IBM SPSS Forecasting PDF
IBM SPSS Forecasting PDF
IBM SPSS Forecasting PDF
Nota
Antes de utilizar esta informacin y el producto al que da soporte, lea la informacin del apartado Avisos en la pgina
67.
Informacin de producto
Esta edicin se aplica a la versin 23, release 0, modificacin 0 de IBM SPSS Statistics y a todos lo releases y
modificaciones posteriores hasta que se indique lo contrario en ediciones nuevas.
Contenido
Captulo 1. Introduccin a las series Captulo 6. Modelos causales
temporales . . . . . . . . . . . . . 1 temporales . . . . . . . . . . . . . 31
Datos de serie temporal. . . . . . . . . . . 1 Obtener un modelo causal temporal . . . . . . 32
Transformaciones de los datos . . . . . . . . 2 Serie temporal para modelar. . . . . . . . . 32
Perodos de estimacin y de validacin . . . . . 2 Seleccionar valores de dimensin . . . . . . 33
Generacin de modelos y produccin de previsiones 3 Observaciones . . . . . . . . . . . . . 34
Intervalo de tiempo del anlisis. . . . . . . . 35
Captulo 2. Modelizador de series Agregacin y distribucin . . . . . . . . . 35
temporales . . . . . . . . . . . . . 5 Valores que faltan . . . . . . . . . . . . 36
Opciones de datos generales. . . . . . . . . 37
Especificacin de opciones para el modelizador
Opciones de generacin generales . . . . . . . 37
experto . . . . . . . . . . . . . . . . 7
Serie que se va a visualizar . . . . . . . . . 37
Seleccin de modelo y especificacin de eventos . 7
Opciones de resultados . . . . . . . . . . 38
Tratamiento de valores atpicos con el
Periodo de estimacin . . . . . . . . . . . 41
modelizador experto. . . . . . . . . . . 8
Previsin . . . . . . . . . . . . . . . 41
Modelos personalizados de suavizado exponencial . 8
Guardar . . . . . . . . . . . . . . . 41
Modelos ARIMA personalizados . . . . . . . . 9
Resultado interactivo . . . . . . . . . . . 42
Especificacin de modelo para modelos ARIMA
personalizados. . . . . . . . . . . . . 9
Funciones de transferencia en modelos ARIMA Captulo 7. Aplicacin de modelos
personalizados . . . . . . . . . . . . 10 causales temporales . . . . . . . . . 45
Valores atpicos en modelos ARIMA Aplicacin de modelos causales temporales. . . . 45
personalizados . . . . . . . . . . . . 11 Previsin del modelo causal temporal . . . . . 45
Resultados. . . . . . . . . . . . . . . 12 Utilizar previsiones de modelos causales
Tablas de estadsticos y previsiones . . . . . 12 temporales . . . . . . . . . . . . . 45
Grficos . . . . . . . . . . . . . . 13 Parmetros y previsiones de modelo . . . . . 46
Limitacin de resultados para los modelos de Opciones generales . . . . . . . . . . . 47
mejor o peor ajuste . . . . . . . . . . . 14 Serie que se va a visualizar . . . . . . . . 47
Almacenamiento de predicciones de modelos y Opciones de resultados . . . . . . . . . 48
especificaciones de modelo . . . . . . . . . 14 Guardar . . . . . . . . . . . . . . 50
Opciones . . . . . . . . . . . . . . . 15 Escenarios de modelos causales temporales . . . . 51
Caractersticas adicionales del comando TSMODEL 16 Ejecutar escenarios de modelos causales
temporales . . . . . . . . . . . . . 51
Captulo 3. Aplicar modelos de series Definicin del periodo del escenario . . . . . 52
temporales . . . . . . . . . . . . . 17 Adicin de escenarios y grupos de escenarios . . 52
Opciones . . . . . . . . . . . . . . 56
Resultados. . . . . . . . . . . . . . . 19
Tablas de estadsticos y previsiones . . . . . 19
Grficos . . . . . . . . . . . . . . 20 Captulo 8. Medidas de la bondad de
Limitacin de resultados para los modelos de ajuste . . . . . . . . . . . . . . . 59
mejor o peor ajuste . . . . . . . . . . . 21
Almacenamiento de predicciones de modelos y Captulo 9. Tipos de valores atpicos 61
especificaciones de modelo . . . . . . . . . 21
Opciones . . . . . . . . . . . . . . . 22
Captulo 10. Gua de los grficos de la
Caractersticas adicionales del comando TSAPPLY 23
funcin de autocorrelacin simple
Captulo 4. Descomposicin estacional 25 (FAS) y parcial (FAP). . . . . . . . . 63
Descomposicin estacional: Guardar . . . . . . 26
Caractersticas adicionales del comando SEASON . 26 Avisos . . . . . . . . . . . . . . . 67
Marcas comerciales . . . . . . . . . . . . 69
Captulo 5. Diagramas espectrales . . . 27
Caractersticas adicionales del comando SPECTRA 29 ndice . . . . . . . . . . . . . . . 71
iii
iv IBM SPSS Forecasting 23
Captulo 1. Introduccin a las series temporales
Una serie temporal es un conjunto de observaciones que se obtiene midiendo una variable nica de
manera regular a lo largo de un perodo de tiempo. Por ejemplo, en una serie de los datos de inventario,
las observaciones pueden representar los niveles diarios de inventario durante varios meses. Una serie
que muestra las cuotas de mercado de un producto puede consistir en las cuotas de mercado semanales
registradas durante varios aos. Una serie de las cifras de ventas totales puede consistir en una
observacin mensual durante muchos aos. Lo que estos ejemplos tienen en comn es que se ha
observado alguna variable a intervalos conocidos y regulares a lo largo de un cierto perodo de tiempo.
Por lo tanto, la forma de los datos para una serie temporal habitual es una secuencia o lista de
observaciones nica que representa mediciones tomadas a intervalos regulares.
