Denbora-serieen analisia estatistikan
Denbora-serieen analisia estatistikaren adarra da, denboran zehar sekuentzialki bildutako datuak aztertzen dituena, hala nola egunero, astero, hilero edo urtero. Zeharkako datuek ez bezala, hauek denboran zehar une bakarrean biltzen baitira, denbora-serieen analisiak aldaketaren dinamika eta denboran zehar garatzen diren ereduak azpimarratzen ditu. Ekonomian, negozioetan, osasun publikoan, energian eta baita kliman ere erabaki garrantzitsu asko iraganeko joerak ulertzearen eta etorkizuneko joerak aurreikustearen mende daudenez, denbora-serieen analisia tresna erabakigarria da ikerketan eta praktikan.
Denbora-serieko datuen ezaugarriak
Denbora-serie baten ezaugarri nagusia da informazio garrantzitsua galdu gabe nahastu ezin den sekuentzia bat duela. Gaurko balioa normalean atzoko balioarekin erlazionatuta dago, eta hilabete honetako balioa urteko ereduek eragin dezakete. Denbora arteko menpekotasun horri autokorrelazioa deritzo. Gainera, denbora-serieek askotan osagai hauek erakusten dituzte: joerak (epe luzeko mugimenduak), sasoikotasuna (denboran zehar errepikatzen diren ereduak), zikloak (beti erregularrak ez diren epe ertaineko olatuak) eta zarata edo ausazko erroreak.
Adibidez, txikizkako salmentak oporren inguruan handitzeko joera dute (sasoikoa), baina urtetik urtera poliki-poliki ere handitu daitezke hazkunde ekonomikoaren ondorioz (joera). Aurreikusi gabeko gertaeren ondoriozko gorabeherak —hala nola, hornidura-etenaldiak edo politika-aldaketak— ausazko osagaiaren barruan sartzen dira.
Denbora-serieen analisiaren helburua
Oro har, denbora-serieen analisiak hainbat helburu nagusi ditu. Lehenik eta behin, datu-ereduak zehatz eta informatiboki deskribatzen ditu, adibidez, joerak sasoikotasunetik bereiziz. Bigarrenik, datuak eratzeko mekanismoak azaltzen ditu eredu estatistikoen bidez, denboran zehar balioen aldaketen atzean dauden prozesuak ulertzeko aukera emanez. Hirugarrenik, aurreikuspenak egiten ditu, etorkizuneko balioak eredu historikoetan oinarrituta kalkulatzen dituena. Laugarrenik, anomaliak edo egitura-aldaketak detektatzen ditu, hala nola krisi ekonomikoak, merkatu-portaeran izandako aldaketak edo datuen desbideratzeak eragiten dituzten neurketa-tresnen matxurak.
Lehen urratsak: bistaratze eta esplorazioa
Hasierako urrats ohikoa datuak denboran zehar irudikatzea da. Bistaratze sinpleek goranzko edo beheranzko joerak, urtaro-ereduak eta muturreko balioak erakusten dituzte askotan. Ondoren, aurretiazko analisi estatistikoa egiten da, hala nola, batez besteko mugikorra kalkulatzea epe laburreko gorabeherak leuntzeko edo denbora-serieen deskonposizioa erabiltzea joeraren, urtaroaren eta hondar-osagaiak bereizteko.
Grafikoez gain, denbora-serieen esplorazioan bi tresna garrantzitsu autokorrelazio funtzioa (ACF) eta autokorrelazio partzialeko funtzioa (PACF) dira. ACF-k uneko balioaren eta atzerapen desberdinetako balioen arteko erlazioa zein sendoa den erakusten du (adibidez, egun bat lehenago, 2 egun lehenago, etab.). PACF-k atzerapen baten eragin zuzena identifikatzen laguntzen du atzerapen txikiagoen eragina kontrolatu ondoren. ACF eta PACF-ren informazioa oso erabilgarria da eredu egokia hautatzeko.
Gelkorraren kontzeptua
Denbora-serie klasikoen metodo askok —batez ere ARIMA familiak— datuak geldikorrak direla suposatzen dute. Denbora-serie geldikor batek esan nahi du bere propietate estatistikoak (batez bestekoa eta bariantza, adibidez) nahiko konstanteak direla denboran zehar, eta autokorrelazioa denbora-atzerapenaren araberakoa dela soilik, ez denbora absolutuaren araberakoa.
Datuek joera sendoa edo sasoikotasun argia erakusten badute, normalean ez-egonkorrak dira. Egonkor bihurtzeko, analistek askotan eraldaketak erabiltzen dituzte, hala nola diferentziazioa (aldien arteko aldea hartuta) edo eraldaketa logaritmikoak, bariantza egonkortzeko. Augmented Dickey-Fuller (ADF) edo KPSS bezalako proba formalek estazionariotasuna ebaluatzen lagun dezakete, nahiz eta haien interpretazioak testuinguruaren ulermenaren eta ikuskapen bisualaren konbinazioa behar duen oraindik.
Denbora-serieen eredu ezagunak
1. Batez besteko mugikorreko eredua eta leuntze esponentziala
Leuntze-metodoak asko erabiltzen dira epe laburreko iragarpenetan. Batez besteko mugikorrek azken aldietako batez bestekoa hartzen dute hurrengo aldia aurreikusteko. Leuntze esponentzialak pisu handiagoa ematen die behaketa berrienei. Leuntze esponentzial sinplea bezalako metodoak egokiak dira joerarik gabeko eta urtaroetako datuetarako, Holt-en metodoak joerak kudeatzen dituen bitartean, eta Holt-Winters-ek joerak eta urtarotasuna biak kudeatzen ditu.
Leuntze-metodoen abantailak hauek dira: sinpleak, azkarrak eta askotan ondo funtzionatzen dute helburu operatiboetarako. Hala ere, ez dute beti autokorrelazio-egituraren interpretazio zehatza ematen.
2. AR, MA eta ARIMA
Eredu autorregresiboak (AR) dio uneko balioak iraganeko balioen araberakoak direla. Batez besteko mugikorreko (MA) ereduak dio uneko balioak iraganeko erroreek eragiten dituztela. Bien konbinazioari ARMA deitzen zaio, eta datuak geldikor bihurtzeko diferentziatu behar direnean, eredua ARIMA (Autoregresibo Integratutako Batez besteko Mugikor) bihurtzen da. ARIMA ARIMA(p, d, q) bezala idazten da, non p AR-ren ordena den, d diferentziazio-ordena eta q MA-ren ordena.
Parametroen hautaketa normalean ACF/PACF eta AIC edo BIC bezalako informazio-irizpideek laguntzen dute. ARIMA aspalditik izan da estandar bat ekonomia- eta negozio-aurreikuspenetan, bere malgutasunari eta oinarri teoriko sendoari esker.
3. SARIMA denboraldikoentzat
Datuek sasoikotasun argia badute —adibidez, hileko-urteko eredua—, ARIMA eredua SARIMAra hedatzen da (Sasoiko ARIMA). Eredu honek sasoiko osagai bat gehitzen du, besteak beste, AR, diferentziazioa eta MA parametroak sasoiko aldi jakin baterako (adibidez, 12 hileko datuetarako). SARIMA eraginkorra da hileko turista kopurua, eguneko eredua duen orduko elektrizitate kontsumoa edo sasoiko produktuen eskaria bezalako datuetarako.
4. VAR aldagai anitzekoetarako
Kasu askotan, denbora-serie bat baino gehiago aztertzen ditugu aldi berean, hala nola inflazioa, interes-tasak eta truke-tasak. Bektore Autoerregresioak (VAR) aldagai bakoitza bere iraganeko balioek eta beste aldagai batzuek eragitea ahalbidetzen du. VAR ekonometrian asko erabiltzen da sistemaren dinamika eta kolpeen ondorioak aztertzeko, bulkada-erantzunaren analisi bidez.
5. Aldakortasun eredua: ARCH/GARCH
Finantza-datuetan, bolatilitatea sarritan multzoka gertatzen da: barealdi-aldiak, ondoren bolatilitate handiko aldiak. ARCH eta GARCH ereduak denboran zehar aldatzen den bariantza modelatzeko diseinatuta daude. Eredu hauek garrantzitsuak dira arriskuen kudeaketan, aktiboen balorazioan eta merkatuaren ziurgabetasuna neurtzean.
Ereduaren Ebaluazioa eta Iragarpenaren Zehaztasuna
Behin eredu bat hautatuta, haren egokitasuna ebaluatu behar dugu. Hondakinek (benetako eta aurreikusitako datuen arteko aldea) zarata aleatorioaren antzekoak izan behar dute: eredurik gabe, autokorrelaziorik gabe eta bariantza nahiko egonkorra izan behar dute. Ljung-Box testa askotan erabiltzen da hondarren autokorrelazioa egiaztatzeko.
Iragarpenaren kalitatea neurtzeko, MAE (Mean Absolute Error), RMSE (Root Mean Squared Error) eta MAPE (Mean Absolute Percentage Error) bezalako metrikak erabiltzen dira. Praktika ona da datuak entrenamendu eta proba datuetan denboran oinarrituta banatzea (denboran oinarritutako banaketa), ausazko banaketaren ordez, ebaluazioak benetako iragarpen baldintzak islatu ditzan.
Denbora-serieetako ohiko erronkak
Denbora-serieen analisiak askotan erronka batzuei aurre egin behar die, hala nola datu falta, neurketa-definizioetan izandako aldaketak, muturreko balioak eta egitura-hausturak. Adibidez, pandemia batek kontsumo-ereduak izugarri alda ditzake, pandemia aurreko aldietan trebatutako ereduak zehaztasun gutxiagokoak bihurtuz. Egoera horietan, ereduen eguneraketak, aldagai exogenoak erabiltzea edo ikuspegi moldakorrago bat beharrezkoak izan daitezke.
Gainera, datuen denbora-bereizmenak eta luzerak eragin handia dute erabil daitezkeen metodoetan. Maiztasun handiko datuek (adibidez, minutuko) zarata eta kalkulua modu berezian kudeatu behar dituzte, urteko datuak, berriz, laburregiak izan daitezke sasoikotasuna sendo identifikatzeko.
Itxiera
Estatistikako denbora-serieen analisiak esparru aberatsa eskaintzen du denboran zehar eboluzionatzen duten datuak ulertzeko. Joera, sasoikotasuna eta autokorrelazio osagaiak ezagutuz, eta eredu egokia hautatuz —leuntze esponentzialetik hasi eta ARIMA, VAR eta GARCH arte—, iragarpen zehatzagoak egin eta ikuspegi zorrotzagoak lor ditzakegu. Hala ere, analisi arrakastatsua ez da soilik teknikaren menpe, baita testuingurua ulertzearen, datuen kalitatearen eta ebaluazio zorrotzaren menpe ere. Denbora errealeko datuen menpe gero eta gehiago dagoen mundu batean, denbora-serieak aztertzeko gaitasuna gero eta trebetasun garrantzitsuagoa bihurtzen ari da bai ikertzaileentzat bai profesionalentzat.
