Lección 8 del curso Pronósticos de Series de Tiempo con Regresión.
En la lección anterior vimos en qué consiste la validación cruzada en Series de Tiempo, una técnica recomendada al momento de cuantificar el desempeño de un modelo de generación de pronósticos.
En este segundo módulo del curso veremos qué son y cómo funcionan los principales modelos de Regresión (lineal y no lineal) usados para la generación de pronósticos sobre Series de Tiempo.
Y en particular en esta lección veremos cómo realizar pronósticos de Series de Tiempo con modelos de Regresión Lineal simple. Así que además de entender en qué consiste esta Regresión Lineal Simple, también veremos un ejemplo práctico de implementación de esta técnica con ayuda de Python y las librerías Scikit-Learn y MLForecast.
Así que comencemos entendiendo el principio básico de la Regresión Lineal Simple:
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.
En esencia, esta Regresión Lineal Simple aplicada a Series de Tiempo lo que busca es encontrar los parámetros de un modelo lineal que relacione la Serie de Tiempo a pronosticar ($y_t$) con una Serie de Tiempo predictora ($x_t$) (también conocida como la variable independiente, variable explicativa o covariable).
Y dichos parámetros se calculan usando, generalmente, el algoritmo de mínimos cuadrados ordinarios.
Así que teniendo claro este principio de funcionamiento, veamos un ejemplo práctico de implementación de un modelo de pronósticos basado en Regresión Lineal:
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.
En el ejemplo práctico que acabamos de analizar, vimos cómo usar la Regresión Lineal Simple para pronosticar el nivel de ventas de una tienda por departamentos ($y_t$) con base en el nivel de inversión de publicidad ($x_t$).
En esencia, una vez verificamos que las dos variables en mención presentan una correlación positiva, lo que hicimos fue construir un modelo de Regresión Lineal con ayuda de las librerías Scikit-Learn y MLForecast.
Y una vez validado el desempeño del modelo, generamos un pronóstico con el modelo entrenado usando los registros de niveles de publicidad del año anterior.
Así que en este punto ya tenemos claro qué es la Regresión Lineal Simple, en qué situaciones podemos usarla y cuáles son las limitaciones de este tipo de modelos.
Con esto ya estamos listos para ver una variante de este tipo de modelos, que nos permitirán realizar pronósticos de Series de Tiempo usando la Regresión Lineal Múltiple, el cual será el tema precisamente de la próxima lección.
Todas las lecciones del curso Pronósticos de Series de Tiempo con Regresión