En este documento, demostraremos los pocos pasos para convertir los datos brutos de una serie de tiempo en un pronóstico robusto usando NumXL.
Como ejemplo estamos usando la demanda mensual de energía eléctrica (en MWh) para la ciudad de Jeddeh (Arabia Saudita) entre 2003 y 2010.
Las series de tiempo en la figura que se muestra enteriormente demuestran una estacionalidad de doce (12) meses y una tendencia en ascenso sobre el tiempo.
Estos datos se pueden explicar desglosando la demanda de energía en sus componentes primarios: (1) la demanda industrial, y (2) la demanda residencial y de negocios. La demanda residencial y empresarial está influenciada por patrones climáticos (e.g. estaciones). Esto se puede apreciar a través del incremento o disminución del uso de electricidad usada en calefacción o aires acondicionados. Por otra parte, la demanda empresarial es bastante plana. Como ingreso, dicha demanda es determinada básicamente por las condiciones económicas de la ciudad o de la industria, y en un menor grado, por parámetros climáticos.
Paso 1: Resumen estadístico
Usando la barra de herramientas de NumXL, introduzcamos la herramienta de estadística descriptiva.
Para nuestra ilustración, mantendremos todas las opciones seleccionadas. Para el resultado, seleccionen la celda donde les gustaría que se escriba la tabla:
IMPORTANTE:
En la tabla anterior, NumXL genera las fórmulas dentro de su hoja de cálculo. Este cálculo se puede revisar fácilmente y, de ser necesario, es posible hacerle los cambios apropiados.
Paso 2: Análisis del correlograma
Usando la barra de herramientas de NumXL,introduzcamos la herramienta de correlograma:
Para esta ilustración, vamos a calcular y a graficar el ACF y el PACF para los primeros 20 retrasos.
La gráfica ACF demuestra un clásico caso para el modelo de aerolínea con una duración del ciclo de 12 pasos.
Paso 3: Transformación de los datos
No hay necesidad de transformar los datos antes de modelarlos. El modelo de aerolínea estabilizará las series de ingreso a través de los términos de diferenciación en su definición.
Paso 4: Modelado
Usando NumXL, el proceso de modelado consiste en 3 pasos fundamentales: (1A) especificación del modelo, (2B) calibrado y (3C) diagnóstico de residuos.
1A: Especificación del modelo
Hagamos click en el ícono de la aerolínea en la barra de herramientas de NumXL.
NumXL preparará una tabla en nuestra hoja de cáculo con modelos de coeficiente, idoneidad del ajuste y rutinas de diagnóstico residual. Nota: los valores del modelo no son óptimos aún.
2B: Modelo de calibrado
Seleccionemos la celda desde donde el modelo de la tabla empieza (i.e. AEROLÍNEA(12)). Hagamos click en el ícono de “calibrado” en la barra de herramientas.
El diálogo de solución MS se abrirá en la pantalla con las especificaciones del modelo completas . Hagamos click en Solve.
3C: Diagnóstico residual/h3>
Las rutinas de diagnóstico residual están ya completadas en nuestra hoja de cálculo con el modelo de parámetro. Ahora es un buen momento para re examinar si el modelo óptimo satisface las conjeturas subyacentes.
Paso 5: Pronóstico
Para efectuar un pronóstico usando NumXL, seleccionemos la celda de la tabla del modelo (i.e. Aerolínea). Hagamos click en el ícono de “Pronóstico” en la barra de herramientas.
La herramienta de pronóstico aparecerá. Seleccionemos las observaciones realizadas (i.e. puntos en la cola de nuestros datos de muestra), y el horizonte de pronóstico en unidades de pasos.
Para esta ilustración se escogieron las últimas 23 observaciones en los datos de muestra, luego el horizonte de pronóstico fue programado en 30 pasos (o unidades) como se muestra arriba.
Grafiquemos el pronóstico y sus intervalos de confianza.
Comentarios
Inicie sesión para dejar un comentario.