Descomposición estacional

Puedes pensar una serie temporal como compuesta por componentes de tendencia, estacionalidad y residuo. Esta puede ser una buena forma de entender los datos cuando vayas a modelarlos. Si conoces el periodo de la serie temporal, puedes descomponerla en estos componentes.

En este ejercicio vas a descomponer una serie temporal que muestra la producción mensual de leche por vaca en EE. UU. Esto te dará una visión más clara de la tendencia y del ciclo estacional. Dado que los datos son mensuales, puedes suponer que la estacionalidad es de 12 periodos; no obstante, no siempre será así.

La serie temporal de producción de leche se ha cargado en el DataFrame milk_production y está disponible en tu entorno.

Este ejercicio forma parte del curso

Modelos ARIMA en Python

Instrucciones del ejercicio

Importa la función seasonal_decompose() de statsmodels.tsa.seasonal.
Descompón la columna 'pounds_per_cow' de milk_production usando un modelo aditivo y un periodo de 12 meses.
Representa la descomposición.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Import seasonal decompose
from ____ import ____

# Perform additive decomposition
decomp = seasonal_decompose(___, 
                            period=____)

# Plot decomposition
____
plt.show()

Editar y ejecutar código

Este ejercicio forma parte del curso

Modelos ARIMA en Python

AvanzadoNivel de habilidad

4.9+

Empieza el curso gratis

Entra de lleno y conoce las propiedades más importantes de las series temporales. Aprenderás qué es la estacionariedad y por qué es clave para los modelos ARMA. Verás cómo comprobar la estacionariedad a simple vista y con una prueba estadística estándar. Por último, conocerás la estructura básica de los modelos ARMA y la usarás para generar datos ARMA y ajustar un modelo ARMA.

Exercise 1: Introducción a las series temporales y la estacionariedad Exercise 2: Exploración Exercise 3: División en train-test Exercise 4: ¿Es estacionaria?Exercise 5: Hacer estacionarias las series temporales Exercise 6: Dickey-Fuller aumentado Exercise 7: Aplicar la diferenciación Exercise 8: Otras transformaciones Exercise 9: Introducción a los modelos AR, MA y ARMA Exercise 10: Orden del modelo Exercise 11: Generación de datos ARMA Exercise 12: Ajuste: preámbulo

Lo que te espera en este capítulo es que tú predigas lo que viene en tus datos. Aprenderás a usar el elegante paquete statsmodels para ajustar modelos ARMA, ARIMA y ARMAX. Luego usarás tus modelos para predecir el incierto futuro de los precios de las acciones.

Exercise 1: Ajuste de modelos de series temporales Exercise 2: Ajuste de modelos AR y MA Exercise 3: Ajustar un modelo ARMA Exercise 4: Ajustar un modelo ARMAX Exercise 5: Predicción Exercise 6: Generar predicciones de un paso adelante Exercise 7: Representar predicciones de un paso adelante Exercise 8: Generar predicciones dinámicas Exercise 9: Representar previsiones dinámicas Exercise 10: Introducción a los modelos ARIMA Exercise 11: Diferenciación y ajuste de ARMA Exercise 12: Desplegando el pronóstico ARMA Exercise 13: Ajustar un modelo ARIMA Exercise 14: Elegir el modelo ARIMA

En este capítulo, te convertirás en un modelizador con criterio. Aprenderás a identificar órdenes de modelo prometedores a partir de los propios datos y, una vez entrenados los modelos más prometedores, verás cómo elegir el mejor modelo de entre esa selección ajustada. También aprenderás un gran marco de trabajo para estructurar tus proyectos de series temporales.

Exercise 1: Introducción a la ACF y la PACF Exercise 2: AR o MA Exercise 3: Orden de los terremotos Exercise 4: Introducción a AIC y BIC Exercise 5: Búsqueda del orden del modelo Exercise 6: Elegir el orden con AIC y BIC Exercise 7: AIC y BIC vs. ACF y PACF Exercise 8: Diagnóstico del modelo Exercise 9: Error absoluto medio Exercise 10: Estadísticos de resumen de diagnóstico Exercise 11: Diagnósticos de gráfico Exercise 12: Método de Box-Jenkins Exercise 13: Identificación Exercise 14: Identificación II Exercise 15: Estimación Exercise 16: Diagnósticos

En este último capítulo, aprenderás a usar modelos ARIMA estacionales para ajustar datos más complejos. Verás cómo descomponer estos datos en partes estacionales y no estacionales y después tendrás la oportunidad de aplicar todas tus herramientas de ARIMA en un último desafío de pronóstico global.

Exercise 1: Series temporales estacionales Exercise 2: Descomposición estacional

Ejercicio actual

Exercise 3: ACF y PACF estacionales Exercise 4: Modelos SARIMA Exercise 5: Ajuste de modelos SARIMA Exercise 6: Elegir el orden de SARIMA Exercise 7: Pronósticos SARIMA vs ARIMA Exercise 8: Automatización y guardado Exercise 9: Selección automática de modelos Exercise 10: Guardar y actualizar modelos Exercise 11: SARIMA y Box-Jenkins Exercise 12: Estacionalidad multiplicativa vs aditiva Exercise 13: Diagnóstico de modelos SARIMA Exercise 14: Pronóstico SARIMA Exercise 15: ¡Enhorabuena!