Comprobación de los residuos de series temporales

Al aplicar un método de pronóstico, es importante comprobar siempre que los residuos están bien comportados (es decir, sin valores atípicos ni patrones) y se asemejan a ruido blanco. Los intervalos de predicción se calculan asumiendo que los residuos también siguen una distribución normal. Puedes usar la función checkresiduals() para verificar estas características; te dará los resultados de una prueba de Ljung-Box.

Hasta ahora no has usado la función pipe (%>%), pero esta es una buena oportunidad para introducirla. Cuando hay muchas funciones anidadas, las pipes hacen que el código sea mucho más legible. Para ser consistente, pon siempre paréntesis tras una función para diferenciarla de otros objetos, incluso si no tiene argumentos. Un ejemplo:

> function(foo)       # Estas dos
> foo %>% function()  # son iguales!

> foo %>% function    # Inconsistente

En este ejercicio, pondrás a prueba las funciones anteriores sobre los pronósticos equivalentes a los que obtuviste en el ejercicio anterior (fcgoog, obtenido tras aplicar naive() a goog, y fcbeer, obtenido tras aplicar snaive() a ausbeer).

Este ejercicio forma parte del curso

Forecasting en R

Instrucciones del ejercicio

Usando la pipe anterior, ejecuta checkresiduals() sobre un pronóstico equivalente a fcgoog.
Según los resultados de esta prueba de Ljung-Box, ¿los residuos se asemejan a ruido blanco? Asigna googwn a TRUE o FALSE.
Con una pipe similar, ejecuta checkresiduals() sobre un pronóstico equivalente a fcbeer.
Según los resultados de esta prueba de Ljung-Box, ¿los residuos se asemejan a ruido blanco? Asigna beerwn a TRUE o FALSE.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Check the residuals from the naive forecasts applied to the goog series
goog %>% naive() %>% ___

# Do they look like white noise (TRUE or FALSE)
googwn <- ___

# Check the residuals from the seasonal naive forecasts applied to the ausbeer series
___

# Do they look like white noise (TRUE or FALSE)
beerwn <- ___

Editar y ejecutar código

Este ejercicio forma parte del curso

Forecasting en R

PrincipianteNivel de habilidad

4.9+

Empieza el curso gratis

Lo primero en cualquier análisis de datos es representar los datos. Los gráficos permiten visualizar muchas características, incluidas pautas, observaciones inusuales y cambios a lo largo del tiempo. Las características que se observen en las gráficas deben incorporarse, en la medida de lo posible, a los métodos de forecasting que vayas a utilizar.

Exercise 1: Bienvenido a Forecasting Using R Exercise 2: Creación de objetos de series temporales en R Exercise 3: Gráficos de series temporales Exercise 4: Gráficos estacionales Exercise 5: Tendencia, estacionalidad y ciclicidad Exercise 6: Autocorrelación de series temporales no estacionales Exercise 7: Autocorrelación de series temporales estacionales y cíclicas Exercise 8: Relaciona la ACF con la serie temporal Exercise 9: Ruido blanco Exercise 10: Precios de acciones y ruido blanco

En este capítulo aprenderás herramientas generales útiles en muchas situaciones de forecasting. Verás algunos métodos de referencia para comparar previsiones, métodos para comprobar si un método de forecasting ha aprovechado bien la información disponible y métodos para medir la precisión de las previsiones. Cada una de las herramientas tratadas aquí se usará repetidamente en los capítulos siguientes a medida que desarrolles y explores distintos métodos de forecasting.

Exercise 1: Pronósticos y futuros posibles Exercise 2: Métodos ingenuos de pronóstico Exercise 3: Valores ajustados y residuos Exercise 4: Comprobación de los residuos de series temporales

Ejercicio actual

Exercise 5: Conjuntos de entrenamiento y prueba Exercise 6: Evaluación de la precisión de pronósticos sin estacionalidad Exercise 7: Evaluar la precisión de pronósticos estacionales Exercise 8: ¿Tengo un buen modelo de pronóstico?Exercise 9: Validación cruzada en series temporales Exercise 10: Uso de tsCV() para la validación cruzada en series temporales

Las previsiones obtenidas con métodos de suavizado exponencial son medias ponderadas de observaciones pasadas, con pesos que decrecen exponencialmente a medida que las observaciones son más antiguas. Es decir, cuanto más reciente es la observación, mayor es su peso. Este enfoque genera previsiones fiables de forma rápida y para una amplia variedad de series temporales, lo cual es una gran ventaja y de gran importancia para aplicaciones de negocio.

Exercise 1: Pronósticos con ponderación exponencial Exercise 2: Suavizado exponencial simple Exercise 3: SES vs naive Exercise 4: Métodos de suavizado exponencial con tendencia Exercise 5: Métodos de tendencia de Holt Exercise 6: Métodos de suavizado exponencial con tendencia y estacionalidad Exercise 7: Holt-Winters con datos mensuales Exercise 8: Método de Holt-Winters con datos diarios Exercise 9: Modelos de espacio de estados para el suavizado exponencial Exercise 10: Pronóstico automático con suavizado exponencial Exercise 11: ETS vs seasonal naive Exercise 12: Relaciona los modelos con las series temporales Exercise 13: ¿Cuándo falla ETS?

Los modelos ARIMA ofrecen otro enfoque para el forecasting de series temporales. El suavizado exponencial y los modelos ARIMA son los dos enfoques más utilizados para el forecasting de series temporales y son complementarios. Mientras que los modelos de suavizado exponencial se basan en describir la tendencia y la estacionalidad de los datos, los modelos ARIMA buscan describir las autocorrelaciones presentes en los datos.

Exercise 1: Transformaciones para estabilizar la varianza Exercise 2: Transformaciones Box-Cox para series temporales Exercise 3: Diferenciación no estacional para estacionariedad Exercise 4: Diferenciación estacional para estacionariedad Exercise 5: Modelos ARIMA Exercise 6: Modelos ARIMA automáticos para series temporales no estacionales Exercise 7: Pronosticar con modelos ARIMA Exercise 8: Comparar auto.arima() y ets() en datos sin estacionalidad Exercise 9: Modelos ARIMA estacionales Exercise 10: Modelos ARIMA automáticos para series temporales estacionales Exercise 11: Explorar las opciones de auto.arima()Exercise 12: Comparar auto.arima() y ets() en datos estacionales

Los modelos de series temporales de los capítulos anteriores funcionan bien para muchas series, pero a menudo no son adecuados para datos semanales u horarios y no permiten incluir otra información como efectos de festivos, actividad de la competencia, cambios legislativos, etc. En este capítulo, verás algunos métodos que gestionan una estacionalidad más compleja y considerarás cómo ampliar los modelos ARIMA para poder incluir otra información en ellos.

Exercise 1: Regresión dinámica Exercise 2: Pronosticando ventas teniendo en cuenta el gasto en publicidad Exercise 3: Pronóstico de demanda eléctrica Exercise 4: Regresión armónica dinámica Exercise 5: Pronosticar datos semanales Exercise 6: Regresión armónica para estacionalidad múltiple Exercise 7: Previsión de reservas de llamadas Exercise 8: Modelos TBATS Exercise 9: Modelos TBATS para la demanda de electricidad Exercise 10: ¡Tu futuro en previsión!