Tabla 1. Serie temporal de inventario diario
Hora Semana Da Nivel de inventario
t1 1 Lunes 160
t2 1 Martes 135
t3 1 Mircoles 129
t4 1 Jueves 122
t5 1 Viernes 108
t6 2 Lunes 150
...
t60 12 Viernes 120
Una de las razones ms importantes para realizar el anlisis de las series temporales es intentar prever
los valores futuros de la serie. Un modelo de la serie que explique los valores pasados tambin puede
predecir si aumentarn o disminuirn los prximos valores y en qu medida lo harn. La capacidad de
realizar dichas predicciones correctamente es muy importante para cualquier negocio o disciplina
cientfica.
Nota: Los datos que se importan desde cubos de OLAP como, por ejemplo, de IBM Cognos
TM1, se representan como datos multidimensionales.
Consulte la Manual del usuario del sistema bsico si desea informacin detallada sobre transformaciones de
datos para series temporales.
Los casos del perodo de validacin se suelen denominar casos reservados porque no se incluyen en el
proceso de generacin de modelos. Cuando considere que el modelo realiza un trabajo adecuado de
previsin, puede volver a definir el perodo de estimacin para incluir los casos reservados y, a
continuacin, crear el modelo final.
2 IBM SPSS Forecasting 23
Generacin de modelos y produccin de previsiones
El mdulo adicional Prediccin proporciona dos procedimientos para llevar a cabo las tareas de crear
modelos y producir previsiones.
v El procedimiento Captulo 2, Modelizador de series temporales, en la pgina 5 crea modelos de series
temporales y genera previsiones. Incluye un modelizador experto que determina automticamente el
mejor modelo para cada serie temporal. Para analistas experimentados que buscan un mayor grado de
control, tambin ofrece herramientas para la generacin de modelos personalizados.
v El procedimiento Captulo 3, Aplicar modelos de series temporales, en la pgina 17 aplica modelos
de series temporales creados por el modelizador de series temporales al conjunto de datos activo. Esto
permite obtener previsiones para series que cuentan con datos nuevos o revisados sin tener que volver
a generar los modelos. Si existe un motivo para pensar que un modelo ha cambiado, se puede volver a
generar mediante el modelizador de series temporales.
Estadsticos. Medidas de bondad de ajuste: R cuadrado estacionaria, R cuadrado (R 2), raz de la media
cuadrtica de los errores (RMSE), media del error absoluto (MAE), error absoluto porcentual promedio
(MAPE), error absoluto mximo (MaxAE), error porcentual absoluto mximo (MaxAPE) y criterio de
informacin bayesiano (BIC) normalizado. Residuos: funcin de autocorrelacin, funcin de
autocorrelacin parcial, Ljung-Box Q. Para modelos ARIMA: rdenes ARIMA para variables dependientes,
rdenes de la funcin de transferencia para variables independientes y estimaciones de valores atpicos.
Adems, se utilizan estimaciones de parmetros de suavizado para modelos de suavizado exponencial.
Datos. La variable dependiente y todas las variables independientes deben ser numricas.
Supuestos. La variable dependiente y todas las variables independientes se tratan como series
temporales, lo que significa que cada caso representa un punto del tiempo, los casos son consecutivos
separados por un intervalo de tiempo constante.
v Estacionariedad. Para los modelos ARIMA personalizados, la serie temporal que se va a modelar debe
ser estacionaria. La manera ms eficaz de transformar una serie no estacionaria en una estacionaria, es
mediante una transformacin de diferencia, disponible en el cuadro de dilogo Cuadro de dilogo
Crear serie temporal.
v Previsiones. Para generar previsiones mediante modelos con variables independientes (predictoras), el
conjunto de datos activo debe contener valores de estas variables para todos los casos del perodo de
previsin. Adems, las variables independientes no pueden contener ningn valor perdido en el
perodo de estimacin.
5
Definicin de fechas
Aunque no es obligatorio, se recomienda el uso del cuadro de dilogo Definir fechas, para especificar la
fecha asociada al primer caso y el intervalo de tiempo entre los casos sucesivos. Esto se debe hacer antes
de utilizar el modelizador de series temporales y ofrece como resultado un conjunto de variables que
etiquetan la fecha asociada a cada caso. De este modo se establece tambin una periodicidad asumida de
los datos (por ejemplo, una periodicidad de 12 si el intervalo de tiempo entre los casos sucesivos es un
mes). Esta periodicidad es necesaria si desea crear modelos estacionales. Si no desea crear modelos
estacionales y no necesita etiquetas de fecha en los resultados, puede omitir el cuadro de dilogo Definir
fechas. La etiqueta asociada a cada caso es sencillamente el nmero de caso.
Si lo desea, puede:
v Seleccionar una o ms variables independientes. Las variables independientes se tratan de forma muy
similar a las variables predictoras del anlisis de regresin, aunque son opcionales. Se pueden incluir
en modelos ARIMA, pero no en modelos de suavizado exponencial. Si especifica Modelizador experto
como el mtodo de modelado e incluye variables independientes, slo se tienen en cuenta los modelos
ARIMA.
v Pulsar en Criterios para especificar los detalles del modelado.
v Guardar las predicciones, los intervalos de confianza y los residuos de ruido.
v Guardar los modelos estimados en formato XML. Los modelos guardados se pueden aplicar a datos
nuevos o revisados para obtener previsiones actualizadas sin necesidad de volver a generar los
modelos.
v Obtener estadsticos de resumen para todos los modelos estimados.
v Especificar las funciones de transferencia para las variables independientes de los modelos ARIMA
personalizados.
v Activar la deteccin automtica de valores atpicos.
v Modelar determinados puntos de tiempo como valores atpicos para los modelos ARIMA
personalizados.
Mtodos de modelado
Modelizador experto. El modelizador experto busca automticamente el modelo que mejor se ajusta a
cada serie dependiente. Si se especifican variables independientes (predictoras), el modelizador experto
selecciona, para su inclusin en los modelos ARIMA, las que tienen una relacin estadsticamente
significativa con la serie dependiente. Las variables del modelo se transforman cuando es necesario
mediante una diferenciacin y/o una raz cuadrada o una transformacin logartmica natural. De forma
predeterminada, el modelizador experto tiene en cuenta tanto los modelos de suavizado exponencial
Suavizado exponencial. Utilice esta opcin para especificar un modelo de suavizado exponencial
personalizado. Puede elegir entre una amplia variedad de modelos de suavizado exponencial que difieren
en el tratamiento de la tendencia y la estacionalidad.
