The Basics of Time Series Data and Analysis Techniques
Table of Contents
Las bases de las técnicas de datos y análisis de la serie de tiempo
Los datos de la serie de tiempo son una de las formas más frecuentes y poderosas de datos estructurados en casi todos los ámbitos, desde las finanzas y la economía hasta la ciencia sanitaria, energética y ambiental. En su núcleo, los datos de la serie de tiempo consisten en observaciones recopiladas secuencialmente con el tiempo, típicamente a intervalos regulares. Este orden temporal lo distingue de los datos transversales y permite a los analistas descubrir patrones significativos, prever valores futuros y monitorear cambios en los procesos subyacentes.
Comprensión de datos de la serie de tiempo
Una serie de tiempo es una secuencia de puntos de datos indexados por el tiempo. Cada observación se asocia con un timetamp, y los asuntos de orden. Ejemplos comunes incluyen los precios de las existencias de cierre diario, demanda de electricidad por hora, cifras de ventas mensuales, recuentos de incidencia semanal de enfermedades y anomalías de temperatura global anual. continua continua (grabado en cada instante) y discreta (según puntos específicos, a menudo igualmente espaciados). En la práctica, la mayoría de las series de tiempo digitales son discretas y muestras a intervalos regulares como segundos, horas, días o años.
Lo que hace únicos datos de series temporales es que las observaciones no son independientes. t a menudo se influencia por los valores a tiempo t-1, t-2Esta dependencia temporal es un reto estadístico y una oportunidad analítica. Los métodos estadísticos estándar que asumen observaciones independientes y distribuidas de forma idéntica (i.i.d.) son generalmente inapropiados para series temporales sin modificaciones. En cambio, los analistas deben trabajar con modelos que explican explícitamente la estructura temporal.
Propiedades de los datos de la serie de tiempo
A diferencia de las observaciones independientes, los datos de series temporales suelen exhibir autocorrelación—el valor en un momento se correlaciona con valores en puntos de tiempo anteriores. Esta dependencia serial es un desafío y una oportunidad: viola las suposiciones de muchos modelos estadísticos estándar pero también proporciona la base para la previsión. tendencia, Estacionalidad, y ruido. Una comprensión exhaustiva de estos componentes es esencial antes de aplicar cualquier técnica de análisis. Además, la serie de tiempo puede exhibir heteroscedasticidad, donde la varianza de la serie cambia con el tiempo, una característica común en los datos financieros donde se agrupan los períodos de alta volatilidad.
Componentes básicos de la serie de tiempo
La mayoría de las series temporales pueden descomponerse en cuatro componentes fundamentales que capturan diferentes tipos de variación. Entender estos componentes permite a los analistas seleccionar pasos adecuados de preprocesamiento y enfoques de modelado.
- Tendencia: La dirección a largo plazo de la serie, que puede ser ascendente, descendente o plana. Las tendencias pueden ser lineales o no lineales. Por ejemplo, las temperaturas promedios globales han mostrado una clara tendencia al alza en el siglo pasado, mientras que el número de ventas de teléfonos rotativos ha experimentado una tendencia descendente. Identificar la tendencia es a menudo el primer paso en cualquier análisis de series de tiempo, ya que revela la trayectoria subyacente de los datos.
- Estacionalidad: Pautas regulares, repetidoras con un período fijo y conocido, como ciclos diarios, semanales, mensuales o anuales. Por ejemplo, las ventas al por menor a menudo se elevan durante las vacaciones de diciembre y el chapuzón en enero. La demanda de electricidad suele alcanzar picos durante las horas de la tarde los días de semana y las gotas de la noche. La estacionalidad es predecible y puede ser modelada explícitamente una vez que se identifique el período.
- Componente cólico: Las fluctuaciones que ocurren a intervalos irregulares, normalmente más largos que un año, y a menudo están vinculadas a ciclos económicos o empresariales. A diferencia de la estacionalidad, los ciclos no tienen un período fijo. Los ciclos de boom y de búsqueda en los mercados inmobiliarios, por ejemplo, pueden durar en cualquier lugar de cinco a quince años.
