Lección 11 del curso Pronósticos de Series de Tiempo con Regresión.
En la lección anterior vimos cómo evaluar un modelo de pronósticos con Regresión para determinar si logra capturar adecuadamente los patrones presentes en una Serie de Tiempo.
En esta lección veremos una metodología que nos permitirá elegir, de manera rigurosa, el conjunto de covariables más adecuado al momento de construir un modelo de Regresión para pronósticos de Series de Tiempo con el mejor desempeño posible:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Como acabamos de ver, en ocasiones tendremos a disposición una gran cantidad de covariables al momento de entrenar un modelo de Regresión Lineal Múltiple para pronosticar Series de Tiempo.
Y en este caso tendremos que elegir cuáles de dichas variables permitirán entrenar el modelo con el máximo desempeño posible. Así que en este caso se sugiere llevar a cabo un procedimiento sistemático y riguroso que podemos resumir en estos pasos:
- Encontrar todas las posibles combinaciones de covariables
- Por cada combinación validamos el modelo (usando validación cruzada para Series de Tiempo) y almacenamos el resultado
- Y al final seleccionamos aquel modelo (es decir, aquella combinación de covariables) que arroje el mejor desempeño posible con la menor cantidad posible de covariables.
Así que con lo visto en esta y en las últimas lecciones de este módulo del curso, ya tenemos claros los principales elementos a tener en cuenta al momento de generar pronósticos de Series de Tiempo usando modelos de regresión lineal (simple o múltiple).
Entonces, en la próxima lección veremos cómo extender estas ideas para la construcción de modelos de pronósticos de Series de Tiempo pero usando un enfoque de regresión no lineal.
Todas las lecciones del curso Pronósticos de Series de Tiempo con Regresión