ARIMA. Utilice esta opcin para especificar un modelo ARIMA personalizado. Esto implica la
especificacin explcita de rdenes autorregresivos y de media mvil adems del grado de diferenciacin.
Puede incluir variables independientes (predictoras) y definir las funciones de transferencia para alguna o
todas las variables. Adems, puede especificar la deteccin automtica de valores atpicos o especificar un
conjunto explcito de valores atpicos.
Perodo de estimacin. El perodo de estimacin define el conjunto de casos utilizados para determinar el
modelo. De forma predeterminada, el perodo de estimacin incluye todos los casos del conjunto de datos
activo. Para establecer el periodo de estimacin, seleccione Basndose en el rango del tiempo o de los
casos en el cuadro de dilogo Seleccionar casos. Segn los datos disponibles, el perodo de estimacin
utilizado por el procedimiento puede variar segn la variable dependiente y, por consiguiente, ser
distinto del valor mostrado. Para una variable dependiente determinada, el perodo de estimacin real es
el perodo restante tras la eliminacin de todos los valores perdidos contiguos de la variable al principio
o al final del perodo especificado.
Perodo de previsin. El perodo de previsin empieza en el primer caso despus del perodo de
estimacin y, de forma predeterminada, llega hasta el ltimo caso del conjunto de datos activo. Puede
establecer el final del perodo de previsin en la pestaa Opciones.
El modelizador experto considera modelos estacionales. Esta opcin slo est activada si se ha definido
una periodicidad para el conjunto de datos activo. Si esta opcin est seleccionada (marcada), el
modelizador experto tiene en cuenta los modelos tanto estacionales como no estacionales. Si esta opcin
no est seleccionada, el modelizador experto slo tiene en cuenta los modelos no estacionales.
Periodicidad actual. Indica la periodicidad (si la hay) definida actualmente para el conjunto de datos
activo. La periodicidad actual se expresa como un nmero entero (por ejemplo, 12 para la periodicidad
Eventos. Seleccione las variables independientes que se deben tratar como variables de evento. En las
variables de evento, los casos con un valor igual a 1 indican las ocasiones en que se prev que la serie
dependiente se ve afectada por el evento. Los valores distintos de 1 indican que no se produce ningn
efecto.
1. Gardner, E. S. 1985. Exponential smoothing: The state of the art. Journal of Forecasting, 4, 1-28.
Periodicidad actual. Indica la periodicidad (si la hay) definida actualmente para el conjunto de datos
activo. La periodicidad actual se expresa como un nmero entero (por ejemplo, 12 para la periodicidad
anual, donde cada caso representa un mes). El valor Ninguna se muestra si no se ha establecido ninguna
periodicidad. Los modelos estacionales requieren una periodicidad. Puede establecer la periodicidad en el
cuadro de dilogo Definir fechas.
Transformacin de las variables dependientes. Puede especificar una transformacin para que se lleve a
cabo sobre cada variable dependiente antes de su modelado.
v Ninguna. No se lleva a cabo ninguna transformacin.
v Raz cuadrada. Transformacin de raz cuadrada.
v Log natural. Transformacin de logaritmo natural.
rdenes ARIMA. Escriba valores para los distintos componentes ARIMA del modelo en las casillas
correspondientes de la cuadrcula Estructura. Todos los valores deben ser enteros no negativos. Para los
componentes autorregresivos y de media mvil, el valor representa el orden mximo. Todos los rdenes
inferiores positivos se incluyen en el modelo. Por ejemplo, si especifica 2, el modelo incluye los rdenes 2
y 1. Las casillas de la columna Cclico slo se activan si se ha definido una periodicidad para el conjunto
de datos activo (vase "Periodicidad actual" a continuacin).
2. Box, G. E. P., G. M. Jenkins, and G. C. Reinsel. 1994. Time series analysis: Forecasting and control, 3rd ed. Englewood Cliffs, N.J.:
Prentice Hall.)
Periodicidad actual. Indica la periodicidad (si la hay) definida actualmente para el conjunto de datos
activo. La periodicidad actual se expresa como un nmero entero (por ejemplo, 12 para la periodicidad
anual, donde cada caso representa un mes). El valor Ninguna se muestra si no se ha establecido ninguna
periodicidad. Los modelos estacionales requieren una periodicidad. Puede establecer la periodicidad en el
cuadro de dilogo Definir fechas.
Transformacin de las variables dependientes. Puede especificar una transformacin para que se lleve a
cabo sobre cada variable dependiente antes de su modelado.
v Ninguna. No se lleva a cabo ninguna transformacin.
v Raz cuadrada. Transformacin de raz cuadrada.
v Log natural. Transformacin de logaritmo natural.
Incluir constante en el modelo. La inclusin de una constante es estndar a menos que est seguro de
que el valor de la media global de la serie es 0. Se recomienda la exclusin de la constante si se aplica la
diferenciacin.
rdenes de la funcin de transferencia. Escriba valores para los distintos componentes de la funcin de
transferencia en las casillas correspondientes de la cuadrcula Estructura. Todos los valores deben ser
enteros no negativos. Para los componentes de numerador y denominador, el valor representa el orden
mximo. Todos los rdenes inferiores positivos se incluyen en el modelo. Adems, el orden 0 siempre se
incluye para los componentes de numerador. Por ejemplo, si especifica 2 para el numerador, el modelo
incluye los rdenes 2, 1 y 0. Si especifica 3 para el denominador, el modelo incluye los rdenes 3, 2 y 1.
Periodicidad actual. Indica la periodicidad (si la hay) definida actualmente para el conjunto de datos
activo. La periodicidad actual se expresa como un nmero entero (por ejemplo, 12 para la periodicidad
anual, donde cada caso representa un mes). El valor Ninguna se muestra si no se ha establecido ninguna
periodicidad. Los modelos estacionales requieren una periodicidad. Puede establecer la periodicidad en el
cuadro de dilogo Definir fechas.
Retardo. Establecer un retardo provoca que la influencia de la variable independiente se retrase segn el
nmero de intervalos especificados. Por ejemplo, si el retardo se establece en 5, el valor de la variable
independiente en el tiempo t no afecta a las previsiones hasta que han transcurrido cinco perodos (t + 5).
