].
Mostrar más

143 Lee mas

ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos ARMA

ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos ARMA

Si una o varias ra´ıces caracter´ısticas estan encima o fuera del circulo de unidad, el modelo se llama.. autoregresivo-integrado-media m´ ovil (”autoregressive integrated moving average[r]

26 Lee mas

Una contribución a la explicación del crecimiento económico en China. Nuevas series temporales y pruebas econométricas de varios modelos

Una contribución a la explicación del crecimiento económico en China. Nuevas series temporales y pruebas econométricas de varios modelos

Respecto al capital físico, los problemas se refieren sobre todo a la escasez de datos antiguos o, en el período reciente, a la existencia de rupturas estadísticas, como la de 1993, que marcó la transición de la contabilidad según el Sistema de Balances en Productos Materiales (MPS, por Material Pro- ducts Balance System) al Sistema de Cuentas Nacionales (SNA, por System of National Accounts). Esta transforma- ción hace que sean difíciles las comparaciones temporales ----y a fortiori transversales---- con series chinas. Economis- tas como Gregory C. Chow sí han reconstruido ellos mismos series de stocks de capital al nivel nacional, regional o secto- rial. A nuestro juicio, las series más sólidamente elaboradas se deben a Chow (1993) y sus coautores, pero ya no están disponibles desde 1993, cuando se detuvo la publicación de documentos necesarios para su construcción. Las PWT inclu- yen China, pero en varios puntos sensibles las explicaciones dadas por sus estadísticos son borrosas, por no distinguir las especificidades de este país. En cuanto a las otras series dis- ponibles, sus métodos de cálculo son a menudo te˜ nidos de sesgos de estimación, asociados a una interpretación apro- ximada del método de inventario perpetuo (MIP), método que será aquí el nuestro. Nuestras críticas de esta literatura, explicitadas en un artículo anterior (Long y Herrera, 2015a), se centran en la parametrización cuestionable de los nive- les iniciales de stock de capital físico y de los valores de las tasas de depreciación, en los contenidos indeterminados de las series de inversión y en las elecciones inadecuadas de índices de precios utilizados por una mayoría de los autores. Los intentos de construcción de stocks de capital humano, mucho menos numerosos, son aún más problemá- ticos. En primer lugar, no hay en China estadísticas oficiales
Mostrar más

18 Lee mas

ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos VAR

ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos VAR

• Valores grandes de p o un gran numero de variables end´ ogenas (o los dos) resulta en muchos p´ arametros, y probablemente una gran parte de ellos son no significativos. • Eso es la mo[r]

19 Lee mas

Econometría de Económicas

Econometría de Económicas

ƒ Elimina el sesgo de especificación que tienen los modelos de series temporales que no tienen en cuenta las características inobservables de los individuos que podrían estar condicionando su comportamiento, o bien efectos latentes en cada período de tiempo que pueden alterar el comportamiento de un mismo individuo en distintos momentos del tiempo. ƒ La unión de la dimensión temporal e individual del problema proporciona mayor número de

11 Lee mas

Review vol1

Review vol1

El estudio parte analizando y clasificando las referencias más antiguas. Entre ellas se encuentra [22] el cual utiliza modelos de series temporales, para métodos de predicción, usando 6 diferentes arquitecturas, 4 modelos de Redes Neuronales Artificiales (ANNs), un modelo Estadístico definido como AutoRegressive Integrated Moving Average (ARIMA) [3] al español sería algo como Modelo Autoregresivo de Media Móvil, modelo desarrollado por Box Jenkins en el año 1976; y por último utiliza una combinación del modelo estadístico con una red neuronal; obteniendo mejores resultados con los modelos de ANN.
Mostrar más

8 Lee mas

La instrumentación como medio de validación de diseños geotécnicos

La instrumentación como medio de validación de diseños geotécnicos

Protocolo para la Identificación de Modelos ARIMA en Series Temporales, Departamento de Estadística, Universidad Carlos III de Madrid.. Seepage Through Dams, Journal of the New England W[r]

5 Lee mas

Estudio estadístico de un caso real. Series temporales

Estudio estadístico de un caso real. Series temporales

En 1990 Phillips y Ouliards encontraron una disteibución apropiada para la rea- lización de este contraste, estos le dieron el nombre a dicho contraste denominan- dolo contraste de Phillips- Ouliarts. En este caso se mantienen las hipótesis del anterior. Podemos encontrar más infomración de este contraste en [5, pág 445] El metodo de Granger relaciona la cointegración con modelos de corrección de erro- res. En lo que sigue nuestro objetivo será vincular la cointegración con modelos de correción de errores en un contexto autorregresivo,

57 Lee mas

Análisis de series temporales aplicado a intoxicaciones atendidas en urgencias hospitalarias

Análisis de series temporales aplicado a intoxicaciones atendidas en urgencias hospitalarias

