Professional Documents
Culture Documents
OBJETIVOS: 1. Analizar la variacin de los datos a lo largo del tiempo. 2. Determinar el modelo que explique los componentes de variacin en el tiempo. 3. Estimar pronsticos a futuro aplicando el modelo de variacin obtenido. INTRODUCCIN AL ANLISIS DE SERIES DE TIEMPO SERIE DE TIEMPO/TEMPORAL/HISTRICA/CRONOLGICA: Una base de datos obtenidos a lo largo de periodos regulares en el tiempo. VARIABLES
T: tiempo
Yi: dato de la variable temporal (de inters) ti: Periodo de tiempo (1,2,3.n) n: Longitud de la serie (Tamao de la muestra)
COMPONENTES DE VARIACIN EN UNA SERIE DE TIEMPO: Se pueden presentar hasta 4 componentes MINITAB: GRAPH/TIME SERIES PLOT/SIMPLE TENDENCIA (T): Variacin central (promedio) de los datos para plazos muy largos (a plazo largo)
IRREGULAR (I): Valores que se alejan del comportamiento central o sea picos. No significativo= Pequeos picos que acompaan al ciclo Regresin con variables dummy. Significativo: (ruidos, errores)
REGRESIN MLTIPLE
1. Analizar la variacin de series que no presenten ruidos (picos marcados en la variacin) 2. Determinar el mejor modelo de variacin utilizando el criterio de menor error cuadrtica promedio(NSD) 3. Estimar pronsticos a futuro utilizando el mejor modelo. PRINCIPIOS DEL MTODO DE VARIACIN SIMPLE:
ANLISIS EXPLORATORIO: Empieza en T=1 y termina T=61 *Presenta Tendencia. *No presenta ruidos (picos MUY marcados) COMENZAR ANLISIS CON VARIACIN SIMPLE.
***EN SERIES DE TIEMPO, EL ANLISIS DEL GRFICO DE LA SERIE ORIGINAL NOS VA PERMITIR SELECCIONAR CON CUAL DE LOS TRES MTODOS SE INICIA LA OBTENCIN DEL MEJOR MODELO PARA ESTIMAR LOS PRONSTICOS***
Moving Average
MEJOR MODELO
Length
MSD: (Yt-(Y^t)^2/n
EL MENOR VALOR DE MSD ES EL MEJOR MODELO, POR LO TANTO EL MODELO 1 CON MA LENGHT=2 ES EL MEJOR= MSD 8.23781E+12
2.2 SUAVIZAMIENTO EXPONENCIAL: Son polinomios de regresin a lo largo de la serie de datos CARACTERISTICA: Constante de suavizamiento RANGO: (0<theta<1) STAT/TIME SERIES/SINGLE EXP SMOOTHING VARIABLE: VENTAS (Yt)/WEIGHT TO USE IN SMOOTHING=0.2/0.4/0.6
Single Exponential Smoothing for Ventas
Data Length Ventas 61
THETHA=
MEJOR MODELO
2.3 TENDENCIA CON REGRESIN SIMPLE: SE PRUEBAN 3 TIPOS DE MODELOS DE REGRESIN SIMPLE: 1. LINEAL: Yt=bo+b1(t) 2. CUADRTICO: Yt=bo+b1(t)+b2(t^2) 3. EXPONENCIAL DE CRECIMIENTO: Yt=bo(b1^t) STAT/TIME SERIES/TREND ANALYSIS VARIABLE: VENTAS (Yt) MODEL TYPE: LINEAR/QUADRATIC/EXPONENTIAL GROWTH
Trend Analysis for Ventas
Data Length NMissing Ventas 61 0
Fitted Trend Equation Yt = -11844364 + 1503085*t Accuracy Measures MAPE MAD MSD 4.84564E+01 5.40753E+06 3.68965E+13
Fitted Trend Equation Yt = 1664968 + 216482*t + 20752*t**2 Accuracy Measures MAPE MAD MSD 7.87186E+00 1.43107E+06 3.81620E+12
MEJOR MODELO
ESTIMAR PRONSTICOS
A) DATOS PARA LA ESTIMACIN PERDIODO FINAL (tn=61) TRIMESTRE 4 2005 PERIODO DE ESTIMACION (tp=85) TRIMESTRE 4 2011 61+24=85 (1 AO TIENE 4 TRIMESTRES, POR 6 AOS 4*6=24) # PERIODOS A FUTURO (DESDE tn HASTA tp) B) SUSTITUIR EN EL MEJOR MODELO ***SE TOMA EL MODELO CON EL MENOR MSD DE LOS 9 MODELOS QUE SE ANALIZARON*** MEJOR MODELO, ES MODELO CARACTERISTICA MSD EL MENOR DE LOS 3: PROMEDIOS MVILES L=2 8.23*10^12 SUAVIZAMIENTO THETA= 0.6 9.06*10^12 USAMOS EXPONENCIAL PROCEDIMIENTO REGRESIN SIMPLE CUADRTICO 3.81*10^12 MINITAB PARA ESE MODELO