No detectar valores atpicos ni modelarlos. De forma predeterminada, los valores atpicos no se detectan
ni modelan. Seleccione esta opcin para desactivar la deteccin o el modelado de valores atpicos.
Detectar automticamente los valores atpicos. Seleccione esta opcin para realizar una deteccin
automtica de valores atpicos y seleccione uno o ms de los siguientes tipos de valores atpicos:
v Aditivo
3. Pena, D., G. C. Tiao, and R. S. Tsay, eds. 2001. A course in time series analysis. New York: John Wiley and Sons.
Consulte el tema Captulo 9, Tipos de valores atpicos, en la pgina 61 para obtener ms informacin.
Modelar determinados puntos de tiempo como valores atpicos. Seleccione esta opcin para especificar
puntos de tiempo concretos como valores atpicos. Utilice una fila independiente de la cuadrcula
Definicin de valores atpicos para cada valor atpico. Escriba valores para todas las casillas de una fila.
v Tipo. Es el tipo de valor atpico. Los tipos con soporte son: aditivo (valor predeterminado), cambio de
nivel, innovador, transitorio, aditivo estacional y tendencia local.
Nota 2: la columna Ciclo (si aparece) de la cuadrcula Definicin de valores atpicos hace referencia al
valor de la variable CYCLE_ del conjunto de datos activo.
Resultados
Los resultados disponibles incluyen tanto los de los modelos individuales como los calculados en todos
los modelos. Los resultados de los modelos individuales se pueden limitar a un conjunto de modelos que
mejor o peor se ajustan segn los criterios especificados por el usuario.
Mostrar medidas de ajuste, estadstico Ljung-Box y nmero de valores atpicos por modelo. Seleccione
(marque) esta opcin para mostrar una tabla con las medidas de ajuste seleccionadas, el valor de
Ljung-Box y el nmero de valores atpicos para cada modelo estimado.
Medidas de ajuste. Puede seleccionar una o ms de las siguientes opciones para su inclusin en la tabla
que contiene las medidas de ajuste para cada modelo estimado:
v R cuadrado estacionaria
v R cuadrado
v Raz de la media cuadrtica de los errores
v Media del error porcentual absoluto
v Media del error absoluto
v Error porcentual absoluto mximo
v Error absoluto mximo
v BIC normalizado
Estadsticos de comparacin de modelos. Este grupo de opciones controla la visualizacin de las tablas
que contienen los estadsticos calculados en todos los modelos estimados. Cada opcin genera una tabla
independiente. Puede seleccionar una o ms de las siguientes opciones:
Estadsticos de modelos individuales. Este grupo de opciones controla la visualizacin de las tablas que
contienen informacin detallada para cada modelo estimado. Cada opcin genera una tabla
independiente. Puede seleccionar una o ms de las siguientes opciones:
v Estimaciones de los parmetros. Muestra una tabla de estimaciones de parmetros para cada modelo
estimado. Se muestran tablas independientes para los modelos de suavizado exponencial y ARIMA. Si
existen valores atpicos, las estimaciones de parmetros para dichos valores se muestran tambin en
una tabla independiente.
v Funcin de autocorrelacin simple (FAS) de residuo. Muestra una tabla con las autocorrelaciones de
residuospor retardo para cada modelo estimado. La tabla incluye los intervalos de confianza para las
autocorrelaciones.
v Funcin de autocorrelacin parcial (FAP) de residuo. Muestra una tabla con las autocorrelaciones
parciales residuales por retardo para cada modelo estimado. La tabla incluye los intervalos de
confianza para las autocorrelaciones parciales.
Mostrar previsiones. Muestra una tabla con las previsiones de modelo y los intervalos de confianza para
cada modelo estimado. El perodo de previsin se establece en la pestaa Opciones.
Grficos
La pestaa Grficos proporciona opciones para la presentacin de grficos con los resultados del
modelado.
Este grupo de opciones controla la visualizacin de los grficos que contienen los estadsticos calculados
en todos los modelos estimados. Cada opcin genera un grfico independiente. Puede seleccionar una o
ms de las siguientes opciones:
v R cuadrado estacionaria
v R cuadrado
v Raz de la media cuadrtica de los errores
v Media del error porcentual absoluto
v Media del error absoluto
v Error porcentual absoluto mximo
v Error absoluto mximo
v BIC normalizado
v Funcin de autocorrelacin simple (FAS) de residuo
v Funcin de autocorrelacin parcial (FAP) de residuo
Serie. Seleccione (marque) esta opcin para obtener los grficos de los valores pronosticados para cada
modelo estimado. Puede seleccionar una o ms de las siguientes opciones para su inclusin en el grfico:
v Valores observados. Son los valores observados de la serie dependiente.
Funcin de autocorrelacin simple (FAS) de residuo. Muestra un grfico con las autocorrelaciones de
residuospara cada modelo estimado.
Funcin de autocorrelacin parcial (FAP) de residuo. Muestra un grfico con las autocorrelaciones
parciales residuales para cada modelo estimado.
Modelos que mejor se ajustan. Seleccione (marque) esta opcin para incluir los modelos que mejor se
ajustan en los resultados. Seleccione una medida de bondad de ajuste y especifique el nmero de
modelos que se van a incluir. La seleccin de esta opcin no excluye la seleccin de los modelos que peor
se ajustan. En este caso, los resultados incluyen tanto los modelos que peor se ajustan como los que mejor
se ajustan.
v Nmero fijo de modelos. Especifica que los resultados se muestran para los n modelos que mejor se
ajustan. Si este nmero es superior al nmero de modelos estimados, se muestran todos los modelos.
v Porcentaje del nmero total de modelos. Especifica que los resultados se muestran para los modelos
con valores de bondad de ajuste en el porcentaje n superior de todos los modelos estimados.
Modelos que peor se ajustan. Seleccione (marque) esta opcin para incluir los modelos que peor se
ajustan en los resultados. Seleccione una medida de bondad de ajuste y especifique el nmero de
modelos que se van a incluir. La seleccin de esta opcin no excluye la seleccin de los modelos que
mejor se ajustan. En este caso, los resultados incluyen tanto los modelos que mejor se ajustan como los
que peor se ajustan.
v Nmero fijo de modelos. Especifica que los resultados se muestran para los n modelos que peor se
ajustan. Si este nmero es superior al nmero de modelos estimados, se muestran todos los modelos.
v Porcentaje del nmero total de modelos. Especifica que los resultados se muestran para los modelos
con valores de bondad de ajuste en el porcentaje n inferior de todos los modelos estimados.