- Componente irregular (residual): El ruido aleatorio o las fluctuaciones impredecibles que permanecen después de la eliminación de patrones de tendencia, estacionalidad y ciclo. Este componente se supone que es ruido blanco en muchos modelos, lo que significa que tiene cero media, varianza constante y ninguna autocorrelación. En la práctica, los residuos a menudo contienen información valiosa si muestran patrones, indicando que el modelo no ha capturado toda la estructura en los datos.
Decomponer una serie de tiempo en estos componentes ayuda a los analistas a visualizar patrones más claramente y elegir enfoques de modelado apropiados. aditivo (donde los componentes resuman) y multiplicador (donde se multiplican los componentes) se utilizan comúnmente dependiendo de la naturaleza de la serie. Un modelo aditivo es apropiado cuando la magnitud de las fluctuaciones estacionales no varía con el nivel de la tendencia, mientras que un modelo multiplicativo funciona mejor cuando las variaciones estacionales crecen proporcionalmente con la tendencia, un patrón común en datos económicos como las ventas al por menor.
Conceptos clave en el análisis de la serie de tiempo
Antes de sumergirse en técnicas específicas, es importante captar varios conceptos fundamentales que sustentan casi todos los métodos de series temporales. Estos conceptos forman el vocabulario y la lógica del análisis de series temporales, y esquiarlos a menudo conduce a opciones de modelos incorrectas y previsiones deficientes.
Estabilidad
Se dice que una serie de tiempo Estacionarios Si sus propiedades estadísticas —medio, varianza y estructura de autocorrelación— no cambian con el tiempo. Muchos modelos de pronóstico, incluyendo ARIMA, requieren que la serie sea estacionaria. La estadidad importa porque si las propiedades estadísticas de una serie cambian con el tiempo, cualquier modelo estimado en datos históricos no se generalizará bien a futuros períodos. Las causas comunes de la no-estacionaridad incluyen tendencias y estacionalidad.
Los exámenes de la estabilidad se realizan normalmente utilizando pruebas estadísticas formales. Prueba aumentada de Dickey-Fuller (ADF) es la más utilizada; prueba la hipótesis nula que una raíz de unidad está presente, lo que significa que la serie es no estacionaria. Un valor p bajo (típicamente inferior a 0.05) sugiere que la serie es estacionaria. Prueba de Kwiatkowski-Phillips-Schmidt-Shin (KPSS) Las hipótesis, las pruebas para la estacionalidad de tendencia. Utilizar ambas pruebas en combinación proporciona una evaluación robusta.
Los practicantes siempre deben probar para la estacionaridad antes de modelos de ajuste como ARIMA, ya que aplicar estos modelos a datos no estacionarios puede producir resultados espurios.
Autocorrelación y Autocorrelación parcial
Autocorrelación mide la correlación entre una serie de tiempo y una versión de sí sola. Por ejemplo, la correlación entre la temperatura actual y la temperatura de ayer. Autocorrelación parcial mide la correlación después de eliminar los efectos de los retrasos intermedios. Parcelas de estas funciones (ACF y PACF) son herramientas esenciales para identificar pedidos adecuados en los modelos ARIMA y detectar estacionalidad. La parcela ACF muestra la correlación en cada vuelta, mientras que la parcela PACF muestra la contribución directa de cada vuelta después de controlar por los retrasos más cortos. p sugiere un modelo de orden AR p, mientras un corte agudo en la ACF después de la caída q sugiere un modelo de orden MA q.
Lag y Differencing
En el análisis de series temporales, un lag es el cambio de tiempo entre las observaciones. Para una serie diaria, lag 1 significa comparar hoy con ayer, lag 2 se compara hoy con el día anterior, y así sucesivamente. Differencias es una transformación simple pero poderosa que resta la observación a la vuelta d de valor actual. La diferenciación de primer orden puede eliminar las tendencias lineales, mientras que la diferencia estacional elimina los patrones estacionales. Por ejemplo, si usted tiene datos mensuales con un patrón estacional anual, usted diferenciaría en lag 12, restando el valor del mismo mes en el año anterior.
