Lección 8 del curso Pronósticos de Series de Tiempo con ARIMA.
En la lección anterior vimos qué son los modelos ARIMAX, que permiten generar pronósticos de Series de Tiempo cuando estas dependen de variables externas.
En esta última lección del curso veremos cómo extender las ideas de los modelos ARIMAX para el caso de Series de Tiempo estacionales que dependen no sólo de sus valores históricos sino también de variables exógenas. Así que veremos en detalle que son y cómo resolver problemas de pronósticos de series de tiempo usando modelos SARIMAX.
Comencemos entendiendo entonces qué es un modelo SARIMAX:
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 SARIMAX es el resultado de combinar:
- Un modelo de Regresión que permite capturar los componentes de la serie asociados a las variables exógenas
- Y un modelo SARIMA que captura el comportamiento histórico y estacional de los residuales del modelo de regresión
Es decir, en esencia ¡un modelo SARIMAX es un modelo ARIMAX pero con la capacidad de capturar el componente estacional de la Serie de Tiempo!
Teniendo claras las características de este tipo de modelos, veamos cómo resolver un problema de pronósticos de Series de Tiempo usando SARIMAX:
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 los pasos involucrados en el desarrollo de un modelo SARIMAX.
En esencia, primero construimos el modelo de regresión y calculamos sus residuales. Y luego, a partir de dichos residuales estimamos los parámetros del modelo SARIMA asociado (P, D,Q).
Además, vimos de forma práctica cómo usar este procedimiento para crear un modelo SARIMAX capaz de pronosticar la demanda de energía eléctrica en una ciudad para un horizonte de 7 horas, incorporando la variable exógena temperatura.
Así que con todo esto hemos llegado al final de este curso: ¡te felicito por haber llegado hasta este punto!
Con todo lo aprendido en el curso ya estarás en capacidad de usar las diferentes variantes de estos modelos ARIMA que permiten abordar una amplia variedad de problemas de generación de pronósticos en el mundo real.
Espero que te haya gustado el curso y como siempre te invito a contactarme a través de la Intranet para que me compartas tus comentarios del curso y tus sugerencias para seguir mejorando el contenido de la Academia.
¡Te envío un saludo y nos vemos en el próximo curso!
Todas las lecciones del curso Pronósticos de Series de Tiempo con ARIMA