Transformaciones de ajuste de datos

Figura 1 - Panel de transformación de datos

El proceso de ajuste de los datos de las series de tiempo requiere estacionariedad. En un sentido estricto, esto significa que la distribución conjunta de una serie de tiempo no puede variar con el tiempo. Sin embargo, una definición más común, pero más débil, de estacionariedad es que los estadísticos de los datos (por ejemplo, la media, la desviación estándar, etc.) son constantes a lo largo del tiempo. Para el ajuste de muchas series de tiempo, como las ARMA, ambas definiciones son equivalentes.

Si los datos no son naturalmente estacionarios, pueden aplicarse varias transformaciones para lograr la estacionariedad; estas opciones se encuentran en la sección Transformaciones de datos (Figura 1, derecha) de las ventanas Ajuste de series de tiempo y Ajuste por lotes de series de tiempo.

Por favor, tenga en cuenta que la función de detección automática para determinar las transformaciones utiliza un conjunto de heurísticas para determinar buenas suposiciones para las transformaciones que se aplican a los datos. Aunque se trata de una conjetura, no deja de ser una conjetura, y cualquier transformación aplicada por autodetección debe comprobarse para ver si es aplicable.

Si los datos de las series de tiempo que se utilizan en el proceso de ajuste ya son estacionarios, o si se conocen los detalles de los datos, las transformaciones pueden aplicarse manualmente. En caso contrario, se puede utilizar la funcionalidad 'Auto detectar' para que @RISK evalúe automáticamente las transformaciones de los datos que producen estacionariedad. @RISK utiliza un conjunto de heurísticas para determinar las transformaciones probables que se deben aplicar al conjunto de datos antes de realizar el ajuste.

Para el ajuste de una sola serie de tiempo, haga clic en el botón 'Auto detectar' para aplicar las transformaciones recomendadas; éstas siempre pueden modificarse antes de ejecutar el ajuste.

Para un ajuste de series de tiempo por lotes, marque la casilla 'Auto detectar' para aplicar automáticamente las transformaciones recomendadas; a diferencia de un ajuste de series de tiempo único, las transformaciones no pueden modificarse antes de ejecutar el ajuste.

Opciones de transformación de ajuste

Las tres configuraciones principales de transformación son 'Función', 'Desplazamiento' y 'Desestacionalizar'; si se marca la casilla junto a una opción, se activará. La activación de la opción 'Función' permitirá añadir un desplazamiento, y la activación de 'Desestacionalizar' permitirá añadir un período. Las opciones completas, con las opciones asociadas son:

  • Función - Seleccione una opción para aplicar una función logarítmica o de raíz cuadrada para estabilizar la varianza de los datos a través del tiempo.
    • Logarítmico - La función logarítmica se aplica a cada valor de la serie de tiempo.
    • Raíz cuadrada - La función de raíz cuadrada se aplica a cada valor de la serie de tiempo.
  • Desplazamiento - Sólo está disponible cuando se activa una función (arriba). Aplica un desplazamiento para evitar valores no válidos para la función seleccionada (arriba); los logaritmos requieren números positivos y las raíces cuadradas requieren números no negativos.
  • Remover tendencia - Calcula las diferencias entre observaciones consecutivas para eliminar cualquier tendencia en una serie de tiempo.
    • Diferenciación de primer orden - Remueve la tendencia utilizando sólo los cambios de un período (valor) y el siguiente.
    • Diferenciación de segundo orden - Remueve la tendencia utilizando los cambios entre periodos (valores) y los cambios entre cambios.
  • Desestacionalizar - Aplicar transformaciones para eliminar la estacionalidad de los datos de las series de tiempo.
    • Diferenciación de primer orden - Desestacionalizar utilizando la diferencia entre un valor de la serie de tiempo y sus valores posteriores dentro de cada estación (por ejemplo, enero de cada año en una serie de tiempo con estacionalidad anual).
    • Diferenciación de segundo orden - Desestacionalizar utilizando las diferencias entre las primeras diferencias sucesivas.
    • Aditivo - Eliminar la estacionalidad restando los índices estacionales aditivos de los datos originales. Se utiliza cuando las variaciones estacionales son más o menos constantes en magnitud, independientemente del nivel medio actual de la serie.
  • Período - Sólo está disponible cuando se activa la desestacionalización (arriba). El número de puntos de datos en un periodo estacional, por ejemplo '4' para datos trimestrales, '12' para datos mensuales o '24' para datos de hora.