Descomposición temporal y Predicción dividen un gráfico de serie temporal en componentes de tendencia, estacionales y restantes.
Descomposición temporal y Predicción aplican la descomposición de tendencia estacional utilizando el método LOESS (STL) para calcular los componentes de la serie temporal.
Ejemplo
Una organización medioambiental está estudiando los cambios en la calidad del aire a lo largo del tiempo. Utilizan la función Descomposición temporal para determinar cómo la estacionalidad afecta la calidad del aire y si la calidad del aire está mejorando o empeorando con el tiempo. Utilizan la función Predicción para predecir los futuros valores de la calidad del aire.
Ejecutar Descomposición temporal
Complete los siguientes pasos para realizar la descomposición temporal:
- Cree un mapa, gráfico o tabla con el dataset con el que desee realizar la descomposición temporal.
- Haga clic en el botón Acción
. - Realice una de las siguientes acciones:
- Para una tarjeta de gráfico de serie temporal, permanezca en la pestaña Análisis temporal.
- Para una tarjeta de tipo de gráfico diferente, haga clic en ¿Cómo ha cambiado? en el panel Análisis.
- En una tarjeta de mapa, haga clic en la pestaña Buscar respuestas y en Cómo ha cambiado.
- Haga clic en Descomposición temporal.
- En Elegir una capa, seleccione el dataset que se debe utilizar para realizar la descomposición temporal.
- En Elegir un campo de fecha/hora, seleccione el campo de fecha/hora que se debe utilizar para la línea temporal.
- Expanda Opciones adicionales y proporcione valores para los parámetros Elegir un campo numérico, Ajustar para estacionalidad y Seleccionar tamaño de ventana, si es necesario.
Consulte la sección Notas de uso siguiente para obtener más información.
- Si lo desea, seleccione Mostrar predicción para incluir valores previstos en la línea temporal.
Si selecciona Mostrar predicción, también puede ajustar el parámetro Establecer ciclos del horizonte de predicción para especificar cuántos ciclos se incluyen en la predicción. El número predeterminado de ciclos es 2.
- Haga clic en Ejecutar.
Ejecutar la función Predicción
Complete los siguientes pasos para realizar predicciones:
- Cree un mapa, gráfico o tabla con el dataset con el que desee realizar la predicción.
- Haga clic en el botón Acción.
- Realice una de las siguientes acciones:
- Para una tarjeta de gráfico de serie temporal, permanezca en la pestaña Análisis temporal.
- Para una tarjeta de tipo de gráfico diferente, haga clic en ¿Cómo ha cambiado? en el panel Análisis.
- En una tarjeta de mapa, haga clic en la pestaña Buscar respuestas y en Cómo ha cambiado.
- Haga clic en Predicción.
- En Elegir una capa, seleccione el dataset que se va a utilizar para realizar la predicción.
- En Elegir un campo de fecha/hora, seleccione el campo de fecha/hora que se debe utilizar para la línea temporal.
- Expanda Opciones adicionales y proporcione valores para los parámetros Elegir un campo numérico, Ajustar para estacionalidad y Seleccionar tamaño de ventana, si es necesario.
Consulte la sección Notas de uso siguiente para obtener más información.
- Ajuste el valor del parámetro Establecer ciclos del horizonte de predicción para especificar cuántos ciclos se incluyen en la predicción.
El número predeterminado de ciclos es 2.
- Haga clic en Ejecutar.
Notas de uso
Para acceder a Descomposición temporal y Predicción, utilice el botón Acción en ¿Cómo ha cambiado? en la pestaña Buscar respuestas o en la pestaña Análisis temporal en un gráfico de serie temporal. La entrada debe ser un dataset que incluya un campo de fecha/hora y debe tener un mínimo de datos de un año. Para obtener más información, consulte la sección Cómo funcionan Descomposición temporal y Predicción a continuación.
Utilice el parámetro Elegir un campo de fecha/hora para seleccionar el campo de fecha/hora donde se aplicará la descomposición temporal.
Expanda Opciones adicionales para acceder a los parámetros Elegir un campo numérico, Ajustar por estacionalidad y Seleccionar tamaño de ventana. En la siguiente tabla se explican estos parámetros, incluidos sus valores predeterminados:
| Parámetro | Descripción | Valor predeterminado |
|---|---|---|
| Elegir un campo numérico | Un campo que indica el valor de cada observación de la serie temporal. Por ejemplo, al descomponer una serie temporal de temperaturas globales medias a lo largo del tiempo, utilice el campo de temperatura del parámetro Elegir un campo numérico. | Ninguna. El valor de cada punto se basa en el recuento. |
| Ajustar para estacionalidad | La estacionalidad se utiliza para determinar cómo se calcula el componente estacional. Dispone de las siguientes opciones de estacionalidad:
| Ninguna. Elija una estacionalidad adecuada en función de los datos. |
| Seleccionar tamaño de ventana | El tamaño de la ventana determina el porcentaje de puntos de datos utilizados en el cálculo del suavizado. | 50% |
En Descomposición temporal, seleccione Mostrar predicción para crear una serie temporal de salida que muestre valores futuros predichos basados en el componente estacional y el componente ajustado estacionalmente. El número de ciclos de la predicción se basa en el parámetro Establecer ciclos del horizonte de predicción. El valor predeterminado es 2. El parámetro Mostrar predicción no está disponible para Predicción porque siempre está habilitado.