La diferencia de segundo orden puede ser necesaria si la tendencia en sí está cambiando (por ejemplo, el crecimiento acelerado), aunque esta práctica es menos común.
Técnicas comunes para analizar datos de la serie de tiempo
Existe una amplia gama de técnicas, que van desde métodos simples de lijado hasta modelos complejos de aprendizaje automático. La elección depende de las características de los datos, el horizonte de pronóstico y los requisitos de interpretación. A continuación se presentan algunos de los enfoques más utilizados, organizados de más simple a más avanzado.
Promedios de movimiento
Los promedios de movimiento suavizan las fluctuaciones a corto plazo para destacar las tendencias a largo plazo. simple promedio móvil (SMA) computa la media del último k observaciones. promedio móvil ponderado exponencialmente (EWMA) Se aplica la disminución de pesos a los datos más antiguos, dando más importancia a las observaciones recientes. Los promedios de movimiento se utilizan a menudo como primer paso en el análisis exploratorio, pero rara vez son suficientes para una predicción precisa sola porque no representan la estacionalidad o factores externos. En finanzas, los promedios móviles se utilizan frecuentemente como indicadores técnicos; por ejemplo, el cruce de un promedio móvil de 50 días por encima de un promedio móvil de 200 días se conoce como una señal de toro.
Decomposición
La descomposición clásica divide una serie de tiempo en componentes de tendencia, estacional y residual utilizando modelos aditivos o multiplicativos. STL (Descomposición de secuencia y tendencias utilizando Loess) STL funciona aplicando iterativamente la suavidad de la loess para extraer la tendencia y los componentes estacionales, y puede manejar cualquier tipo de estacionalidad, no sólo mensual o trimestralmente. También maneja los valores perdidos con gracia y es robusto a las observaciones extremas. La descomposición es valiosa para entender la estructura subyacente y se utiliza a menudo como un paso previo antes de preprocesar con otros componentes de temporada que pueden revelar
ARIMA Models
Autoregressive Integrated Moving Promedio (ARIMA) es una de las clases más populares y versátiles de modelos para la pronosticación de series de tiempo univariate. Combina tres componentes:
- Autoregresivo (AR): Modelos de dependencia entre una observación y una serie de observaciones lapidas (la orden p). Esto captura la persistencia o el impulso de la serie.
- Integrado (I): Usos diferentes para hacer estacionario de la serie (el pedido d). Esto maneja las tendencias y permite que el modelo funcione con series que no son inherentemente estacionarias.
- Media de movimiento (MA): Modelos de dependencia entre una observación y errores residuales de predicciones anteriores (el orden q). Esto captura efectos de choque que se desenvuelven durante unos pocos períodos de tiempo.
El modelo se denota como ARIMA(p,d,q). SARIMA incorporar componentes de temporada, y ARIMAX permite la selección de las variables exógenas. La selección de las órdenes óptimas requiere un análisis cuidadoso de las parcelas ACF y PACF y a menudo se automatiza utilizando criterios como AIC o BIC. En la práctica, muchos analistas utilizan implementaciones auto-ARIMA – disponibles en Python (pmdarima) y R (paquete de prefabricado)– para buscar una red de posibles pedidos y seleccionar el mejor modelo.
