Lección 3 del curso Pronósticos de Series de Tiempo con ARIMA.
En la lección anterior vimos cómo funcionan los modelos auto-regresivos (AR) que permiten pronosticar Series de Tiempo usando como insumo principal los valores pasados de la propia Serie.
En esta lección veremos el segundo tipo de modelos que forman la base de los modelos ARIMA. Así que veremos qué son y cómo implementar de forma práctica los modelos de media móvil (o MA por sus siglas en Inglés: Moving Average). Además, vamos a entender las ventajas y limitaciones de estos modelos.
Comencemos entonces entendiendo qué son estos modelos MA:
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 un modelo de media móvil el valor pronosticado depende de los errores en «q» pronósticos anteriores. Y esto se conoce como un modelo de media móvil de orden «q» (o MA(q)).
Y a pesar de su simplicidad, la principal desventaja de estos modelos es que requieren que la Serie de Tiempo sea estacionaria para poder generar pronósticos adecuados.
Así que teniendo claro cómo funcionan estos modelos, veamos cómo usar las librerías StatsForecast y statsmodels de Python para entrenar y generar pronósticos con este tipo de modelos:
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, como acabamos de ver, en un modelo MA la manera de determinar el orden (q) es a través de la función de autocorrelación.
En esencia, si esta función decae abruptamente esto es un indicador de que la Serie puede ser modelada usando un modelo MA. Y además, los coeficientes que en esta función de autocorrelación sean diferentes de cero (estadísticamente hablando) nos indicarán precisamente el orden «q» del modelo.
Así que con esta información hemos visto cómo usar las librerías StatsForecast y statsmodels para entrenar un sencillo modelo MA de orden 2 para generar pronósticos de temperatura con un horizonte de 10 horas. Además, hemos visto cómo obtener no sólo las predicciones puntuales sino también el intervalo de predicción usando el método «forecast» de la librería StatsForecast.
Entonces, con lo visto en estas dos últimas lecciones ya tenemos dos modelos (auto-regresivos, AR, y de media móvil, MA) que al combinarlos con las ideas de diferenciación que vimos en la primera lección del curso nos permitirán entender en detalle cómo funcionan los modelos ARIMA (o modelos auto-regresivos integrados de media móvil) que serán precisamente el tema de la próxima lección.
Todas las lecciones del curso Pronósticos de Series de Tiempo con ARIMA