Series temporales: análisis y predicción, al alcance de no expertos

Os recordamos nuestra Jornada de Series Temporales para No Expertos el próximo viernes 5 de Julio, de 16:00 a 20:00 horas, con un coste de 40€.

Como ya hemos señalado, algunas series pueden estar influidas por fluctuaciones estacionales y efectos calendario, lo que puede dificultar la comparación de datos entre distintos periodos temporales. Sin embargo, a través de un proceso de desestacionalización es posible filtrar y eliminar las fluctuaciones estacionales habituales y los efectos calendario típicos, que tienen lugar en los mismos momentos temporales con intensidad similar de forma recurrente. De este modo, los resultados ajustados por estos efectos omiten los factores repetitivos habituales y predecibles, permitiendo observar más fácilmente los cambios acontecidos en las variables analizadas consistentes en cambio de tendencia, de ciclo o componentes irregulares. Ello permite la comparación de periodos temporales sub-anuales, cuatrimestrales o trimestrales... 

El análisis de series temporales requiere, en algunos casos, una corrección previa de la serie dado que, de otro modo, se podrían producir graves distorsiones en los resultados que se obtienen. Los valores extremos o anómalos son observaciones atípicas que, en general, pueden distorsionar la interpretación de la información contenida en las variables, estando, normalmente asociados a eventos extraordinarios o a errores en la recopilación de los datos que producen una distorsión en las series. Así, para evitar este tipo de problemas en las principales series se aplican una serie de filtros que a priori reducen el riesgo de que las series contengan valores atípicos. 

Las agencias de estadística y las principales instituciones y organismos públicos mundiales filtran las series que ofrecen para ajustar por los componentes temporales y recomiendan, en consonancia con su práctica, la publicación, siempre que exista la posibilidad, tanto de las series “brutas” como de las desestacionalizadas y linearizadas de los efectos calendario, comercial, semana santa, vacaciones, valores atípicos, etc.. 

Para ello, suelen seguir las recomendaciones realizadas, entre otros, por el European Statistical System (ESS) y los Bancos Centrales europeos, que ofrecen algunas de las series ya tratadas. La corrección de efectos de calendario y la extracción de señales de los diferentes indicadores coyunturales se realiza aplicando la metodología basada en los modelos ARIMA implementada en el programa TSW creado por Gianluca Caporello y Agustín Maravall (Caporello y Maravall, 2004). 

El programa SEATS (Signal Extraction in Arima Time Series) descompone series temporales en componentes inobservables o señales, siguiendo un método basado en modelos ARIMA desarrollado para la desestacionalización de series económicas por Cleveland y Tiao (1976),8 Box, Hillmer y Tiao (1978),9 Burman (1980),10 Hillmer y Tiao (1982),11 Bell y Hillmer (1984)12 y Maravall y Pierce (1987)13.TRAMO ("Time series Regression with ARIMA noise, Missing values and Outliers") proporciona a SEATS la serie original, los efectos no estocásticos que ha estimado (outliers, efecto de días laborables y de Semana Santa, variables de intervención, etc.), la serie linealizada (previamente interpolada).SEATS descompone aditivamente la serie linearizada que sigue el modelo especificado en TRAMO en las siguientes componentes: ciclo-tendencia, estacional, transitorio e irregular.

Finalmente, el programa posibilita la previsión de los valores de la serie en 24 períodos hacia delante, con sus correspondientes errores de predicción.

Así pues, con estos programas, que facilitan soluciones totalmente automatizadas y que, por tanto, no requieren la destreza analítica de un experto, se pueden obtener soluciones rigurosas en los procesos de predicción, así como en el análisis de sus componentes.