Please enable JavaScript.
Coggle requires JavaScript to display documents.
Mapa Mental Series temporales (Semana 7) - Coggle Diagram
Mapa Mental Series temporales (Semana 7)
Series temporales es un conjunto de datos los cuales son recolectados en intervalos de tiempos regulares
Modelos Arima
Componentes del modelo
Integrado, Diferencia la serie para hacerla estacionaria
Media móvil, Es un modelo de la relación contra los modelos pasados
AutoRegresivo, relaciona la serie actual con valores pasado.
Identificación del modelo, se debe utilizar ACF o PACF para determinar el orden del modelo ARIMA
Estimación de parámetros, método del máxima verosimilitud
Predicción, Es el uso del modelo para hacer predicciones futuras basadas en los valores pasados.
Autocorrelación parcial
Mide la autocorrelación de una serie con un rezago particular, eliminando el efecto de los rezagos intermedios.
Ayuda a identificar el orden de los modelos AR
Componentes
Tendencia, Es el comportamiento a largo plazo que muestra aumento o disminución.
Estacionalidad, Patrones regulares que se repiten en intervalos de tiempo específicos los cuales pueden ser diarios, semanales, mensuales, anuales.
Ciclos, Son fluctuaciones que ocurren a intervalos no regulares, regularmente se asocian a condiciones económicas.
Ruido, es una variación aleatoria que no puede ser explicada por los otros componentes.
Autocorrelación
Mide la correlación de una serie con versiones pasadas de sí misma.
Es una representación gráfica que muestra la autocorrelación para diferentes rezagos
Redes neuronales auto-regresivas
Estos modelos combinan conceptos de series temporales con redes neuronales para capturar patrones no lineales.
Estructura del modelo, Son capas de entrada que representan los rezagos de la serie y capas ocultas que capturan relaciones complejas.
Ventajas, Capacidad de modelar relaciones no lineales y complejas que ARIMA no puede capturar.
Estacionariedad
Es una serie estacionaria si sus propiedades estadísticas no cambian en el tiempo.
Prueba de Dickey-Fuller, para verificar la estacionariedad
Transformaciones, se realiza por medio de diferenciación y logaritmos.
Evaluación y Validación de modelos
Métodos de evaluación
Error absoluto medio, Promedio del valor absoluto de los errores de predicción.
R-Cuadrado, Medida de qué tan bien los datos se ajustan al modelo.
Error cuadrático medio, Es el promedio del cuadrado de los errores de predicción.
Validación cruzada, división de los datos en subconjuntos para entrenar y validar el modelo repetidamente.
Backtesting, Validación del modelo en datos históricos no utilizados en el entrenamiento.