EN MINITAB EL PROCEDIMIENTO QUE USAMOS FUE: STAT/TIMES SERIES/TREND ANALYSIS VARIABLE: Yt MODEL TYPE: CUADRATIC *GENERATE FORECASTS: NUMBER OF FORECASTS: 24 (PERIODOS A FUTURO) STARTING FROM ORIGIN: 61= tn
Fitted Trend Equation Yt = 1664968 + 216482*t + 20752*t**2 Accuracy Measures MAPE MAD MSD 7.87186E+00 1.43107E+06 3.81620E+12
Forecasts Period 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 Forecast 94856218 97666658 100518601 103412047 106346996 109323449 112341405 115400864 118501827 121644293 124828263 128053735 131320711 134629191 137979173 141370659 144803649 148278141 151794137 155351637 158950639 162591145 166273154 169996667
EL VALOR QUE NOS INTERESA ES EL LTIMO YA QUE TE DA EL RESULTADO DE TODOS. RESULTADO DEL PRONSTICO: Y^=$169 ,996 ,667 VENTAS ESTIMADAS PARA EL TRIMESTRE 4 DEL 2011
*** SI NOS PIDIERAN (EN ESTE CASO PROMEDIO DEL 2011), TOMAS LOS 4 LTIMOS VALORES Y LES SACAS EL PROMEDIO***
PERIODO INICIAL (t1): ENERO 1993 PERIODO FINAL (tn): DICIEMBRE 2007 PERIODICIDAD: MENCUAL (12 DATOS/AO) LONGITUD: 180 PERIODO DE ESTIMACION (tp): DICIEMBRE 2011
ANLISIS GRFICO: *Tendencia creciente. *Puede presentar estacionalidad. *NO presenta variaciones aleatorias significativas POR LO TANTO: Comenzar el anlisis con variacin simple.
L MSD
9 20.58
12 21.29
15 26.05
MEJOR MODELO
ALFA MSD
0.4 16.79
0.6 17.01
0.8 17.28
MEJOR MODELO
2.3 TENDENCIA CON REGRESIN SIMPLE, LINEAL, CUADRTICO, EXPONENCIAL. STAT/TIME SERIES/TREND ANALYSIS VARIABLE Yt=IAE
Trend Analysis for IAE
Data Length NMissing IAE 180 0
CUADRATICO
Yt = 96.08 + 0.2515*t + 0.000337*t**2
EXPONENCIAL
Yt = 96.1661 * (1.00257**t)
22.3390
21.6758
21.7192
MEJOR MODELO
3. ESTIMAR PRONSTICOS A FUTURO A) DATOS PARA ESTIMACIN: PERIODO FINAL (tn=180) DICIEMBRE 2007 PERIODO DE ESTIMACIN: (tp=228) (180+48(12*4)=228) DICIEMBRE DEL 2004 NUMERO DE PERIODOS A FUTURO: 48 B) MEJOR MODELO
SUAVIZAMIENTO EXPONENCIAL THETA: 0.4 MSD: 16.79 C) SUSTITUIR EN EL MEJOR MODELO STAT/TIME SERIES/ SINGLE EXPONENTIAL SMOOTHING VARIABLE: Yt WEIGHT TO USE: 0.4 GENERAL FORECAST NUMBER: 48 =NO DE PERIODOS A FUTURO STARTING: 180= tn
Forecasts Period 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 Forecast 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 Lower 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 Upper 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059
***EN ESTE CASO SE LE ACABA EL MATERIAL POR LO QUE TODOS LOS NMEROS SON IGUALES Y TE DAN UN INTERVALO***
PROMEDIO ESTIMADO PARA EL IAE EN DICIEMBRE 2011. CONCLUSION: EL NDICE ESPERADO DE ACTIVIDAD ECONMICA PARA DICIEMBRE DEL 2011 ES DE 155.417
2.3 I= Ruidos
Yt/T*S*I=C + RESIDUOS
1. Analizar la variacin compuesta de series con tendencia continua aplicando el modelo multiplicativo 2. Estimar pronsticos aplicando el modelo con los componentes significativos.
