Descargar la presentación
La descarga está en progreso. Por favor, espere
1
SERIES TEMPORALES
2
COMPONENTES TENDENCIA CICLO ESTACIONALIDAD MOVIMIENTO IREGULAR
3
COMPONENTES TENDENCIA
Patrón de evolución sostenido a medio y largo plazo de la serie
4
Series con tendencia y sin estacionalidad
Descomposición de series: Métodos de Estimación Series con tendencia y sin estacionalidad Doble Alisado exponencial del Brown con un parámetro Alisado exponencial de Holt Winter con doble parámetro
5
Series con tendencia y sin estacionalidad
Series Temporales Métodos de Estimación Series con tendencia y sin estacionalidad
6
SERIES TEMPORALES Cálculo de la Tendencia:
Un modelo con tendencia lineal se define de la siguiente manera.
7
SERIES TEMPORALES Cálculo de la Tendencia:
8
SERIES TEMPORALES Cálculo de la Tendencia:
9
PREVISIÓN DE SERIES TEMPORALES Series con tendencia :
Los distintos modelos que se aplicarán siguen un esquema como el siguiente: Realizan una estimación recursiva de la tendencia. Lo que supone es ir desplazando la ordenada en el origen en las t observaciones de la muestra
10
PREVISIÓN DE SERIES TEMPORALES Series con tendencia Lineal:
Alisado Exponencial Doble Lleva este nombre porque somete la variable a un doble alisado. En el primer alisado se alisa directamente la variable objeto de estudio mientras que en la segunda operación se procede a alisar la variable previamente obtenida. (1) Primer alisado (2) Segundo alisado
11
PREVISIÓN DE SERIES TEMPORALES Series con tendencia líneal:
Alisado Exponencial Doble Donde
12
PREVISIÓN DE SERIES TEMPORALES Series con tendencia:
Alisado Exponencial Doble
13
PREVISIÓN DE SERIES TEMPORALES Series con tendencia :
Alisado Exponencial Doble
14
PREVISIÓN DE SERIES TEMPORALES Series con tendencia Métodos Ingenuos:
Alisado Exponencial Doble
15
PREVISIÓN DE SERIES TEMPORALES Series con tendencia :
Alisado Exponencial Holt Es un método de alisado exponencial que utiliza dos parámetros de alisado, aplicable a series que presentan una tendencia lineal. Dicho método calcula dos variables de alisado para cada momento del tiempo: = estimación del nivel de la serie en t = estimación de la pendiente de la serie en t
16
PREVISIÓN DE SERIES TEMPORALES Series con tendencia :
Alisado Exponencial Holt-Winters Donde Ecuación del Nivel Ecuación de la pendiente
17
PREVISIÓN DE SERIES TEMPORALES Series con tendencia :
Alisado Exponencial Holt-Winters Por tanto la ecuación final sería:
18
PREVISIÓN DE SERIES TEMPORALES Series con tendencia :
Alisado Exponencial Holt Valores Iniciales
19
PREVISIÓN DE SERIES TEMPORALES Series con tendencia :
Alisado Exponencial Holt-Winters
20
PREVISIÓN DE SERIES TEMPORALES Series con tendencia :
Alisado Exponencial Holt
21
PREVISIÓN DE SERIES TEMPORALES Series con tendencia y estacionalidad :
Alisado exponencial de Holt Winter con doble parámetro: Determinar el esquema de descomposición Desestacionalizar la serie Yt Aplicar métodos de tendencia a la serie sin estacionilidad Predecir la tendencia Incorporar la estacionalidad
22
PREVISIÓN DE SERIES TEMPORALES Series con tendencia y estacionalidad :
INDICE DE PRECIOS HOTELEROS CC.AA: Aragón
23
PREVISIÓN DE SERIES TEMPORALES
Series con tendencia y estacionalidad :
24
PREVISIÓN DE SERIES TEMPORALES Series con tendencia y estacionalidad :
Alisado exponencial de Holt Winter con doble parámetro: Determinar el esquema de descomposición ADITIVO: MULTIPLICATIVO:
25
PREVISIÓN DE SERIES TEMPORALES Series con tendencia y estacionalidad :
Alisado exponencial de Holt Winter con doble parámetro: Determinar el esquema de descomposición
26
PREVISIÓN DE SERIES TEMPORALES Series con tendencia y estacionalidad :