Medida de la bondad de ajuste. Seleccione la medida de bondad de ajuste que se va a utilizar para
filtrar los modelos. El valor predeterminado es R cuadrado estacionaria.
Guardar variables. Puede guardar predicciones del modelo, intervalos de confianza y residuos como
variables nuevas en el conjunto de datos activo. Cada serie dependiente genera su propio conjunto de
variables nuevas y cada variable nueva contiene valores para los perodos de estimacin y prediccin. Se
aaden casos nuevos si el perodo de previsin se ampla ms all de la duracin de la serie de variables
Exportar archivo de modelo. Las especificaciones de modelo para todos los modelos estimados se
exportan al archivo especificado en formato XML. Los modelos guardados se pueden utilizar para
obtener previsiones .
v Archivo XML. Las especificaciones de modelo se guardan en un archivo XML que se puede utilizar
con IBM SPSS aplicaciones.
v Archivo PMML. Las especificaciones de modelo se guardan en un archivo XML compatible con
PMML que se puede utilizar con aplicaciones compatibles con PMML, incluidas aplicaciones IBM SPSS.
Opciones
La pestaa Opciones le permite establecer el perodo de previsin, especificar el tratamiento de los
valores perdidos, establecer el ancho del intervalo de confianza, especificar un prefijo personalizado para
los identificadores de modelo y establecer el nmero de retardos mostrados para las autocorrelaciones.
Perodo de previsin. El perodo de previsin siempre empieza con el primer caso despus del final del
perodo de estimacin (conjunto de casos utilizado para determinar el modelo) y se extiende hasta el
ltimo caso del conjunto de datos activo o hasta una fecha especificada por el usuario. De forma
predeterminada, el final del perodo de estimacin es el ltimo caso del conjunto de datos activo, aunque
se puede cambiar en el cuadro de dilogo Seleccionar casos seleccionando Basndose en el rango del
tiempo o de los casos.
v Primer caso despus del final del perodo de estimacin hasta el ltimo caso del conjunto de datos
activo. Seleccione esta opcin si el final del perodo de estimacin es anterior al ltimo caso del
conjunto de datos activo y desea obtener previsiones hasta el ltimo caso. Esta opcin se suele utilizar
para generar previsiones para un perodo de datos reservados, lo que permite la comparacin de las
predicciones del modelo con un subconjunto de los valores que existen.
v Primer caso despus del final del perodo de estimacin hasta una fecha especificada. Seleccione esta
opcin para especificar de forma explcita el final del perodo de previsin. Esta opcin se suele utilizar
para generar previsiones ms all del final de la serie actual. Escriba valores para todas las casillas de
la cuadrcula Fecha.
Si no se ha definido ninguna especificacin de fecha para el conjunto de datos activo, la cuadrcula
Fecha muestra slo la columna Observacin. Para especificar el final del perodo de previsin, escriba el
nmero de fila (tal como aparece en el Editor de datos) del caso correspondiente.
La columna Ciclo (si aparece) de la cuadrcula Fecha hace referencia al valor de la variable CYCLE_ del
conjunto de datos activo.
Valores perdidos del usuario. Estas opciones controlan el tratamiento de los valores perdidos del
usuario.
v Tratar como no vlidos. Los valores perdidos del usuario reciben el mismo tratamiento que los valores
perdidos del sistema.
Poltica de valores perdidos. Las siguientes reglas se aplican al tratamiento de los valores perdidos
(incluye los valores perdidos del sistema y los valores perdidos del usuario tratados como no vlidos)
durante el procedimiento de modelado:
v Los casos con valores perdidos de una variable dependiente que se producen durante el perodo de
estimacin se incluyen en el modelo. El tratamiento especfico del valor perdido depende del mtodo
de estimacin.
v Se genera una advertencia si una variable independiente tiene valores perdidos en el perodo de
estimacin. Para el modelizador experto, los modelos que implican la variable independiente se
estiman sin la variable. Para los modelos ARIMA personalizados, no se estiman los modelos que
implican la variable independiente.
v Si una variable independiente tiene valores perdidos en el perodo de previsin, el procedimiento
genera una advertencia y realiza previsiones en la medida de lo posible.
Ancho del intervalo de confianza (%). Los intervalos de confianza se calculan para las predicciones del
modelo y las autocorrelaciones residuales. Puede especificar cualquier valor positivo menor que 100. De
forma predeterminada, se utiliza un intervalo de confianza de 95 %.
Prefijo de los identificadores de modelo de los resultados. Cada variable dependiente especificada en la
pestaa Variables genera un modelo estimado independiente. Los modelos se distinguen mediante
nombres exclusivos compuestos por un prefijo personalizable y un sufijo entero. Puede escribir un prefijo
o dejar el valor predeterminado de Modelo.
Nmero mximo de retardos que se muestran en resultados de las FAS y FAP. Puede establecer el
nmero mximo de retardos que se muestran en las tablas y en los grficos de autocorrelaciones y
autocorrelaciones parciales.
Estadsticos. Medidas de bondad de ajuste: R cuadrado estacionaria, R cuadrado (R 2), raz de la media
cuadrtica de los errores (RMSE), media del error absoluto (MAE), error absoluto porcentual promedio
(MAPE), error absoluto mximo (MaxAE), error porcentual absoluto mximo (MaxAPE) y criterio de
informacin bayesiano (BIC) normalizado. Residuos: funcin de autocorrelacin, funcin de
autocorrelacin parcial y Q de Ljung-Box.
Datos. Las variables (dependientes e independientes) a las que se aplican los modelos deben ser
numricas.
Supuestos. Los modelos se aplican a las variables del conjunto de datos activo con los mismos nombres
que las variables especificadas en el modelo. Todas estas variables se tratan como series temporales, lo
que significa que cada caso representa un punto del tiempo, los casos son consecutivos separados por un
intervalo de tiempo constante.
v Previsiones. Para generar previsiones mediante modelos con variables independientes (predictoras), el
conjunto de datos activo debe contener valores de estas variables para todos los casos del perodo de
previsin. Si se vuelven a estimar los parmetros del modelo, las variables independientes no pueden
contener ningn valor perdido en el perodo de estimacin.
