El análisis de la serie temporal comprende métodos para analizar datos de series de tiempo para extraer estadísticas significativas y otras características de los datos. El pronóstico de series de tiempo es el uso de un modelo para predecir valores futuros basados en valores observados previamente. Si bien el análisis de regresión a menudo se emplea de tal manera que pruebe las relaciones entre una o más series de tiempo diferentes, este tipo de análisis generalmente no se llama «análisis de series de tiempo», que se refiere en particular a las relaciones entre diferentes puntos en el tiempo dentro de un solo serie. El análisis de series de tiempo interrumpidas se utiliza para detectar cambios en la evolución de una serie temporal de antes a después de alguna intervención que puede afectar la variable subyacente.
Los datos de la serie temporal tienen un pedido temporal natural. Esto hace que el análisis de series de tiempo sea distinto de los estudios transversales, en los que no existe un orden natural de las observaciones (por ejemplo, explicar los salarios de las personas por referencia a sus respectivos niveles de educación, donde los datos de los individuos podrían ingresarse en cualquier orden). El análisis de series de tiempo también es distinto del análisis de datos espaciales donde las observaciones se relacionan típicamente con las ubicaciones geográficas (por ejemplo, contabilizar los precios de la vivienda por la ubicación, así como las características intrínsecas de las casas). Un modelo estocástico para una serie de tiempo generalmente reflejará el hecho de que las observaciones muy juntas en el tiempo estarán más estrechamente relacionadas que las observaciones más separadas. Además, los modelos de series temporales a menudo utilizarán el orden natural de tiempo unidireccional para que los valores para un período dado se expresen como derivados de alguna manera de valores pasados, en lugar de valores futuros (ver reversibilidad del tiempo).
Una serie de tiempo es un tipo de datos de panel. Los datos del panel son la clase general, un conjunto de datos multidimensional, mientras que un conjunto de datos de series de tiempo es un panel unidimensional (al igual que un conjunto de datos de sección transversal). Un conjunto de datos puede exhibir características de datos de paneles y datos de series de tiempo. Una forma de saber es preguntar qué hace que un registro de datos sea único de los otros registros. Si la respuesta es el campo de datos de tiempo, entonces este es un candidato al conjunto de datos de la serie temporal. Si determinar un registro único requiere un campo de datos de tiempo y un identificador adicional que no esté relacionado con el tiempo (por ejemplo, ID de estudiante, símbolo de stock, código de país), entonces es candidato de datos del panel. Si la diferenciación se encuentra en el identificador que no es el tiempo, entonces el conjunto de datos es un candidato al conjunto de datos transversal.
¿Qué análisis de series temporales?
Como el acceso a este documento está restringido, es posible que desee buscar una versión diferente de él.
Todo el material en este sitio ha sido proporcionado por los respectivos editores y autores. Puede ayudar a corregir errores y omisiones. Al solicitar una corrección, mencione el manejo de este artículo: Repec: KAP: Compec: V: 49: Y: 2017: I: 2: D: 10.1007_S10614-015-9554-Z. Consulte Información general sobre cómo corregir el material en Repec.
Si ha escrito este artículo y aún no está registrado en RepEC, le recomendamos que lo haga aquí. Esto permite vincular su perfil a este elemento. También le permite aceptar posibles citas en este elemento del que no estamos seguros.
Si CITEC reconoció una referencia bibliográfica pero no vinculó un elemento en Repec para él, puede ayudar con este formulario.
Si sabe que faltan elementos que citan este, puede ayudarnos a crear esos enlaces agregando las referencias relevantes de la misma manera que anteriormente, para cada elemento de referencia. Si es un autor registrado de este artículo, también puede verificar la pestaña «Citas» en su perfil de servicio de autor Repec, ya que puede haber algunas citas esperando la confirmación.
Tenga en cuenta que las correcciones pueden tardar un par de semanas en filtrarse
Los diversos servicios repec.
¿Qué son los analisis de series temporales?
Las estadísticas son una ciencia muy joven. El progreso en estadísticas, análisis de datos y series de tiempo siempre ha dependido en gran medida de cuándo, dónde y cómo estaban disponibles los datos y en qué cantidad. El surgimiento del análisis de series de tiempo como disciplina está vinculada no solo a los desarrollos en la teoría de la probabilidad, sino también al desarrollo de estados nacionales estables, donde la mantenimiento de registros se convirtió por primera vez en un objetivo realizable e interesante. Cubrimos esto antes con respecto a una variedad de disciplinas. Ahora pensaremos en las series de tiempo en sí como una disciplina.
