Lección 7 del curso Pronósticos de Series de Tiempo con ARIMA.
En la lección anterior vimos qué son los modelos SARIMA que permiten generar pronósticos de Series de Tiempo cuando estas tienen un componente estacional.
Así que hasta este punto del curso ya hemos visto las diferentes variantes de los modelos ARIMA y hemos visto también cómo implementar estos modelos de forma práctica con ayuda de las librerías StatsForecast y statsmodels de Python.
Sin embargo, una limitación de los modelos ARIMA es que usan únicamente el registro histórico de la Serie de Tiempo para la generación de pronósticos. Pero en muchas situaciones la Serie no depende sólo de sus propios valores pasados sino también de lo que se conoce como variables exógenas.
Entonces, en esta lección veremos cómo tomar las ideas que vimos anteriormente sobre los modelos ARIMA y cómo extenderlas para el caso en el cual queremos modelar la Serie incluyendo además variables exógenas. Así que veremos en detalle qué son y cómo implementar los modelos ARIMAX.
Comencemos entendiendo qué son estos modelos ARIMAX:
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 un modelo ARIMAX es la combinación de:
- Un modelo de Regresión que intenta modelar la relación entre la Serie de Tiempo y las variables exógenas
- Y un modelo ARIMA que modela los residuales del modelo de Regresión, es decir el componente que no logra capturar dicho modelo
Así que teniendo esto claro, veamos cómo resolver un problema real de pronósticos de Series de Tiempo usando precisamente modelos ARIMAX:
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 cómo crear, entrenar y generar pronósticos con un modelo ARIMAX para un problema de predicción de ventas.
En este caso la Serie de Tiempo corresponde a las ventas de un producto en particular y dichas ventas dependen no sólo de los valores históricos de la Serie, sino también de variables exógenas asociadas a las promociones y los eventos especiales.
Además, vimos un elemento clave para determinar los parámetros p, d, q asociados al componente ARIMA de este modelo. En esencia debemos primero construir el modelo de regresión, luego calcular los residuales de dicho modelo y a partir de dichos residuales estimar esos parámetros p, d, q.
Así que en este punto ya tenemos claro qué es un modelo ARIMAX, las ventajas que tiene frente a un modelo ARIMA simple (especialmente cuando la Serie de Tiempo depende de variables exógenas) y cómo implementar este tipo de modelos con ayuda de las librerías StatsForecast y MLForecast.
Entonces, en la próxima lección aprovecharemos todas estas ideas para ver qué son y cómo implementar los modelos SARIMAX, que permiten modelar series de tiempo que tienen estacionalidad pero que además dependen de variables exógenas.
Todas las lecciones del curso Pronósticos de Series de Tiempo con ARIMA