Excepcional Smoothing
Los métodos de lijado exponencial asignan pesos decrecientes exponencialmente a las observaciones pasadas, con el parámetro de lijado controlando la tasa de decadencia. Sencillo Excencial Smoothing, es adecuado para datos sin tendencia o estacionalidad. Método de Tendencia Lineal de Holt extiende esto para captar tendencias lineales, y Método Estacional de Holt-Winters Estos métodos son intuitivos, eficientes computacionalmente y pueden producir pronósticos con intervalos de predicción. El marco espacial estatal que sustenta el aislamiento exponencial permite calcular intervalos de confianza y selección de modelos basados en la probabilidad. Para muchas tareas de pronóstico de negocios con tamaños de datos moderados, los métodos de aislamiento exponencial son competitivos con enfoques más complejos y son mucho más fáciles de explicar a los interesados.
Técnicas avanzadas: Profecía y Aprendizaje de Máquina
En los últimos años se han creado enfoques más flexibles. Facebook Profeta es una herramienta de código abierto diseñada para series de tiempo con fuertes efectos estacionales y datos perdidos. Utiliza un modelo descompuesto con tendencias, estacionalidad y efectos de vacaciones, y es robusto para los outliers. Profeta es particularmente útil para la previsión de negocios donde se valoran la interpretabilidad y automatización. Su componente de tendencia puede manejar múltiples puntos de cambio, permitiendo que el modelo se adapte a cambios en trayectoria sin necesidad de intervención manual.
Modelos de aprendizaje automático como Redes de memoria a corto plazo (LSTM) (un tipo de red neuronal recurrente) puede captar dependencias complejas y patrones a largo plazo. Sin embargo, requieren grandes cantidades de datos y afinación hiperparamétrica cuidadosa. Para muchas aplicaciones prácticas, modelos más simples como ARIMA o aliviado exponencial siguen siendo más confiables y fáciles de explicar. Boosting de grano métodos (por ejemplo, XGBoost, LightGBM) pueden ser aplicados por características de ingeniería y estadísticas de rodadura, aunque no son inherentemente modelo de orden temporal. Estos métodos basados en árboles a menudo funcionan bien en competiciones y ajustes del mundo real, especialmente cuando se dispone de características exógenas ricas, como datos meteorológicos, calendarios de vacaciones o calendarios promocionales.
Comparación de enfoques de aprendizaje clásico vs.
Los modelos estadísticos clásicos como ARIMA y suavizado exponencial tienen fuertes bases teóricas, proporcionan intervalos de predicción y funcionan bien cuando se sostienen las hipótesis. Los métodos de aprendizaje automático sobresalen cuando las relaciones son altamente no lineales o cuando hay muchas características externas disponibles. La clave es entender las compensaciones: interpretación, requisitos de datos, costo computacional y horizonte de pronóstico. Para previsiones a corto plazo con datos históricos limpios, métodos de referencia a menudo bastan.
Evaluando los modelos de la serie de tiempo
La evaluación modelo en la serie de tiempo requiere atención especial porque las observaciones dependen.
- Error absoluto medio (MAE): Diferencia absoluta media entre los valores previstos y reales. MAE es fácil de interpretar y menos sensible a los valores superiores que los métricas de error cuadrados.
- Error cuadrado medio (MSE) / Error cuadrado de raíz (RMSE): Penaliza errores más grandes. RMSE está en las mismas unidades que la serie, por lo que es más interpretable que MSE. RMSE es particularmente útil cuando los errores grandes son desproporcionadamente costosos, por ejemplo, en la gestión de inventarios donde las acciones son mucho más costosas que los errores de exceso pequeños.
- Error porcentual absoluto (MAPE): Expresa el error como porcentaje, útil para comparar entre series con diferentes escalas. Sin embargo, puede ser indefinido o infinito si los valores reales están cerca de cero. MAPE también tiene una asimetría: penaliza los sobreimpuestos de forma diferente que los subprevistos cuando los valores reales son pequeños. Alternativas como SMAPE (MaPE simétrica) o MASE (Mean Absolute Scaled Error) dirijan algunas de estas limitaciones.