EJEMPLO 1 DESCOMPOSICIN:
ENUNCIADO: A partir de la serie de precios de un producto de amplia demanda que se presenta; con datos tomados hasta Noviembre de 2008; a) Analiza la variacin de los datos de las serie utilizando la metodologa adecuada. b) Estima el precio del producto en diciembre de 2011.
PERIODO INICIAL (t1)=NOVIEMBRE 2007 PERIODO FINAL (tn=)133 =NOVIEMBRE 2008 PERIODICIDAD=MENSUAL (12 DATOS/AO) LONGITUD n=133 NO AOS: n/PERIODICIDAD=133/12=11.08 (11 AOS 1 MES) PERIODO DE ESTIMACION (tp)=DICIEMBRE 2011 =0.05
ANLISIS GRFICO: *Tendencia continua. *Puede presentar estacionalidad. *Presenta posibles ruidos *Presenta estacionalidad y ciclo ***Compuesta porque hay ruido, multiplicativo porque es continua, no hay escaln*** MODELO MULTIPLICATIVO
2. ANLISIS DE VARIACIN DE LA SERIE En este caso se aplica: MODELO MULTIPLICATIVO 2.1 Descomponer la Tendencia (T) a) Seleccionar el mejor modelo STAT/TIME SERIES/TREND ANALYSIS/ VARIABLE Trend Analysis for precio
Data Length NMissing precio 133 0
Fitted Trend Equation Yt = 13.0407 * (1.01162**t) Accuracy Measures MAPE MAD MSD 15.8062 4.4363 46.9599
CUADRATICO
Yt = 17.24 - 0.0683*t + 0.003228*t**2 44.6021
EXPONENCIAL
Yt = 13.0407 * (1.01162**t) 46.9599
MEJOR MODELO
b) Obtener Componente T STAT/TIME SERIES/TREND ANALYSIS: VARIABLE Yt= SERIE ORIGINAL MODEL TYPE /QUADRATIC STORAGE: FITS (TREND LINE)
2.2. Descomponer estacionalidad c) Eliminar tendencia por Divisin CALC/CALCULATOR STORE: SIN TENDENCIAS (C3) EXPRESSION: PRECIOS/FITS Yt/T=S*I*C
Para descomponer la estacionalidad, se obtiene un PATRN DE ESTACIONALIDAD formado por los ndices Estacionales (IE) correspondientes a los periodos dentro de un ao. IE= Promedio del periodo/Promedio anual 2 caractersticas: *Base: promedio anual (Se mueve alrededor del promedio) *variacin Regular: Se repite STAT/TIME SERIES/DESCOMPOSITION VARIABLE: SIN TENDENCIA SEASON LENGHT: 12 MODEL TYPE: MULTIPLICATIVO MODEL COMPONENTS: SEASONAL ONLY OPTIONS: FIRST OBS IN SEASON PERIOD: 11 (PERIODO INICIAL=NOVIEMBRE=MES 11) STORAGE: SEASONALLY ADJUSTED DATA Time Series Decomposition for SIN TENDENCIA
Multiplicative Model Data Length NMissing SIN TENDENCIA 133 0
RESPUESTA A
Seasonal Indices Period 1 2 3 4 5 6 7 8 9 10 11 12 Index 0.98488 1.00912 1.04939 1.06447 1.04811 1.06545 0.98634 0.93412 0.97336 1.00007 0.96169 0.92300
INDICES ESTACIONALES
IE>1
IE=1
LA VARIABLE EST A
IE<1
LA VARIABLE ES MENOR
INCREMENTO PORCENTUAL: (IE-1)*100 SI ME PIDEN ANLISIS PARA DESCRIBIR EL COMPORTAMIENTO ESTACIONAL DE LA SERIE, ME VOY A EXCEL: Period 1 2 3 4 5 6 7 8 9 10 11 12 Index 0.98488 1.00912 1.04939 1.06447 1.04811 1.06545 0.98634 0.93412 0.97336 1.00007 0.96169 0.923 % -1.512 0.912 4.939 6.447 4.811 6.545 -1.366 -6.588 -2.664 0.007 -3.831 -7.7
ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