Definicin de fechas
El procedimiento Aplicar modelos de series temporales requiere que la periodicidad, si existe, del
conjunto de datos activo coincida con la periodicidad de los modelos que se van a aplicar. Si slo va a
generar previsiones con el mismo conjunto de datos (quiz con datos nuevos o revisados) que el utilizado
para generar el modelo, esta condicin se cumple. Si no se da ninguna periodicidad para el conjunto de
datos activo, tiene la posibilidad de desplazarse hasta el cuadro de dilogo Definir fechas para crear una.
No obstante, si los modelos se crean sin especificar ninguna periodicidad, el conjunto de datos activo no
puede tener tampoco ninguna periodicidad.
Si lo desea, puede:
v Volver a estimar los parmetros del modelo con los datos del conjunto de datos activo. Las previsiones
se crean con los parmetros que se han vuelto a estimar.
v Guardar las predicciones, los intervalos de confianza y los residuos de ruido.
v Guardar los modelos que se han vuelto a estimar en formato XML.
Cargar de archivo de modelo. Las previsiones se generan con los parmetros de modelo del archivo de
modelo sin volver a estimar dichos parmetros. Las medidas de bondad de ajuste que se visualizan en el
resultado y se utilizan para filtrar modelos (el de mejor o peor ajuste) se toman del archivo del modelo y
reflejan los datos utilizados cuando se desarroll cada modelo (o la ltima actualizacin). Con esta
opcin, las previsiones no tienen en cuenta los datos histricos (para las variables tanto dependientes
como independientes) del conjunto de datos activo. Debe elegir Estimar de nuevo a partir de los datos si
desea que los datos histricos influyan en las previsiones. Adems, las previsiones no tienen en cuenta los
valores de la serie dependiente en el perodo de previsin, aunque s tienen en cuenta los valores de las
variables independientes en el perodo de previsin. Si tiene ms valores actuales de la serie dependiente
y desea incluirlos en las previsiones, debe realizar otra estimacin y ajustar el perodo de estimacin para
incluir dichos valores.
Estimar de nuevo a partir de los datos. Los parmetros del modelo se vuelven a estimar con los datos
del conjunto de datos activo. La nueva estimacin de los parmetros del modelo no tiene ningn efecto
en la estructura del modelo. Por ejemplo, un modelo ARIMA(1,0,1) no vara, pero los parmetros
autorregresivos y de media mvil se vuelven a estimar. La nueva estimacin no tiene como resultado la
deteccin de nuevos valores atpicos. Los valores atpicos, si los hay, siempre proceden del archivo de
modelo.
v Perodo de estimacin. El perodo de estimacin define el conjunto de casos utilizados para volver a
estimar los parmetros del modelo. De forma predeterminada, el perodo de estimacin incluye todos
los casos del conjunto de datos activo. Para establecer el periodo de estimacin, seleccione Basndose
en el rango del tiempo o de los casos en el cuadro de dilogo Seleccionar casos. Segn los datos
disponibles, el perodo de estimacin utilizado por el procedimiento puede variar segn el modelo y,
por consiguiente, ser distinto del valor mostrado. Para un modelo determinado, el perodo de
estimacin real es el perodo restante tras eliminar de todos los valores perdidos contiguos, de la
variable dependiente del modelo, que aparecen al principio o al final del perodo especificado.
Perodo de previsin
El perodo de previsin de cada modelo siempre empieza con el primer caso despus del final del
perodo de estimacin y se extiende hasta el ltimo caso del conjunto de datos activo o hasta una fecha
especificada por el usuario. Si no se vuelve a estimar ningn parmetro (valor predeterminado), el
perodo de estimacin para cada modelo es el conjunto de casos utilizado en el desarrollo (o ltima
actualizacin) de cada modelo.
v Primer caso despus del final del perodo de estimacin hasta el ltimo caso del conjunto de datos
activo. Seleccione esta opcin si el final del perodo de estimacin es anterior al ltimo caso del
conjunto de datos activo y desea obtener previsiones hasta el ltimo caso.
v Primer caso despus del final del perodo de estimacin hasta una fecha especificada. Seleccione
esta opcin para especificar de forma explcita el final del perodo de previsin. Escriba valores para
todas las casillas de la cuadrcula Fecha.
Resultados
Los resultados disponibles incluyen tanto los de los modelos individuales como los de todos los modelos.
Los resultados de los modelos individuales se pueden limitar a un conjunto de modelos que mejor o peor
se ajustan segn los criterios especificados por el usuario.
Mostrar medidas de ajuste, estadstico Ljung-Box y nmero de valores atpicos por modelo. Seleccione
(marque) esta opcin para mostrar una tabla con las medidas de ajuste seleccionadas, el valor de
Ljung-Box y el nmero de valores atpicos para cada modelo.
Medidas de ajuste. Puede seleccionar una o ms de las siguientes opciones para su inclusin en la tabla
que contiene las medidas de ajuste para cada modelo:
v R cuadrado estacionaria
v R cuadrado
v Raz de la media cuadrtica de los errores
v Media del error porcentual absoluto
v Media del error absoluto
v Error porcentual absoluto mximo
v Error absoluto mximo
v BIC normalizado
Estadsticos de comparacin de modelos. Este grupo de opciones controla la visualizacin de las tablas
que contienen los estadsticos de todos los modelos. Cada opcin genera una tabla independiente. Puede
seleccionar una o ms de las siguientes opciones:
v Bondad de ajuste. Tabla de estadsticos de resumen y percentiles para R cuadrado estacionaria, R
cuadrado, raz de la media cuadrtica de los errores, error absoluto porcentual promedio, media del
error absoluto, error porcentual absoluto mximo, error absoluto mximo y criterio de informacin
bayesiano normalizado.
v Funcin de autocorrelacin simple (FAS) de residuo. Tabla de estadsticos de resumen y percentiles
para las autocorrelaciones de los residuos de todos los modelos estimados. Esta tabla slo est
disponible si se vuelven a estimar los parmetros de modelo (Estimar de nuevo a partir de los datos
en la pestaa Modelos).
v Funcin de autocorrelacin parcial (FAP) de residuo. Tabla de estadsticos de resumen y percentiles
para las autocorrelaciones parciales de los residuos de todos los modelos estimados. Esta tabla slo est
disponible si se vuelven a estimar los parmetros de modelo (Estimar de nuevo a partir de los datos
en la pestaa Modelos).