Los resultados de Descomposición temporal y Predicción incluyen dos datasets: uno llamado STL y otro llamado Forecast - STL (solo se incluye para Decomposición temporal si se habilita Mostrar previsión).
El dataset STL incluye campos para los datos sin procesar (basados en el recuento o el campo numérico utilizado para descomponer la serie temporal), cuatro componentes (estacional, tendencia, restante y ajustado estacionalmente) y el campo de fecha/hora original.
El dataset Forecast - STL incluye el campo de fecha/hora original, así como campos para los datos sin procesar (basados en el recuento o el campo numérico utilizado para descomponer la serie temporal), la estimación y los intervalos de predicción superior e inferior (80% y 95%).
Cómo funcionan Descomposición temporal y Predicción
Descomposición temporal y Predicción utilizan el método STL para descomponer una serie temporal en sus componentes estacionales, de tendencia y restantes. Los requisitos de datos del algoritmo STL se basan en la estacionalidad utilizada para describir el componente estacional.
Estacionalidad
La estacionalidad (también denominada periodicidad) se utiliza en STL para ajustar los efectos estacionales en una serie temporal. Por ejemplo, la calidad del aire tiende a seguir un ciclo anual con una calidad del aire mejorada en los meses invernales y reducida en los meses de verano. Los datos de calidad del aire se pueden descomponer utilizando la estacionalidad mensual para ajustar la serie temporal del ciclo recurrente de la calidad del aire mejorada y reducida para obtener una idea mejor de la tendencia general de la calidad del aire a lo largo del tiempo.
La estacionalidad puede ser semanal, mensual, trimestral o anual. Los requisitos de datos para Descomposición temporal y Predicción dependen de la estacionalidad utilizada.
Para todas las opciones de estacionalidad, los datos se dividen en subseries. Debe haber al menos una ocurrencia de cada subserie en el dataset para utilizar Descomposición temporal o Predicción.
En la siguiente tabla se resumen las opciones de estacionalidad y los requisitos de subseries y datos para cada una:
| Estacionalidad | Subserie | Requisitos de datos |
|---|---|---|
Semanalmente | Semanas de la 1 a la 52. Por ejemplo, 1 de enero–7 de enero es la semana 1, 8 de enero–14 de enero es la semana 2, etc. | Un mínimo de 52 semanas de datos con al menos un punto de datos para cada semana. |
Mensualmente | Meses de enero a diciembre. | Un mínimo de 12 meses de datos con al menos un punto de datos para cada mes. |
Trimestralmente | Trimestres del 1 al 4. | Un mínimo de cuatro trimestres de datos con al menos un punto de datos para cada trimestre. |
Anualmente | Años individuales. Por ejemplo, si el dataset incluye datos a partir de 2015 y termina en 2020, las subseries serían 2015, 2016, 2017, 2018, 2019 y 2020. | Un mínimo de cuatro años de datos con al menos un punto de datos para cada año. |
Ejemplo de estacionalidad
Desea ejecutar Descomposición temporal o Predicción utilizando la estacionalidad semanal para un dataset con datos recopilados diariamente desde enero de 2015 hasta diciembre de 2020. Sin embargo, el sistema para recopilar datos se desactiva cada año desde el 1 de enero hasta el 10 de enero para las actualizaciones y el mantenimiento, por lo que no se recopilan datos durante ese período. Para utilizar la estacionalidad semanal, los datos deben incluir al menos una ocurrencia de datos para cada semana. Puesto que la semana 1 (del 1 al 7 de enero) falta entera en los datos, no puede utilizar la estacionalidad semanal en el dataset. El resto de opciones de estacionalidad son compatibles con el dataset porque satisfacen los requisitos mínimos de datos y tienen al menos una ocurrencia para cada subserie mensual, trimestral y anual.
Para que el dataset sea compatible con la estacionalidad semanal, la desactivación programada se cambia al 2 de enero a partir de 2021. Los datos recopilados el 1 de enero de 2021 forman parte de la subserie 1 de la semana, de modo que el dataset tiene al menos un punto de datos para cada subserie.
Nota:
El requisito para un punto de datos por subserie es un requisito general, no un requisito anual. Por este motivo, el 2 de enero de 2021, el punto de datos cumple con el requisito, aunque no haya datos disponibles para la semana 1 desde 2015 hasta 2020.
Intervalos de predicción
Los intervalos de predicción se calculan mediante Predicción utilizando la siguiente ecuación de Hyndman y Athanasopoulos (2018, capítulo 7):
ŷT+h|T ± cσhDónde:
- ŷt=El valor medio de la distribución de la previsión a la hora t.
- ŷT+h|T=La previsión acumulada de ŷt hasta el tiempo T para h ciclos de horizonte de previsión.
- C=Probabilidad de cobertura
- σh=Raíz cuadrada de la varianza de la previsión
Limitaciones
La descomposición temporal y la previsión no admiten campos solamente temporales (campos fecha/hora con un componente temporal pero sin fechas).
Referencias
Hyndman, Rob J. y George Athanasopoulos. 2018. Previsión: principios y prácticas. 2.ª ed. Melbourne, Australia: OTexts. OTexts.com/fpp2.