La validación cruzada de la serie temporal debe respetar el orden temporal. Validación de paseo por carretera (o ventana de expansión) entrena el modelo en todos los datos y pruebas anteriores en el paso siguiente, luego amplía el conjunto de entrenamiento. Este simulacros de pronóstico del mundo real. Una variante común es la validación de la ventana de rodamiento, donde la ventana de entrenamiento tiene un tamaño fijo y se desliza hacia adelante. Para grandes conjuntos de datos, estos procedimientos pueden ser costosos computacionalmente, pero proporcionan la estimación más realista del rendimiento fuera de la muestra.
Aplicaciones e importancia del análisis de la serie de tiempo
El análisis de series temporales es indispensable en todas las industrias:
- Finanzas: Predicción de precios de stock, gestión de riesgos, modelado de volatilidad (por ejemplo, GARCH). La optimización de cartera se basa en estimaciones de covariancias de rendimiento de activos, que son inherentemente de tiempo-variado.
- Economía: Pronóstico del crecimiento del PIB, análisis de la tasa de desempleo, evaluación de las políticas monetarias. Los bancos centrales utilizan modelos de series temporales para la inflación y orientan las decisiones de la tasa de interés.
- Cadena de suministro y venta al por menor: Pronóstico de demanda, optimización de inventarios, análisis de tendencias de ventas. Pronóstico preciso puede reducir los costos de inventario en un 10-30% mientras mejora los niveles de servicio.
- Energía: Previsión de carga para la gestión de redes, predicción de la producción de energía renovable. Las utilidades utilizan series temporales para equilibrar la oferta y la demanda en tiempo real, especialmente cuando las fuentes renovables intermitentes se vuelven más frecuentes.
- Salud: Modelado epidémico, monitoreo de signos vitales de pacientes, pronóstico de la demanda de drogas. Durante la pandemia COVID-19, se utilizaron modelos de series temporales para proyectar hospitalizaciones y orientar intervenciones de salud pública.
- Meteorología: Pronóstico del tiempo, detección de tendencias del cambio climático. Numerosos modelos de predicción del tiempo integran las observaciones de series temporales de satélites y estaciones meteorológicas para producir pronósticos.
La capacidad de anticipar valores futuros basados en patrones históricos apoya directamente la planificación estratégica, la asignación de recursos y la mitigación de riesgos. Por ejemplo, la predicción precisa de la demanda (Hyndman & Athanasopoulos, Forecasting: Principles and Practice) puede reducir el exceso de costos de inventario en 10-20% en cadenas de suministro minorista. En la fabricación, el análisis de series temporales de datos de sensores de equipo permite el mantenimiento predictivo, reduciendo el tiempo de inactividad no planificado hasta un 50%.
Consideraciones y desafíos prácticos
Trabajar con series temporales presenta varios obstáculos comunes que los practicantes deben navegar:
- Datos perdidos: Las observaciones intermitentes que faltan pueden romper la estructura temporal. Los métodos de imputación como la interpolación de futuro, la interpolación lineal o la imputación basada en modelos deben ser aplicados cauteloso. La elección del método de imputación depende de la naturaleza de la falta — ya sea aleatoria o sistemática. El relleno de futuro es simple pero puede introducir sesgo si la serie está tendencia.
- Alineados: Los valores extremos pueden distorsionar las estimaciones de tendencia y estacionalidad. Se deben utilizar métodos de descomposición más robustos o algoritmos de detección más avanzados. En muchos casos, los outliers representan eventos genuinos (por ejemplo, una promoción en el comercio minorista, una descomposición de fábrica en la fabricación) en lugar de errores de datos, por lo que deben ser tratados cuidadosamente en lugar de descartarse automáticamente.
- Estacionalidad múltiple: Muchas series del mundo real exhiben múltiples ciclos estacionales (por ejemplo, datos por hora con patrones diarios y semanales). Modelos como TBATS o Profeta pueden manejar esto. Por ejemplo, la demanda de electricidad tiene un patrón diario (más alto durante el día, más bajo por la noche) y un patrón semanal (más bajo los fines de semana).