Mostrar previsiones. Muestra una tabla con las previsiones de modelo y los intervalos de confianza para
cada modelo.
Grficos
La pestaa Grficos proporciona opciones para mostrar grficos de estadsticos de ajuste del modelo,
funciones de autocorrelacin y valores de la serie (incluidas las previsiones).
Este grupo de opciones controla la visualizacin de los grficos que contienen los estadsticos en todos los
modelos. A menos que se vuelvan a estimar los parmetros del modelo (Estimar de nuevo a partir de los
datos en la pestaa Modelos), los valores mostrados proceden del archivo de modelo y reflejan los datos
utilizados en el desarrollo (o ltima actualizacin) de cada modelo. Adems, los grficos de
autocorrelacin slo estn disponibles si se vuelven a estimar los parmetros de modelo. Cada opcin
genera un grfico independiente. Puede seleccionar una o ms de las siguientes opciones:
v R cuadrado estacionaria
v R cuadrado
v Raz de la media cuadrtica de los errores
v Media del error porcentual absoluto
v Media del error absoluto
v Error porcentual absoluto mximo
v Error absoluto mximo
v BIC normalizado
v Funcin de autocorrelacin simple (FAS) de residuo
v Funcin de autocorrelacin parcial (FAP) de residuo
Serie. Seleccione (marque) esta opcin para obtener los grficos de los valores pronosticados para cada
modelo. Los valores observados, los valores ajustados, los intervalos de confianza y las autocorrelaciones
slo estn disponibles si se vuelven a estimar los parmetros de modelo (Estimar de nuevo a partir de
los datos en la pestaa Modelos). Puede seleccionar una o ms de las siguientes opciones para su
inclusin en el grfico:
v Valores observados. Son los valores observados de la serie dependiente.
v Previsiones. Son los valores pronosticados por el modelo para el perodo de previsin.
Funcin de autocorrelacin simple (FAS) de residuo. Muestra un grfico con las autocorrelaciones de
residuospara cada modelo estimado.
Funcin de autocorrelacin parcial (FAP) de residuo. Muestra un grfico con las autocorrelaciones
parciales residuales para cada modelo estimado.
Modelos que mejor se ajustan. Seleccione (marque) esta opcin para incluir los modelos que mejor se
ajustan en los resultados. Seleccione una medida de bondad de ajuste y especifique el nmero de
modelos que se van a incluir. La seleccin de esta opcin no excluye la seleccin de los modelos que peor
se ajustan. En este caso, los resultados incluyen tanto los modelos que peor se ajustan como los que mejor
se ajustan.
v Nmero fijo de modelos. Especifica que los resultados se muestran para los n modelos que mejor se
ajustan. Si este nmero es superior al nmero de modelos, se muestran todos los modelos.
v Porcentaje del nmero total de modelos. Especifica que los resultados se muestran para los modelos
con valores de bondad de ajuste en el porcentaje n superior de todos los modelos.
Modelos que peor se ajustan. Seleccione (marque) esta opcin para incluir los modelos que peor se
ajustan en los resultados. Seleccione una medida de bondad de ajuste y especifique el nmero de
modelos que se van a incluir. La seleccin de esta opcin no excluye la seleccin de los modelos que
mejor se ajustan. En este caso, los resultados incluyen tanto los modelos que mejor se ajustan como los
que peor se ajustan.
v Nmero fijo de modelos. Especifica que los resultados se muestran para los n modelos que peor se
ajustan. Si este nmero es superior al nmero de modelos, se muestran todos los modelos.
v Porcentaje del nmero total de modelos. Especifica que los resultados se muestran para los modelos
con valores de bondad de ajuste en el porcentaje n inferior de todos los modelos.
Medida de la bondad de ajuste. Seleccione la medida de bondad de ajuste que se va a utilizar para
filtrar los modelos. El valor predeterminado es R cuadrado estacionaria.
Guardar variables. Puede guardar predicciones del modelo, intervalos de confianza y residuos como
variables nuevas en el conjunto de datos activo. Cada modelo genera su propio conjunto de variables
nuevas. Se aaden casos nuevos si el perodo de previsin se ampla ms all de la duracin de la serie
Las especificaciones de modelo Exportar archivo de modelo, que contienen los parmetros y estadsticos
de ajuste que se han vuelto a estimar, se exportan al archivo especificado en formato XML. Esta opcin
slo est disponible si se vuelven a estimar los parmetros de modelo (Estimar de nuevo a partir de los
datos en la pestaa Modelos).
v Archivo XML. Las especificaciones de modelo se guardan en un archivo XML que se puede utilizar
con IBM SPSS aplicaciones.
v Archivo PMML. Las especificaciones de modelo se guardan en un archivo XML compatible con PMML
que se puede utilizar con aplicaciones compatibles con PMML, incluidas aplicaciones IBM SPSS.
Opciones
La pestaa Opciones le permite especificar el tratamiento de los valores perdidos, establecer el ancho del
intervalo de confianza y establecer el nmero de retardos mostrados para las autocorrelaciones.
Valores perdidos del usuario. Estas opciones controlan el tratamiento de los valores perdidos del
usuario.
v Tratar como no vlidos. Los valores perdidos del usuario reciben el mismo tratamiento que los valores
perdidos del sistema.
v Tratar como vlidos. Los valores perdidos del usuario se tratan como datos vlidos.
Poltica de valores perdidos. Las siguientes reglas se aplican al tratamiento de los valores perdidos
(incluye los valores perdidos del sistema y los valores perdidos del usuario tratados como no vlidos):
v Los casos con valores perdidos de una variable dependiente que se producen durante el perodo de
estimacin se incluyen en el modelo. El tratamiento especfico del valor perdido depende del mtodo
de estimacin.
v Para los modelos ARIMA, se genera una advertencia si un predictor tiene valores perdidos en el
perodo de estimacin. Los modelos que implican el uso de dicho predictor no se vuelven a estimar.
v Si una variable independiente tiene valores perdidos en el perodo de previsin, el procedimiento
genera una advertencia y realiza previsiones en la medida de lo posible.
