1 - Componentes de una Serie de Tiempo
Lección 1 del curso Series de Tiempo: Análisis Exploratorio.
En este primer módulo del curso vamos a entender qué son y cómo usar las principales herramientas que, al combinarlas, nos permitirán realizar el Análisis Exploratorio de Series de Tiempo para la mayor parte de los problemas que abordemos.
La idea del Análisis Exploratorio es extraer observaciones de la serie que nos permitan encontrar patrones característicos en su comportamiento y que nos permitan además responder a preguntas del negocio.
Y en esta primera lección del curso vamos a ver cuáles son los principales componentes de una Serie de Tiempo (tendencia y estacionalidad) y cómo extraerlos usando la librería “statsmodels” de Python.
Así que comencemos primero entendiendo qué son estos componentes de tendencia y estacionalidad, por qué resultan importantes al momento de analizar Series de Tiempo y al final veremos de forma práctica cómo obtenerlos usando diferentes algoritmos implementados en la librería “statsmodels”.
Suscríbete para tener acceso al video con la explicación detallada de esta lección. Además podrás disfrutar de todos los cursos de la Academia Online
En últimas, la tendencia en una serie de tiempo corresponde al incremento o reducción de valores de la Serie a largo plazo, mientras que la estacionalidad está asociada a la presencia de patrones periódicos en la Serie.
Y estos dos componentes resultan relevantes no sólo como parte del análisis exploratorio sino que resultarán útiles más adelante cuando hagamos pronósticos sobre series de tiempo usando métodos clásicos (de los cuales hablaremos en próximos cursos).
Además, estos dos componentes se pueden extraer utilizando la librería “statsmodels” usando los módulos “seasonal_decompose” o el método STL, siendo este segundo método el más robusto.
Teniendo claro qué son y cómo obtener estos componentes de una Serie de Tiempo, en la siguiente lección nos enfocaremos en el análisis detallado del componente estacional de una Serie de Tiempo y veremos cómo usar los gráficos estacionales para analizar y extraer información relevante de este componente estacional.