Pronósticos
Modela una serie de tiempo con métodos clásicos, evalúa su exactitud con métricas estándar, genera intervalos de predicción y compara modelos para elegir el mejor.
Métodos y métricas
Los 5 modelos ingenuos (del curso): pronostican a partir del último valor conocido o de los más recientes; son el benchmark que todo modelo debe superar. 1 · Ingenuo simple F(t+1)=X(t) — solo el nivel (precios sin tendencia ni estacionalidad); 2 · Ingenuo estacional F(t+1)=X(t+1−s) — repite el mismo periodo del ciclo anterior; 3 · Estacional + tendencia lineal F(t+1)=X(t)+[X(t+1−s)−X(t−s)] — suma la última tendencia conocida (crecimiento de cantidad fija); 4 · Estacional + fracción P F(t+1)=X(t)+P·[X(t+1−s)−X(t−s)] — traspasa solo una parte P (0–1) de la tendencia (P=0 ⇒ modelo 1, P=1 ⇒ modelo 3); 5 · Estacional + tendencia % F(t+1)=X(t)·[X(t+1−s)/X(t−s)] — crecimiento porcentual (exponencial). Con s = periodo estacional (4 trimestral, 12 mensual). Se elige el de menor RMSE de validación.
Otros ingenuos (líneas base): Deriva (último valor + cambio promedio), Media simple (promedio de toda la serie), Caminata aleatoria (Yₜ = Yₜ₋₁ + εₜ) y Promedio móvil.
Los 7 modelos de suavización (del curso): suavizan el ruido dando más peso a los datos recientes; sus constantes se eligen minimizando el RMSE de ajuste. MS1 · Promedio móvil simple (promedio de las últimas m obs.); MS2 · Promedio móvil con estacionalidad (promedio del mismo periodo de los últimos años); MS3 · SES F(t)=α·X(t−1)+(1−α)·F(t−1); MS4 · SES con estacionalidad (suaviza cada periodo con rezago m); MS5 · Holt — dos ecuaciones: nivel N(t)=α·X(t)+(1−α)·[N(t−1)+T(t−1)] y tendencia T(t)=γ·[N(t)−N(t−1)]+(1−γ)·T(t−1); pronóstico H(t+k)=N(t)+k·T(t). α suaviza el nivel (α alto sigue de cerca el último dato) y γ suaviza la pendiente (γ alto reacciona rápido a cambios de tendencia); MS6 · Winters (nivel + tendencia + estacionalidad multiplicativa); MS7 · Respuesta adaptativa (Trigg–Leach: α(t) se ajusta solo según el error). Se elige el de menor RMSE de validación.
Suavización exponencial (ETS, marco alternativo): promedios ponderados que dan más peso a lo reciente. SES (nivel, α), Holt (+ tendencia β) y Holt amortiguado (tendencia que se frena, φ); Holt-Winters (+ estacionalidad γ) en cuatro variantes: aditiva o multiplicativa, cada una con o sin tendencia amortiguada.
Para una evaluación honesta reserva un conjunto de prueba (holdout): el modelo se ajusta sin esos datos y se mide qué tan bien los predice.
Manual de utilización del módulo
¿Qué hace este módulo? Proyecta a futuro una serie de tiempo con métodos clásicos y te dice cuál pronostica mejor.
¿Cómo se usa? Elige la serie y el modelo del menú, agrupado en modelos ingenuos (líneas base) y suavización exponencial ETS. Para los modelos estacionales (ingenuo estacional y las variantes Holt-Winters) indica el periodo m (12 = mensual, 4 = trimestral). Fija el horizonte y, para una evaluación honesta, un conjunto de prueba (holdout). Pulsa «Pronosticar» para un modelo o «Comparar modelos» para evaluarlos todos y ver cuál gana.
¿Cómo se interpretan los resultados? Las métricas miden el error: el MAPE está en % (menor es mejor); el MASE < 1 significa que el modelo supera al método ingenuo. La banda morada es el intervalo de predicción (se ensancha con el horizonte). En la comparación, gana el modelo de menor RMSE.
Símbolos: yₜ observado · ŷₜ pronóstico · eₜ error · h horizonte · m período estacional · α, β, γ parámetros de suavizamiento (nivel, tendencia, estacionalidad).
1 Serie y modelo
Interpretación de resultados
Pronóstico
Métricas de exactitud
| Métrica | Ajuste (in-sample) | Prueba (holdout) |
|---|
MAPE/SMAPE en %. MASE < 1 significa mejor que el método ingenuo.
Pronóstico e intervalos
| Paso | Pronóstico | Límite inf. | Límite sup. |
|---|