2.- Desestacionalizar la serie 1.-Cálculos de la MMC12
27
PREVISIÓN DE SERIES TEMPORALES Series con tendencia y estacionalidad :
2.- Desestacionalizar la serie 2.-Diferencia de Yt respecto de MMC12 3.-Cálculo de los índice brutos 4.- Valor de los índices normalizados
28
PREVISIÓN DE SERIES TEMPORALES Series con tendencia y estacionalidad :
2.- Desestacionalizar la serie 5.- Cálculos de la serie desestacionalizada
29
PREVISIÓN DE SERIES TEMPORALES Series con tendencia y estacionalidad :
2.- Desestacionalizar la serie 5.- Calculo de la serie desestacionalizada: Yt-Índice normalizado respectivo
30
PREVISIÓN DE SERIES TEMPORALES Series con tendencia y estacionalidad :
INDICE DE PRECIOS HOTELEROS CC.AA: Aragón
31
PREVISIÓN DE SERIES TEMPORALES Series con tendencia y estacionalidad :
2.- Desestacionalizar la serie 5.- Cálculos de los índices normalizados
32
PREVISIÓN DE SERIES TEMPORALES Series con tendencia y estacionalidad :
2.- Desestacionalizar la serie 5.- Calculo de la serie desestacionalizada: Yt-Índice normalizado respectivo
33
PREVISIÓN DE SERIES TEMPORALES Series con tendencia :
Alisado Exponencial Holt Serie sin estacionalidad Serie con estacionalidad
34
Medidas sobre los errores. Diagrama de predicción realización
Descomposición de series: Métodos de Evaluación Medidas sobre los errores. Diagrama de predicción realización Error tipo I y tipo II
35
Descomposición de series: Métodos de Estimación:
Medidas de Evaluación: Diagrama de Predicción Realización Propuesto por Theil. Corresponden a un diagrama de dispersión donde se representan las tasas de crecimiento reales y estimadas para la variable endógena. En estos casos la línea de predicción perfecta corresponde a la diagonal que atraviesa los cuadrantes primero y tercero. Si los puntos se encontrasen en los cuadrantes segundos y cuarto, la predicción presentaría un problema de signo contrario. ((zona I) Si los puntos están predominantemente en las zonas III, hay una sobrevaloración de las variaciones y están en la zona II hay una infravaloración de las variaciones
36
Descomposición de series: Métodos de Estimación: Ingenuo I
Medidas de Evaluación: Diagrama de Predicción Realización ΔYreal II I III ΔYestimado III I II
37
Descomposición de series:
Métodos de Estimación: Ingenuo I Medidas de Evaluación: Diagrama de Predicción Realización
38
Medidas de Evaluación de la bondad del modelo: Coeficiente de Desigualdad de Theil
El valor del coeficiente está comprendido entre 0 y 1 Si U = La predicción es perfecta, ya que implica que los valores de predicción coinciden con los reales Si U = Constituye un caso de máxima desigualdad en el que la predicción es totalmente errónea: Predicciones nulas para valores reales distintos de cero Predicciones no nulas para valores reales iguales a cero Que las predicciones equivoquen sistemáticamente el signo.
39
Medidas sobre los errores. Diagrama de predicción realización
Descomposición de series: Métodos de Evaluación Medidas sobre los errores. Diagrama de predicción realización Error tipo I y tipo II
40
Descomposición de series: Métodos de Estimación: Ingenuo I
Medidas de Evaluación: Cambio de Tendencia En análisis de regresión sobre series temporales es frecuente que el modelo estimado represente la senda de largo plazo (tendencia) seguida por la variable objeto de estudio. No obstante, existen algunos puntos (máximos y mínimos locales) de especial interés o relevancia de cara la capacidad de modelo estimado en reproducirlos. Tipos de cambio de Tendencia. Ocurre un máximo local cuando: e Por otro lado, ocurre un mínimo local cuando: e
Presentaciones similares
© 2024 SlidePlayer.es Inc.
All rights reserved.