VARIACIONES DE LA SERIE DE TIEMPO PARA FRESA:
Se nota que existe una tendencia a lo largo del tiempo.
Mirando el gráfico de autocorrelación se nota que hay dos rezagos estadísticamente
diferentes de cero (Esto demuestra una variación de tendencia leve o moderada); es decir,
esta serie es estacionaria. Con 3 rezagos diferentes de cero se dice que la serie es
estacionaria, con más rezagos se dice que la serie no es estacionaria; es decir, hay una
variación intensa de la tendencia.
Variación aleatoria siempre presente en cualquier serie de tiempo.
Como estamos en presencia de una serie estacionaria, entonces se puede trabajar con los modelos
ARMA.
MIRANDO EL CORRELOGRAMA:
Como hay un rezago distinto de cero se puede afirmar que la serie sigue el modelo MA1
MIRANDO EL CORRELOGRAMA PARCIAL:
Como hay un rezago distinto de cero se puede afirmar que la serie sigue el modelo AR1
MIRANDO AMBAS:
Para saber si el modelo sigue un modelo mixto; es decir, el modelo ARMA (p,q) tenemos que
darnos cuenta si en los gráficos de correlograma y correlograma parcial caen para cero, si esto
ocurre entonces la serie también sigue el modelo mixto. Ahora, debemos ubicar el rezago en el
cual los demás rezagos decaen a cero en el infinito.
En el gráfico de auto correlación, notamos que el primer rezago es distinto de cero y a partir de ahí
todos los demás rezagos son ceros estadísticamente. En conclusión, agarro el primer rezago del
gráfico de auto correlación.
En el gráfico de auto correlación parcial, notamos que el primer rezago es distinto de cero y a
partir de ahí todos los demás rezagos son ceros estadísticamente. En conclusión, agarro el primer
rezago del gráfico de auto correlación parcial.
Juntamos las dos observaciones anteriores y concluimos que la serie sigue el modelo ARMA (1,1).
Los números unos se deben a los rezagos.
Se han indentificado tres modelos y entre uno de ellos tenemos que escoger el mejor modelo para
realizar pronósticos y este será seleccionado via MAPE, MAE, etc.
ETAPA DE ESTIMACIÓN DEL PROCESO ARMA:
El test de KPSS pone a prueba si la serie de tiempo es estacionaria o no.
Si p-valor > 0.05 No es estacionaria.
Si p-valor < 0.05 Es estacionaria.
En este caso nos indica que la serie de tiempo respecto a la producción de fresa es estacionaria.
AJUSTE DEL MODELO EN ESTRUCTURA AR(P):
Se nota que en la fórmula usamos order= c(1,0) en la función arima, esto indica que realice un
modelo AR.
Aquí se tiene el modelo ajustado AR. Si notamos, nos sale significativa tanto como el intercepto.
Además, nos arroja el nivel de Akaike para hacer comparaciones con los otros modelos candidatos
Estos son los residuales del modelo AR
Estos son los pronósticos del modelo AR
AJUSTE DEL MODELO EN ESTRUCTURA MA(P):
Se nota que en la fórmula usamos order= c(0,1) en la función arima, esto indica que realice un
modelo MA.
Estos son los residuales del modelo MA
Estos son los pronósticos del modelo AR
AJUSTE DEL MODELO EN ESTRUCTURA MIXTA ARMA(P,Q):
Se nota que en la fórmula usamos order= c(1,1) en la función arima, esto indica que realice un
modelo ARMA.
Estos son los residuales del modelo ARMA
Estos son los pronósticos del modelo ARMA
OJO: Debemos notar que cuando se realizó los dos primeros modelos tanto el modelo AR y MA la
variable resultan ser significativas, mientras que en el modelo mixto el modelo MA resulta ser no
significativo. Esto quiere decir que en el modelo mixto ARMA, el modelo MA pierde su capacidad
predictiva. Concluyendo que el modelo mixto se reduce al modelo AR1.
Para saber cuál es el mejor modelo en estimación es necesario comparar sus índices de Akaike.
MODELO AIC
AR1 361.15
MA1 367.79
ARMA(1,1) 362.21
Viendo el cuadro, el mejor modelo en estimación resulta ser el que tenga el menor Akaike; es
decir, el modelo AR sería el mejor.
VALIDACIÓN DE LOS MODELOS ESTIMADOS
Este gráfico nos sirve para visualizar cuál de todos los modelos estimados se aproxima mejor a la
serie original.
En este caso en particular es muy difícil saber cuál es el modelo que mejor se aproxima a la serie
original, todos están compitiendo y decir visualmente cuál es mejor sería incorrecto porque la
vista podría engañarnos. Por este motivo, es necesario analizar los errores de pronóstico.
MODELO MAE RMSE MAPE
AR1 4147.506 4777.635 21.28211
MA1 4620.442 5751.58 25.16883
ARMA(1,1) 4038.1 4654.187 20.54651
Viendo la tabla, notamos que el modelo mixto ARMA (1,1) es el mejor en pronóstico que los otros
candidatos. Es decir, el modelo mixto ARMA (1,1) es el que está más próximo a la serie original.
Sin embargo, tenemos que tener en cuenta que anteriormente se había mencionado que, en este
modelo mixto, la serie auto regresiva AR1 resulta ser no significativa. Ahora debemos
preguntarnos: ¿Qué tan perjudicial es que un elemento que no es significativo permanezca en el
modelo?
La respuesta es: Un elemento que es no significativo permanece en el modelo cuando mejora en
los indicadores de pronóstico. En el caso no lo mejore, se tendrá que eliminar.
En este caso el elemento AR1 se puede quedar en el modelo mixto porque mejora los errores de
predicción. Sin embargo, cuando se extrapola fuera del intervalo de observación el modelo mixto
puede no simular bien a la serie debido a la inclusión de un elemento no significativo. Se podría
utilizar el modelo mixto como alternativa, pero siempre con cautela (sino produce buenos
resultados entonces no lo consideraré en un futuro)