Un punto de referencia para el comienzo del análisis de series de tiempo como disciplina es la aplicación de modelos autorregresivos a datos reales. Esto no sucedió hasta la década de 1920. Udny Yule, un físico experimental convertido en profesor estadístico en la Universidad de Cambridge, aplicó un modelo autorregresivo a los datos de manchas solares, ofreciendo una nueva forma de pensar sobre los datos en contraste con los métodos diseñados para adaptarse a la frecuencia de una oscilación. Yule señaló que un modelo autorregresivo no comenzó con un modelo que asumió la periodicidad:
Cuando el análisis de periodograma se aplica a los datos que respetan cualquier fenómeno físico en la expectativa de obtener una o más periodicidades verdaderas, generalmente, como me parece, una tendencia a comenzar a partir de la hipótesis inicial de que la periodicidad o periodicidades están enmascaradas únicamente por tales tales. Fluctuaciones superpuestas más o menos aleatorias: fluctuaciones que de ninguna manera perturban de ninguna manera el curso estable de la función o funciones periódicas subyacentes… parece que no hay razón para asumir que es la hipótesis muy probablemente a priori.
El pensamiento de Yule era suyo, pero es probable que algunas influencias históricas lo llevaran a notar que el modelo tradicional presupuestó su propio resultado. Como ex físico experimental que había trabajado en el extranjero en Alemania (el epicentro para la floreciente teoría de la mecánica cuántica), Yule ciertamente habría sido consciente de los desarrollos recientes que destacaron la naturaleza probabilística de la mecánica cuántica. También habría reconocido los peligros de reducir el pensamiento de uno a un modelo que presupone demasiado, como lo habían hecho los físicos clásicos antes del descubrimiento de la mecánica cuántica.
¿Cuándo se dice que es relación de series temporales?
Si bien un monogamista en serie probablemente nunca ha estado casado o comprometido, tienden a tener antecedentes de relaciones a largo plazo. «Disfrutan profundizando una relación y acercándose a los demás, en lugar de mantener las cosas casuales y ligeras», explicó Diller. Esto no significa que deba saltar envío en cualquier momento con alguien que haya tenido múltiples relaciones serias anteriores, pero los expertos recomendaron tener cuidado con un patrón de compromiso temporal.
Pappenheim dijo que vivir con padres o con múltiples compañeros de cuarto puede ser una señal de un monogamista en serie. Mientras se requiere con compañeros de cuarto a menudo cuando viven en una gran ciudad con precios de alquiler con ásperas, si está saliendo con alguien que vive en casa o con demasiados compañeros de cuarto, esto podría ser una bandera roja. «[Es] como si todavía estuvieran en la universidad», dijo Pappenheim. Una persona que busca establecerse probablemente no necesite que sus padres los apoyen o múltiples compañeros de cuarto para que se alquilan y los mantengan entretenidos.
Diller sugirió que los monogamistas en serie tienden a tener fuertes lazos familiares propios, pero su pareja también debería tener interés en su familia y las relaciones personales. Pappenheim enumeró una falta de interés en conocer a la familia de su pareja como un signo que podría hacerle cuestionar las intenciones de su pareja.
Si ve a alguien que tiene poco interés en aprender sobre sus relaciones pasadas, podría ser un monogamista en serie. «Están en un viaje superficial», dijo Pappenheim. Parte de estar en una relación significativa es comprender el pasado de su pareja y aprender de él a medida que avanzan hacia un futuro juntos. Alguien que no le importa aprender sobre lo que has pasado puede no estar listo a largo plazo.
¿Cuándo usar series temporales?
Puede preguntar: ¿por qué no puedo usar una base de datos «normal» (es decir, no series no del tiempo)?
La verdad es que puedes, y algunas personas lo hacen. Pero, hay al menos dos razones por las cuales las bases de datos de la serie temporal son la categoría de bases de datos de más rápido crecimiento hoy en día: escala y usabilidad.
Los datos de la serie temporal se acumulan muy rápidamente, y las bases de datos normales no están diseñadas para manejar esa escala (al menos no de manera automatizada). Tradicionalmente, las bases de datos relacionales funcionan mal con conjuntos de datos muy grandes, mientras que las bases de datos NoSQL son mejores a escala (aunque una base de datos relacional ajustada para los datos de la serie de tiempo puede funcionar mejor, como lo hemos mostrado en puntos de referencia versus InfluxDB, versus Cassandra, y versus MongoDB).
Por otro lado, las bases de datos de la serie temporal, ya sean relacionales o basadas en NoSQL, incluyen eficiencias que solo son posibles cuando trata el tiempo como un ciudadano de primera clase. Estas eficiencias les permiten ofrecer una escala masiva, desde mejoras de rendimiento, incluidas las tasas de ingesta más altas y las consultas más rápidas a escala (aunque algunas respaldan más consultas que otras) hasta una mejor compresión de datos.
