ARIMA (Modelos Box-Jenkins): Media Móvil Integrada Autoregresiva

Actualizado por ultima vez el 27 de septiembre de 2021, por Luis Benites.

El modelado ARIMA (a veces llamado modelado Box-Jenkins ) es un enfoque para modelar procesos ARIMA: modelos matemáticos utilizados para la previsión. El enfoque utiliza datos de series temporales anteriores más un error para pronosticar valores futuros. Más específicamente, combina un modelo autorregresivo general AR(p) y un modelo de promedio móvil general MA(q) :

  • AR(p)— usa valores previos de la variable dependiente para hacer predicciones.
  • MA(q): utiliza la media de la serie y los errores anteriores para hacer predicciones.

El enfoque fue propuesto por primera vez por Box y Jenkins (1970), quienes detallaron los procedimientos de estimación y predicción de ARIMA (Hyndman et al., 2008).

Notación

Los modelos de media móvil integrada autorregresiva no estacional se clasifican según tres factores:

  • p = número de términos autorregresivos,
  • d = cuántas diferencias no estacionales se necesitan para lograr la estacionariedad,
  • q = número de errores de pronóstico retrasados ​​en la ecuación de predicción.

Por ejemplo, un ARIMA(1,0,0) tiene 1 término autorregresivo, no necesita diferencias por estacionariedad y no tiene errores de pronóstico retrasados. Es un caso especial de un ARIMA llamado modelo autorregresivo de primer orden .

Pasos

Los pasos básicos son (Hyndman, 2001):

  • Prepare sus datos utilizando transformaciones (por ejemplo, raíces cuadradas o logaritmos) para estabilizar la varianza y la diferenciación para eliminar la estacionalidad restante u otras tendencias.
  • Identifique cualquier proceso que parezca ser una buena opción para sus datos.
  • Encuentre qué coeficientes del modelo se ajustan mejor a sus datos. Este paso es computacionalmente complejo y generalmente lo realiza una computadora. El criterio de información de Akaike (AIC) es una opción: si compara dos modelos, el que tiene el AIC más bajo suele ser el modelo «mejor».
  • Pruebe las suposiciones de los modelos para ver qué tan bien el modelo resiste un escrutinio más detallado. Si su modelo elegido es inadecuado, repita los pasos 2 y 3 para encontrar un modelo potencialmente mejor.
  • Calcule pronósticos en su modelo elegido con software de computadora.

suposiciones

Los modelos ARIMA funcionan bajo el supuesto de estacionariedad (es decir, deben tener una varianza y una media constantes ). Si su modelo no es estacionario, deberá transformarlo antes de poder usar ARIMA.

Referencias

Box, G y Jenkins, G. (1970) Análisis de series de tiempo: pronóstico y control, San
Francisco: Holden-Day.
Hyndman, R. (2001). Modelado Box-Jenkins. Recuperado el 25 de febrero de 2018 de: https://robjhyndman.com/papers/BoxJenkins.pdf
Hyndman, R. et al. (2008). Pronóstico con Suavizado Exponencial: El Enfoque de Espacio de Estado. Springer Science & Business Media.
Nao, R. Introducción a los modelos ARIMA. Recuperado el 27 de febrero de 2018 de: https://people.duke.edu/~rnau/411arim.htm#arima100

Tengo una Maestría en Ciencias en Estadística Aplicada y he trabajado en algoritmos de aprendizaje automático para empresas profesionales tanto en el sector de la salud como en el comercio minorista.

Deja un comentario

¿Qué es un cuadrado latino? Un cuadrado latino es un rompecabezas antiguo en el que intentas averiguar de cuántas maneras…
statologos comunidad-2

Compartimos información EXCLUSIVA y GRATUITA solo para suscriptores (cursos privados, programas, consejos y mucho más)

You have Successfully Subscribed!