Actualizado por ultima vez el 2 de septiembre de 2021, por Luis Benites.
El análisis de tendencias tiene como objetivo encontrar patrones en los datos, como esta simple tendencia al alza.
El análisis de tendencias cuantifica y explica tendencias y patrones en datos “ ruidosos ” a lo largo del tiempo. Una «tendencia» es un cambio hacia arriba o hacia abajo en un conjunto de datos a lo largo del tiempo.
En economía , el «análisis de tendencias» generalmente se refiere al análisis de tendencias pasadas en el comercio del mercado; le permite predecir lo que podría sucederle al mercado en el futuro. Podría, por ejemplo, usarse para predecir una tendencia como una corrida alcista del mercado .
Encontrar tendencias
Existen varias herramientas para analizar tendencias en los datos. Van desde herramientas relativamente simples (como la regresión lineal ) hasta herramientas más complejas como la prueba de Mann-Kendall , que se puede usar para buscar tendencias no lineales . Algunas otras herramientas populares incluyen:
- Análisis de autocorrelación : la autocorrelación es donde los términos de error en una serie de tiempo se transfieren de un período a otro.
- Ajuste de curvas : útil para modelar tendencias específicas. Por ejemplo, podría intentar ajustar una curva de crecimiento como una distribución de Gompertz a sus datos.
- Filtrado o suavizado : el filtrado extrae una tendencia de un conjunto de datos ruidoso, mientras que el suavizado asigna un peso (es decir, una prioridad más alta) a los datos más nuevos.
- La prueba Kwiatkowski-Phillips-Schmidt-Shin (KPSS) determina si una serie de tiempo es estacionaria alrededor de una tendencia media o lineal , o si no es estacionaria debido a una raíz unitaria.
- MANCOVA (Análisis Multivariante de Covarianza) es la contraparte multivariante de ANCOVA . Le dice si las diferencias de grupo probablemente ocurrieron por casualidad o si hay una tendencia repetible.
- La prueba de Kendall estacional (prueba SK) analiza los datos en busca de tendencias monótonas en los datos estacionales.
- Transformaciones : producir una nueva serie temporal a partir de una existente. Útil para, por ejemplo, eliminar una tendencia lineal.
La mayoría de las herramientas para modelar tendencias son una forma de regresión u otra (Chandler & Scott, 2011). Puede encontrar docenas más de herramientas de análisis de tendencias en la página principal de Análisis de regresión .
Posibles puntos débiles en el análisis de tendencias
Aunque el análisis de tendencias puede ser extremadamente útil en muchas aplicaciones, desde el cambio climático hasta el análisis sociológico, es importante tener en cuenta que no es infalible. En particular:
- Todos los datos (a menos que se recopilen a través de un censo de población ) están sujetos a errores de muestreo . La magnitud de este problema aumentará cuando se utilicen métodos de muestreo aproximado (por ejemplo , muestreo por conveniencia ).
- Es probable que los datos estén sujetos a errores de medición ; aleatorio, sistemático o externo; las tendencias en este error pueden confundirse con tendencias en los datos reales.
- Las tendencias “fantasmas” a corto plazo existen incluso en las secuencias numéricas más aleatorias, por lo que se deben seguir las tendencias durante el mayor tiempo posible.
Además, no encontrar una tendencia puede significar que no hay tendencia, pero también puede significar que sus datos son insuficientes para iluminar una tendencia que de hecho existe.
Referencias
Chandler, R. y Scott, M. (2011). Métodos Estadísticos para la Detección y Análisis de Tendencias en Ciencias Ambientales . John Wiley & Sons.
Shea, Dennis y personal del Centro Nacional para la Investigación Atmosférica (Eds). Última modificación el 5 de septiembre de 2014. “La guía de datos climáticos: análisis de tendencias”. Recuperado de https://tinyurl.com/y3vfje9a el 20 de mayo de 2018.