B)SERIE SIN ESTACIONALIDAD SERIE DESESTACIONALIZADA EJEMPLO DE CALCULO PARA DESESTACIONALIZAR LA SERIE: MODELO: (Yt/T)/S=(SERIE SIN TENDENCIA/IE) CALCULO PERIODO t1(INICIAL) USAMOS LOS VALORES DE SIN TENDENCIA DE MINITAB 1.06473/.96169=1.10714 VALOR DE LA SERIE DESESTACIONALIZADA PARA EL PERIODO t1
2.3 Eliminar ruidos significativos NOTA: Los ruidos significativos son errores aleatorios que se presentan en el comportamiento de la serie. (PICOS) *Se analizan para la serie de Desestacionalizada (DESE1) *Se eliminan utilizando modelos de Regresin Mltiple con variables Dummy para los ruidos (DR#) a) Identificar periodos posibles de Ruidos (Picos) Se analiza el grfico de la serie desestacionalizada GRAPH/TIME SERIES PLOT/ SIMPLE series: DESE1 ADD/REFERENCE LINES/Y VALUES 0.5 1.5 BANDA CENTRAL DE VARIACIN CICLICA RUIDOS SE LOCALIZAN LOS PERIODOS (T) DONDE OCURREN LOS POSIBLES RUIDOS SE SACAN PONIENDO EL MOUSE SOBRE CADA PUNTITO Y SALE UNA PESTAA AMARILLA
1ER RUIDO t=15 2 RUIDO t=72 3ER RUIDO t=111 b) Determinar el mejor modelo para los RUIDOS: Modelo de Regresin Mltiple DESE1= bo+b1(DR15)+b2(DR72)+b3(DR111) CODIFICACIN PARA DUMMIES DE RUIDO (DR#) =0 Para los periodos donde NO ocurre el ruido =1 Slo para el periodo donde ocurre el ruido
***SE GENERAN COLUMNAS CON EL TIEMPO OBTENIDO EN EL PASO ANTERIOR PARA CADA RUIDO*** Llenas las columnas de puro cero, localizas los ruidos dentro de las columnas y cambias el cero por un uno Aplica el Mtodo de Regresin Mltiple paso a paso 1 Regresin mltiple STAT/REGRES/REGRES RESPONSE: DESE1 PREDICTORS: DR15 DR72 DR111
*PRUEBA DE SIGNIFICACIN PARA LOS COEFICIENTES Regression Analysis: DESE1 versus DR15, DR72, DR111
The regression equation is DESE1 = 1.00 - 0.686 DR15 + 1.41 DR72 - 0.533 DR111 Predictor Constant DR15 DR72 DR111 Coef 1.00140 -0.6862 1.4108 -0.5334 SE Coef 0.01407 0.1610 0.1610 0.1610 T 71.17 -4.26 8.76 -3.31 P 0.000 NO SE TOMA EN CUENTA 0.000 0.000 0.001
S = 0.160432
R-Sq = 45.3%
R-Sq(adj) = 44.0%
PVALUE < ALFA RECHAZA Ho ES SIGNIFICATIVO Y SE MANTIENE EN EL MODELO--- RUIDO SIGNIFICATIVO HAY QUE ELIMINARLO PVALUE> ALFA ACEPTO Ho NO ES SIGNIFICATIVO Y SE ELIMA EL MODELO--- NO HAY RUIDO, NO HAY QUE ELIMINARLO *** EL MEJOR MODELO SE OBTIENE CUANDO TODOS SON SINIFICATIVOS*** c) Obtener la componente de ruidos significativos (FITS2) STAT/REGRESS/REGRESS RESPONSE: DESE1 PREDICTORS: DR15 DR72 DR111 STORAGE: FITS d) Se eliminan los ruidos por divisin: CALC/CALCULATOR STORE: SIN RUIDOS EXPRESSION: DESE 1/ FITS 2 (DIVIDIR)
2.4 Descomponer Ciclo (c) + Residuo (r) *SE APLICA UN MODELO DE SUAVIZAMIENTO EXPONENCIAL Y SE OBTIENEN CILO+RESIDUOS *SE UTILIZA LA SERIE SIN RUIDOS STAT/TIME SERIES/SINGLE EXPON SMOOTHING VARIABLE: SIN RUIDOS WEIGHT TO USE IN SMOOTHING: OPTIMAL ARIMA STORAGE: SMOOTHED DATACOMPONENTE CICLO (C) RESIDUALS RESIDUOS DE VARIACION
COMPROBACIN FINAL DE LA DESCOMPOSICIN: RESI 1 0 ( ALREDEDOR) SI NO REVISAR PASOS 2.1 2.2 2.3
OK ESTIMAR PRONSTICOS
DEBE ESTAR CERCA DE CERO PORQUE SIGNIFICA QUE LA DESCOMPOSICIN FUE LA CORRECTA.