El análisis de los datos se realizó mediante una descripción de la muestra según el tipo de intoxica- ción atendida, sus características demográficas, ser- vicios de ingreso y frecuencia de intoxicaciones se- gún día de la semana, empleando los estadísticos de resumen pertinentes a cada caso. Se comparó la distribución por sexo dentro de cada año de las in- toxicaciones atendidas empleando la prueba ji cua- drado de Pearson. La serie temporal de tasas de in- cidencia acumulada semanal de consultas por intoxicaciones atendidas en el periodo de 2005 a 2009 se fraccionaron en dos secciones, de 2005 a 2008, para deducir el modelo, y 2009, para con- trastar los pronósticos. Mediante técnicas de análi- sis espectral se exploraron las regularidades en la primera serie, se identificaron los modelos y análisis de series ARIMA (modelos autorregresivos integra- dos de medias móviles) más adecuados 18 , se ajusta-
Mostrar más

7 Lee mas

Modelización de empresas financieras mediante series temporales

Modelización de empresas financieras mediante series temporales

Una vez analizados los datos de forma general, pasamos a estudiarlos con más detalle empresa por empresa, tanto desde el punto de vista descriptivo, como inferencial, tratando de modelizar cada serie y ajustar los datos a los modelos utilizando distintos métodos con el fin de llegar a las mejores predicciones posibles que den lugar a una buena inversión.

92 Lee mas

Pronóstico de series temporales con estacionalidad

Pronóstico de series temporales con estacionalidad

Estos modelos solucionan el problema que conlleva la transformación logarítmica de los datos. Lo logran al incorporar filtros diferenciadores (conocidos como procesos de raíz unitaria) y componentes estacionales deterministas. Con lo anterior, la metodología ARIMA puede pronosticar de manera directa (sin transformaciones logarítmicas) series temporales con tendencia lineal y estacionalidad creciente. Los primeros en sugerir direcciones de investigación en esta área fueron Akaike (1973), Priestly (1973) y Wilson (1973) al discutir el artículo de Chatfield y Prothero (1973) sobre transformación logarítmica. Bowerman et al. (1990) reunieron esta información y propusieron diferentes filtros diferenciadores y modelos deterministas con variables binarias. Franses (1996) agregó más modelos de este tipo para sumar un total de seis. Franses y Koehler (1998) propusieron una estrategia para seleccionar a priori, de entre los seis modelos, el más adecuado para la serie de tiempo que se desea pronosticar.
Mostrar más

184 Lee mas

Métodos de clasificación semi supervisada para series temporales

Métodos de clasificación semi supervisada para series temporales

Las m´aquinas de soporte vectorial (Support Vector Machines, SVM) son un conjunto de al- goritmos propuestos por Vapnik (1998) que est´an propiamente relacionados con problemas de clasificaci´on y regresi´on. Una SVM es un modelo que representa a los puntos de muestra en el espacio, separando las clases por un espacio lo m´as amplio posible. M´as formalmente, una SVM construye un hiperplano o conjunto de hiperplanos en un espacio de dimensionalidad muy alta (o incluso infinita). Una buena separaci´on entre las clases permitir´a un clasificaci´on correcta. En ese concepto de “separaci´on ´optima” es donde reside la caracter´ıstica fundamental de las SVM. De esta forma, los puntos que son etiquetados con una categor´ıa estar´an a un lado del hiperplano y los casos que se encuentren en la otra categor´ıa estar´an al otro lado. Los modelos basados en SVM est´an estrechamente relacionados con las redes neuronales.
Mostrar más

74 Lee mas

Medidas de disimilitud en series temporales

Medidas de disimilitud en series temporales

Este ´ındice es usado para estimar la cantidad, calidad y desarrollo de la vegeta- ci´ on en base a la medici´ on de la intensidad de la radiaci´ on que la vegetaci´ on emite o refleja, por medio de sensores remotos instalados com´ unmente desde una plataforma espacial[7]. En nuestro caso, las series de NDVI fueron obtenidas a partir de im´ agenes captadas por el sensor MODIS (Moderate Resolution Imaging Spectroradiometer) a bordo del sat´ elite Terra. El sensor MODIS es un instrumento que viaja a bordo de los sat´ elites Terra y Aqua. La ´ orbita de Terra alrededor de la tierra viaja del norte al sur cruzando el Ecuador por la ma˜ nana, mientras que el Aqua viaja del sur al norte cruzando el Ecuador por la tarde. Terra-MODIS y Aqua-MODIS cubren la superficie de la tierra, adquiriendo datos en 36 bandas espectrales. Estos datos ayudan a com- prender la din´ amica global de la Tierra y el comportamiento en la superficie terrestre, en los oc´ eanos y en la atm´ osfera. MODIS est´ a desempe˜ nando un papel vital en el desarrollo de modelos validados y globales, capaces de predecir el cambio global que est´ a sufriendo el planeta Tierra, colaborando con los gobiernos en la toma de decisio- nes sanas referentes a la protecci´ on de nuestro ambiente. Para mayores detalles puede consultarse el sitio (http://crepadweb.cec.inta.es/es/plataformas/modis.html).
Mostrar más

69 Lee mas

Show all 10000 documents...