Lección 2 del curso Pronósticos de Series de Tiempo con Regresión.
En la lección anterior vimos una metodología sugerida para generar pronósticos de Series de Tiempo independientemente de la complejidad de los datos o del modelo predictivo que estemos usando.
En esta segunda lección del curso veremos un conjunto de métodos que permiten generar pronósticos de Series de Tiempo de manera muy simple. Así que entenderemos en qué consiste cada uno de estos métodos, que ventajas y desventajas tiene y en qué situaciones podremos usarlos. Además, veremos de forma práctica cómo usar la librería StatsForecast de Python para generar pronósticos usando estos métodos:
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.
Muy bien acabamos de ver en qué consisten los métodos de media histórica, näive, näive estacional y deriva para la generación de pronósticos de Series de Tiempo.
En última se trata de métodos muy simples que sólo podrán ser usados si la Serie de Tiempo posee unas características muy específicas (como la no presencia de tendencia o estacionalidad, o la presencia sólo de una de estas dos características, entre otras).
Pero lo más importante de estos métodos es que nos servirán como base para luego comparar el desempeño de modelos más sofisticados (que veremos más adelante en este y en próximos cursos).
Así que teniendo claro cómo funcionan y cómo se implementan estos métodos básicos en Python, en la próxima lección nos enfocaremos en la relación que existe entre las predicciones generadas por un modelo y los residuales (es decir las diferencias entre los valores predichos y los valores reales), pues estos últimos serán un insumo clave para determinar si el modelo genera pronósticos adecuados o no.
Todas las lecciones del curso Pronósticos de Series de Tiempo con Regresión