TIPS:
2.1 MEJOR MODELO DE TENDENCIA CON ESO VA ESTAR BIEN 2.2 ESTABLECER BIEN LOS PARMETROS DE DESESTACIONALIDAD 2.3 SEECCIONAR LOS PICOS MS ALEJADOS PARA CICLOS
Fitted Trend Equation Yt = 17.24 - 0.0683*t + 0.003228*t**2 Accuracy Measures MAPE MAD MSD 16.3259 4.3852 44.6021
Forecasts Period 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 Forecast 66.0449 66.8449 67.6513 68.4641 69.2834 70.1092 70.9414 71.7801 72.6252 73.4768 74.3348 75.1993 76.0703 76.9477 77.8315 78.7218 79.6186 80.5218 81.4315 82.3477 83.2703 84.1993 85.1348 86.0768 87.0252 87.9801 88.9414 89.9092 90.8834 91.8641 92.8513 93.8449 94.8450 95.8515 96.8644 97.8839 98.9098
1. ESTIMACIN DE LA TENDENCIA (Tp): CON EL MEJOR MODELO DEL 2.1 STAT/TIME SERIES/TREND ANALYSIS VARIABLE Yt= SERIE ORIGINAL MODEL TYPE: QUADRATIC (POR SER EL MEJOR MODELO) GENERATE FORECAST: NUMBER OF: 37 PEROIODOS A FUTURO STARTING FROM: 133 (Tn)
2. ESTIMACIN DE LA ESTACIONALIDAD: SLO HAY QUE TOMAR EL VALOR DEL NDICE ESTACIONAL CORRESPONDIENTE AL PEROIODO DE ESTIMACIN (PASO 2.2)
Period 1 2 3 4 5 6 7 8 9 10 11 12 Index 0.98488 1.00912 1.04939 1.06447 1.04811 1.06545 0.98634 0.93412 0.97336 1.00007 0.96169 0.92300
3. ESTIMACIN DEL CICLO: SE TOMA EL LTIMO VALOR DE LA COLUMNA DEL CICLO (SMOO 1) MINITAB= 1.3246 c) CALCULO DE PRONSTICOS ESTIMADO : MULTIPLICACION DE LOS 3 TENDENCIA*ESTACIONALIDAD*CICLO
Yt/T=S*I*C
a) Seleccionar el mejor modelo STAT/TIME SERIES/TREND ANALYSIS/ VARIABLE Trend Analysis for Ventas
Data Length NMissing Ventas 32 0
CUADRATICO
Yt = 1373.8 - 14.5*t + 0.645*t**2 MSD 26065.2
EXPONENCIAL
Yt = 1246.61 * (1.00495**t) MSD 28489.4
MEJOR MODELO
b) Obtener Componente T STAT/TIME SERIES/TREND ANALYSIS: VARIABLE Yt= SERIE ORIGINAL MODEL TYPE /QUADRATIC STORAGE: FITS (TREND LINE) FITS 1 MINITAB c) Eliminar la tendencia por Divisin: (VENTAS/FITS 1)= Yt/T=S*I*C
2.2 Descomponer estacionalidad (S) d) Eliminar tendencia por Divisin CALC/CALCULATOR STORE: SIN TENDENCIAS (C3) EXPRESSION: VENTAS/FITS Yt/T=S*I*C Para descomponer la estacionalidad, se obtiene un PATRN DE ESTACIONALIDAD formado por los ndices Estacionales (IE) correspondientes a los periodos dentro de un ao. IE= Promedio del periodo/Promedio anual 2 caractersticas: *Base: promedio anual (Se mueve alrededor del promedio) *variacin Regular: Se repite STAT/TIME SERIES/DESCOMPOSITION VARIABLE: SIN TENDENCIA SEASON LENGHT: PERIODICIDAD: 4 MODEL TYPE: MULTIPLICATIVO MODEL COMPONENTS: SEASONAL ONLY OPTIONS: FIRST OBS IN SEASON PERIOD: 1 (PERIODO INICIAL=TRIM 1) STORAGE: SEASONALLY ADJUSTED DATA Time Series Decomposition for SERIE SIN TENDENCIA