Los TSDB también incluyen funciones y operaciones incorporadas comunes al análisis de datos de la serie temporal, como políticas de retención de datos, consultas agregadas continuas, buceo de tiempo flexible, etc. Incluso si está comenzando a recopilar este tipo de datos y escala IS No es una preocupación en este momento, estas características aún pueden proporcionar una mejor experiencia de usuario y facilitar las tareas de análisis de datos. Tener funciones y características incorporadas para analizar las tendencias disponibles en la capa de datos a menudo lo lleva a descubrir las oportunidades que no sabía que existían, sin importar cuán grande o pequeño sea su conjunto de datos.
¿Qué es una serie temporal y cuál es su uso?
En diferentes situaciones, la estipulación de una política temporal para automóviles y motocicletas puede ser muy conveniente, lo que ofrece cobertura por un solo día hasta un cuarto o semestre.
También llamado seguro a tiempo, la póliza temporal es un contrato particular que no todas las empresas proponen y con la que puede obtener cobertura durante un período de tiempo limitado, incluso de un solo día. En muchas situaciones, la estipulación del seguro temporal podría representar la solución más conveniente, precisamente para no enfrentar todo el desembolso de la recompensa o medio de gusto.
La característica principal del seguro de tiempo es precisamente la posibilidad de activar la cobertura por un período de tiempo definido que en algunos casos puede ser trimestral o medio y media. En esencia, la diferencia con el RC clásico es precisamente temporal, aspecto que le permite ahorrar, precisamente porque la cantidad a apoyar será menor de lo que es necesario pagar en el vencimiento anual.
Luego debe considerarse que las políticas de automóviles y motocicletas que pueden estipularse de manera temporal no son las mismas y, en este sentido, las compañías ofrecen diferentes soluciones. El más común es sin duda el seguro que proporciona una expiración precisa cuando se firmará el contrato. Sin embargo, no hay falta de productos de seguro que impliquen la posibilidad de suspender la cobertura de acuerdo con necesidades específicas. Por lo tanto, en estas situaciones será necesario definir el momento en que el contrato de seguro seguirá siendo válido, y luego continuará con el pago de la prima pertinente.
Cuando se prevé la posibilidad de solicitar la suspensión temporal de la cobertura de seguro, en realidad no hacemos nada más que comprar una póliza anual normal que proporciona la cláusula de interrupción, de la que puede beneficiarse, por ejemplo, durante el período en que el vehículo es La bicicleta no se usará.
¿Cuándo es recomendable usar las series de tiempo?
El pronóstico de la serie temporal es posiblemente una de las áreas más comunes donde el aprendizaje automático se aplica en los negocios. Discutamos algunos casos de uso de nuestra experiencia y otros negocios.
Predecir la demanda del cliente es una tarea fundamental para las empresas que administran suministros y adquisiciones. Otra aplicación común es predecir precios y tarifas para productos y servicios que ajustan dinámicamente los precios dependiendo de la demanda y los objetivos de ingresos.
Como negocio de consultoría de tecnología de viajes, tuvimos experiencia trabajando con un gigante minorista japonés, Rakuten, que también tiene su sucursal de hospitalidad. Utilizamos los datos de la serie temporal de Rakuten en las ventas de sus habitaciones de hotel, así como cifras provienen de hoteles en competencia. Estos datos ayudaron a definir los precios más probables para ayudar a aumentar los ingresos. Las variables de estacionalidad consideraban los precios que dependen de los días de semana, las vacaciones y… bueno, temporadas. Las predicciones también consideran tendencias generales del mercado de hospitalidad.
El motor tiene una confianza del 75 por ciento de que las tarifas aumentarán pronto
Regalar al menos algunos de sus análisis es una estrategia particularmente buena para la industria de viajes y, en general, todas las empresas que conectan a las personas con proveedores de servicios finales. Si tiene datos estacionales o de tendencia sobre los hoteles que la gente disfruta durante la Navidad, ¿por qué no convertirlos en recomendaciones?
La detección de anomalías es una de las tareas comunes de aprendizaje automático que busca valores atípicos en la forma en que normalmente se distribuyen los puntos de datos. Si bien no necesariamente tiene que ser datos de series de tiempo, la detección de anomalías a menudo va de la mano. La detección de anomalías en las series de tiempo implica encontrar picos o valles irregulares que se desvíen significativamente de la forma en que se ven las temporadas y las tendencias.
Artículos Relacionados:
