Análise de series temporais en estatística
A análise de series temporais é unha rama da estatística que estuda os datos recollidos secuencialmente ao longo do tempo, como diaria, semanal, mensual ou anualmente. A diferenza dos datos transversais, que se recollen nun único punto no tempo, a análise de series temporais fai fincapé na dinámica do cambio e nos patróns que se desenvolven ao longo do tempo. Dado que moitas decisións importantes (en economía, negocios, saúde pública, enerxía e mesmo clima) dependen da comprensión das tendencias pasadas e da predición das futuras, a análise de series temporais é unha ferramenta crucial na investigación e na práctica.
Características dos datos de series temporais
A principal característica dunha serie temporal é que ten unha secuencia que non se pode mesturar sen perder información importante. O valor de hoxe adoita estar relacionado co valor de onte, e o valor deste mes pode verse influenciado por patróns anuais. Esta dependencia intertemporal chámase autocorrelación. Ademais, as series temporais adoitan presentar compoñentes como tendencias (movementos a longo prazo), estacionalidade (patróns recorrentes ao longo do tempo), ciclos (ondas a medio prazo que non sempre son regulares) e ruído ou erros aleatorios.
Por exemplo, as vendas polo miúdo tenden a aumentar durante as festividades (estacional), pero tamén poden aumentar lentamente dun ano para outro debido ao crecemento económico (tendencia). As flutuacións debidas a eventos imprevistos, como interrupcións no subministro ou cambios nas políticas, entran dentro do compoñente aleatorio.
Obxectivo da análise de series temporais
En xeral, a análise de series temporais ten varios obxectivos principais. En primeiro lugar, describe os patróns de datos de forma concisa e informativa, por exemplo, separando as tendencias da estacionalidade. En segundo lugar, explica os mecanismos de formación de datos mediante modelos estatísticos, o que nos permite comprender os procesos que subxacen aos cambios nos valores ao longo do tempo. En terceiro lugar, fai previsións, que estiman os valores futuros baseándose en patróns históricos. En cuarto lugar, detecta anomalías ou cambios estruturais, como crises económicas, cambios no comportamento do mercado ou instrumentos de medición defectuosos que causan desviacións nos datos.
Primeiros pasos: visualización e exploración
Un paso inicial común é representar os datos en función do tempo. As visualizacións sinxelas adoitan revelar tendencias ascendentes ou descendentes, patróns estacionais e valores atípicos. A continuación, realízase unha análise estatística preliminar, como o cálculo dunha media móbil para suavizar as flutuacións a curto prazo ou o uso da descomposición de series temporais para separar os compoñentes de tendencia, estacionais e residuais.
Ademais dos gráficos, dúas ferramentas importantes na exploración de series temporais son a función de autocorrelación (FAC) e a función de autocorrelación parcial (FAC). A FAC mostra a forza da relación entre o valor actual e os valores en varios desfases (por exemplo, 1 día antes, 2 días antes, etc.). A FAC axuda a identificar a influencia directa dun desfase despois de controlar a influencia de desfases máis pequenos. A información da FAC e da FAC é moi útil para seleccionar o modelo axeitado.
O concepto de estacionariedade
Moitos métodos clásicos de series temporais, especialmente a familia ARIMA, asumen que os datos son estacionarios. Unha serie temporal estacionaria significa que as súas propiedades estatísticas (como a media e a varianza) son relativamente constantes ao longo do tempo e que a autocorrelación depende só do desfase temporal, non do tempo absoluto.
Se os datos mostran unha tendencia forte ou unha estacionalidade clara, adoitan ser non estacionarios. Para facelos estacionarios, os analistas adoitan empregar transformacións como a diferenciación (tomando a diferenza entre períodos) ou as transformacións logarítmicas para estabilizar a varianza. As probas formais como a Augmented Dickey-Fuller (ADF) ou a KPSS poden axudar a avaliar a estacionariedade, aínda que a súa interpretación aínda require unha combinación de comprensión contextual e inspección visual.
Modelos populares de series temporais
1. Modelo de media móbil e suavización exponencial
Os métodos de suavización úsanse amplamente na previsión a curto prazo. As medias móbiles toman a media dos últimos períodos para predicir o seguinte período. A suavización exponencial dálle maior peso ás observacións máis recentes. Métodos como a suavización exponencial simple son axeitados para datos sen tendencia e estacionais, mentres que o método de Holt xestiona as tendencias e Holt-Winters xestiona tanto as tendencias como a estacionalidade.
As vantaxes dos métodos de suavizado son que son sinxelos, rápidos e, a miúdo, funcionan ben para fins operativos. Non obstante, non sempre proporcionan unha interpretación exhaustiva da estrutura de autocorrelación.
2. AR, MA e ARIMA
O modelo autorregresivo (AR) afirma que os valores actuais dependen de valores pasados. O modelo de media móbil (MA) afirma que os valores actuais están influenciados por erros pasados. A combinación dos dous chámase ARMA e, cando é necesario diferenciar os datos para facelos estacionarios, o modelo convértese en ARIMA (Media Móbil Integrada Autorregresiva). ARIMA escríbese como ARIMA(p, d, q), onde p é a orde de AR, d é a orde de diferenciación e q é a orde de MA.
A selección de parámetros adoita axudarnos co ACF/PACF e con criterios de información como o AIC ou o BIC. ARIMA leva moito tempo sendo un estándar na previsión económica e empresarial debido á súa flexibilidade e á súa sólida base teórica.
3. SARIMA para tempada
Se os datos teñen unha estacionalidade clara (por exemplo, un patrón mensual-anual), o modelo ARIMA esténdese a SARIMA (ARIMA estacional). Este modelo engade un compoñente estacional, incluíndo parámetros AR, de diferenciación e MA para un período estacional específico (por exemplo, 12 para datos mensuais). SARIMA é eficaz para datos como o número de turistas ao mes, o consumo de electricidade por hora cun patrón diario ou a demanda de produtos estacional.
4. VAR para multivariante
En moitos casos, analizamos máis dunha serie temporal simultaneamente, como a inflación, os tipos de xuro e os tipos de cambio. A autorregresión vectorial (VAR) permite que cada variable sexa influenciada polos seus propios valores pasados e por outras variables. O VAR úsase amplamente en econometría para estudar a dinámica dos sistemas e os efectos dos choques mediante a análise de resposta impulsiva.
5. Modelo de volatilidade: ARCH/GARCH
Nos datos financeiros, a volatilidade adoita producirse en clústeres: períodos de calma seguidos de períodos de alta volatilidade. Os modelos ARCH e GARCH están deseñados para modelar a varianza que cambia co tempo. Estes modelos son importantes na xestión de riscos, na valoración de activos e na medición da incerteza do mercado.
Avaliación de modelos e precisión da previsión
Unha vez seleccionado un modelo, debemos avaliar a súa adecuación. Os residuos (a diferenza entre os datos reais e os previstos) deberían parecerse a ruído aleatorio: sen patrón, sen autocorrelación e cunha varianza relativamente estable. A proba de Ljung-Box úsase a miúdo para comprobar a autocorrelación residual.
Para medir a calidade da previsión, utilízanse métricas como MAE (erro absoluto medio), RMSE (erro cuadrático medio) e MAPE (erro porcentual absoluto medio). Unha boa práctica é dividir os datos en datos de adestramento e proba en función do tempo (división baseada no tempo), en lugar de facelo aleatoriamente, para que a avaliación reflicta as condicións reais de previsión.
Desafíos comúns nas series temporais
A análise de series temporais adoita enfrontarse a desafíos como datos ausentes, cambios nas definicións de medición, valores atípicos extremos e rupturas estruturais. Por exemplo, unha pandemia pode alterar drasticamente os patróns de consumo, facendo que os modelos adestrados en períodos previos á pandemia sexan menos precisos. Nesas situacións, pode ser necesario actualizar os modelos, usar variables exóxenas ou unha abordaxe máis adaptativa.
Ademais, a resolución temporal e a lonxitude dos datos inflúen significativamente nos métodos que se poden empregar. Os datos de alta frecuencia (por exemplo, por minuto) requiren un manexo especial do ruído e da computación, mentres que os datos anuais poden ser demasiado curtos para identificar de forma robusta a estacionalidade.
Peche
A análise de series temporais en estatística proporciona un marco rico para comprender os datos que evolucionan ao longo do tempo. Ao recoñecer os compoñentes de tendencia, estacionalidade e autocorrelación, e seleccionar o modelo axeitado (desde a suavización exponencial ata ARIMA, VAR e GARCH), podemos elaborar previsións máis precisas e obter información máis nítida. Non obstante, unha análise exitosa non só depende da técnica, senón tamén da comprensión do contexto, a calidade dos datos e unha avaliación rigorosa. Nun mundo cada vez máis dependente dos datos en tempo real, a capacidade de analizar series temporais está a converterse nunha habilidade cada vez máis importante tanto para os investigadores como para os profesionais.