Multiplicative Model Data Length NMissing SERIE SIN TENDENCIA 32 0
Seasonal Indices Period 1 2 3 4 Index 1.03798 0.88303 1.12448 0.95451 1.03798-1*100=3.8% A LA ALZA .88303-1*100= -11.7% A LA BAJA 12.48% A LA ALZA -4.5% A LA BAJA
2.3 Eliminar ruidos significativos (I) de la serie STAT/TIME SERIES PLOT/SIMPLE VARIABLE: DESE1
a) Identificar posibles ruidos t=14 b) Determinar mejor modelo de ruidos DESE1=bo+b1(DR14) 1)POR QUE SE SUPONE QUE ESTA EN EL 14 AL PONERLE EL MOUSE ENCIMA DEL PICO DEL RUIDO, HAGO UNA COLUMNA (DUMMY) Y RELLENO DE CEROS MENOS EN DONDE SE ENCUENTRA EL POSIBLE RUIDO, EN LA FILA 14 2)APLICAS METODOLOGA DE REGRESIN STAT/REGRESSION/REGRESSION RESPONDE: DESE1 PREDICTORS:DR14
T 148.65 -8.04
P 0.000 0.000
P value 0.00
Vs <
0.05
CONCLUSION: SE RECHAZA Ho, TENEMOS UN RUIDO SIGNIFICATIVO HAY QUE ELIMINARLO (SI SE ACEPTA Ho, NO HAY RUIDO SIGNIFICATIVO Y ME SIGO AL PASO 2.4) c) Obtener la componente de ruidos: STAT/REGRESSION/REGRESSION RESPONSE: DESE1 PREDICTORS: DR14 STORAGE: FITS d) Eliminar Ruidos por Divisin: CALC/CALCULATOR STORE: SIN RUIDOS EXPRESS: DESE1/FITS 2
2.4 Descomposicin Ciclo+ Residuos STAT/TIME SERIES/SINGLE EXPON SMOOTHING VARIABLE: SIN RUIDOS WEIGHT TO USE IN SMOOTHING: OPTIMAL ARIMA STORAGE: SMOOTHED DATACOMPONENTE CICLO (C) RESIDUALS RESIDUOS DE VARIACION
COMPROBACIN FINAL DE LA DESCOMPOSICIN: RESI 1 0 ( ALREDEDOR) SI NO REVISAR PASOS 2.1 2.2 2.3
OK ESTIMAR PRONSTICOS
DEBE ESTAR CERCA DE CERO PORQUE SIGNIFICA QUE LA DESCOMPOSICIN FUE LA CORRECTA.
Data Ventas b) ESTIMAR COMPONENTES DEL MODELO MULTIPLICATIVO Length 32 ** SOLO SE ESTIMAN TENDENCIA (Tp) /ESTACIONALIDAD (Sp) /CICLO (Cp) NMissing 0 Fitted Trend Equation Yt = 1373.8 - 14.5*t + 0.645*t**2 Accuracy Measures MAPE MAD MSD 10.2 130.9 26065.2
1. ESTIMACIN DE LA TENDENCIA (Tp): CON EL MEJOR MODELO DEL 2.1 STAT/TIME SERIES/TREND ANALYSIS VARIABLE Yt= SERIE ORIGINAL MODEL TYPE: QUADRATIC (POR SER EL MEJOR MODELO) GENERATE FORECAST: NUMBER OF: 12 PEROIODOS A FUTURO STARTING FROM: 32 (Tn)
Forecasts Period 33 34 35 36 37 38 39 40 41 42 43 44 Forecast 1598.31 1627.04 1657.06 1688.37 1720.97 1754.85 1790.03 1826.50 1864.26 1903.31 1943.64 1985.27
2. ESTIMACIN DE LA ESTACIONALIDAD (Sp): SLO HAY QUE TOMAR EL VALOR DEL NDICE ESTACIONAL CORRESPONDIENTE AL PERIODO DE ESTIMACIN (PASO 2.2) Period Index 1 2 3 4 1.03798 0.88303 1.12448 0.95451
4. ESTIMACIN DEL CICLO: SE TOMA EL LTIMO VALOR DE LA COLUMNA DEL CICLO (SMOO 1) MINITAB= 0.978888 CALCULO DE PRONSTICOS ESTIMADO : MULTIPLICACION DE LOS 3 TENDENCIA*ESTACIONALIDAD*CICLO