- No estacionaridad: El no abordar las tendencias o estacionalidad conduce a previsiones deficientes. Siempre prueba para la estacionaridad usando pruebas como Augmented Dickey-Fuller (ADF) antes de modelar. Recuerde que el diferenciamiento elimina la información —si usted sobrediferencia, usted pierde la capacidad de modelar relaciones a largo plazo. El objetivo es lograr bastante diferenciación para eliminar la no estacionaridad sin sobre-smoothing la serie.
- Selección de modelo: El exceso de equipamiento es un riesgo, especialmente con modelos complejos. Utilizar criterios de información (AIC, BIC) y validación fuera de la muestra para guiar opciones. AIC (Críter de Información de Akaike) penaliza la complejidad del modelo más indulgente que BIC (Críter de Información de Base), por lo que BIC tiende a seleccionar modelos más simples. En la práctica, comparar AIC y BIC en modelos candidatos proporciona una gama útil de plaus
- Horizonte Predictivo: La precisión de las previsiones generalmente se degrada a medida que el horizonte se alarga. Diferentes modelos pueden actuar mejor en diferentes horizontes. Un modelo que funciona bien para las previsiones de una sola cabeza puede realizar mal para las previsiones de 12 pasos. Los practicantes deben evaluar la precisión de pronóstico en cada horizonte de interés y utilizar potencialmente diferentes modelos para diferentes horizontes.
Software y Herramientas para el Análisis de la Serie de Tiempo
La mayoría de los científicos de datos confían en Python o R para el trabajo de series temporales. Productos básicos (ARIMA, descomposición, suavizado exponencial) Profeta, Sktime, y TensorFlow/Keras (para LSTMs) son populares. pmdarima biblioteca proporciona funcionalidad de auto-ARIMA, mientras griskite desde LinkedIn ofrece otra alternativa para la previsión de series de tiempo de negocios. Para aplicaciones a gran escala, soluciones basadas en la nube como Amazon Forecast o Azure Time Series Insights proporcionan servicios gestionados que manejan el oleoducto de datos, la formación de modelos y el despliegue a escala.
R ofrece pronóstico paquete, tsibble para la serie de tiempo ordenado, y fábula para los flujos de trabajo de previsión modernos. fábula , en particular, el paquete se integra con el ecosistema tidyverse, permitiendo a los analistas trabajar con series de tiempo múltiples en un marco de datos — un escenario común al predecir en miles de productos o ubicaciones. bsts paquete proporciona modelos de series de tiempo estructural con priores de punta y tabla para la selección variable.
Para el almacenamiento de datos y la gestión de tuberías, bases de datos de series temporales como InfluxDB, TimescaleDB, y ClickHouse Estas bases de datos soportan el desampado, las políticas de retención y agregaciones continuas que son esenciales para los flujos de trabajo de series de tiempo de producción. Directus puede servir como backend para gestionar metadatos de series temporales y acceso a los usuarios, proporcionando una capa estructurada para organizar activos de series temporales junto con otros tipos de datos en una plataforma de datos unificada.
Conclusión
El análisis de series temporales es tanto un arte como una ciencia. La riqueza de los datos temporales exige un preprocesamiento cuidadoso, una selección de modelos reflexivos y una evaluación rigurosa. Desde métodos clásicos como ARIMA y un suavizado exponencial a herramientas modernas como Profeta y aprendizaje profundo, el campo ofrece un espectro de técnicas que pueden adaptarse a las características específicas de los datos.
Para mayor lectura, los excelentes recursos incluyen Predicción: Principios y prácticas de Hyndman y Athanasopoulos, el Estadísticasmodels time series documentación, y el Documentación del profeta. Para los interesados en las fundaciones matemáticas, Análisis de la serie de tiempo por James D. Hamilton Como el campo sigue evolucionando con avances en el aprendizaje profundo y la programación probabilística, los fundamentos del razonamiento temporal cubierto en este artículo seguirán siendo esenciales para cualquier practicante que trabaje con datos recopilados con el tiempo.