Ancho del intervalo de confianza (%). Los intervalos de confianza se calculan para las predicciones del
modelo y las autocorrelaciones residuales. Puede especificar cualquier valor positivo menor que 100. De
forma predeterminada, se utiliza un intervalo de confianza de 95 %.
Ejemplo. Un cientfico est interesado en analizar mensualmente las mediciones del nivel de ozono en
una estacin meteorolgica particular. El objetivo es determinar si hay alguna tendencia en los datos. A
fin de descubrir la tendencia real, el cientfico primero necesita tener en cuenta la variacin de las lecturas
debido a efectos estacionales. El procedimiento Descomposicin estacional puede utilizarse para eliminar
cualquier variacin estacional sistemtica. A continuacin, se realiza el anlisis de tendencia en una serie
corregida estacionalmente.
Supuestos. Las variables no deben contener datos perdidos incrustados. Debe definirse al menos un
componente de fecha peridico.
Tipo de modelo. El procedimiento Descomposicin estacional ofrece dos mtodos diferentes para
modelar los factores estacionales: multiplicativo o aditivo.
v Multiplicativo. El componente estacional es un factor por el que se multiplica la serie corregida
estacionalmente para dar lugar a la serie original. En la prctica, componentes estacionales
proporcionales al nivel general de la serie. Las observaciones sin variacin estacional tendrn un
componente estacional de 1.
v Aditivo. Las correcciones estacionales se aaden a la serie corregida estacionalmente para obtener los
valores observados. Estas correcciones pretenden eliminar de la serie el efecto estacional, para poder
estudiar otras caractersticas de inters que puedan estar "enmascaradas" por el componente estacional.
En la prctica, los componentes estacionales no dependen del nivel general de la serie. Las
observaciones sin variacin estacional tendrn un componente estacional de 0.
Ponderacin de la media mvil. Las opciones de Ponderacin de la media mvil permiten especificar la
manera de tratar la serie al calcular las medias mviles. Estas opciones slo estn disponibles si la
periodicidad de la serie es par. Si la periodicidad es impar, todos los puntos son ponderados por igual.
v Todos los puntos iguales . Las medias mviles se calculan con una amplitud igual a la periodicidad y
con todos los puntos ponderados igualmente. Si la periodicidad es impar, siempre se utiliza este
mtodo.
v Puntos finales ponderados por 0,5. Las medias mviles de las series con una periodicidad par se calculan
con una duracin igual a la periodicidad ms 1, y con los puntos finales de la duracin ponderados
por 0,5.
El procedimiento Descomposicin estacional genera cuatro variables nuevas (series) con los siguientes
prefijos de tres letras para cada serie especificada:
SAF. Factores de correccin estacional. Estos valores indican el efecto de cada perodo en el nivel de la serie.
SAS. Serie corregida estacionalmente. Son los valores obtenidos despus de eliminar la variacin estacional
de una serie.
ERR. Valores de residuo o "error". Son los valores que permanecen despus de eliminar los componentes
estacionales, de tendencia y ciclo de la serie.
Las series que incluyen datos perdidos no se pueden analizar con este procedimiento.
Ejemplo. La tasa a la que se construyen las casas nuevas es un barmetro importante del estado de la
economa. Los comienzos de los datos para las viviendas muestran generalmente un componente
estacional fuerte. Pero, hay ciclos ms largos presentes en los datos que los analistas necesiten conocer a
la hora de evaluar las cifras actuales?
Diagramas. Para el anlisis univariado y bivariado: periodograma y densidad espectral. Para el anlisis
bivariado: la coherencia cuadrada, el espectro de cuadratura, la amplitud cruzada, la densidad
coespectral, el espectro de fase y la ganancia.
Supuestos. Las variables no deben contener datos perdidos incrustados. La serie temporal que analizar
debe ser estacionaria y cualquier media distinta de cero debe eliminarse de la serie.
v Estacionario. Condicin que deben satisfacer las series temporales a las que se quiere ajustar un modelo
ARIMA. Las series MA puras sern estacionarias. Sin embargo, las series AR y ARMA pueden no serlo.
Una serie estacionaria tiene una media constante y una varianza constante a lo largo del tiempo.
Amplitud. Rango de valores consecutivos a lo largo de los cuales se lleva a cabo el suavizado.
Generalmente, se utiliza un entero impar. Las amplitudes grandes suavizan ms que las amplitudes
pequeas el diagrama de densidad espectral.
Centrar las variables. Corrige las series para que tengan una media de cero antes de calcular el espectro y
eliminar el trmino mayor que puede estar asociado a la media de la serie.
Analisis bivariado-la primera variable con cada uno. Si se han seleccionado dos o ms variables, puede
seleccionar esta opcin para solicitar anlisis espectrales bivariados.
v La primera variable de la lista de variables se trata como la variable independiente y el resto de las
variables se tratan como variables dependientes.
v Cada serie posterior a la primera se analiza con la primera serie independientemente de las dems
series seleccionadas. Tambin se realizan anlisis univariados de cada serie.
Grfico. El periodograma y la densidad espectral estn disponibles tanto para el anlisis univariado
como bivariado. El resto de elecciones slo estn disponibles para el anlisis bivariado.
v Periodograma. Representacin no suavizada de la amplitud espectral (representada en escala
logartmica) respecto a la frecuencia o respecto al periodo. La variacin de baja frecuencia es
caracterstica de series suaves. La variacin distribuida de manera uniforme en todas las frecuencias
indica "ruido blanco".
v Coherencia cuadrada. El producto de las ganancias de las dos series.
v Espectro de cuadratura. La parte imaginaria del periodograma cruzado la cual es una medida de la
correlacin de los componentes de la frecuencia fuera de fase de las dos series. Los componentes estn
fuera de fase en pi/2 radianes.
v Amplitud cruzada. La raz cuadrada de la suma de la densidad coespectral al cuadrado y el espectro de
cuadratura al cuadrado.
v Densidad espectral. Periodograma que se ha suavizado para eliminar la variacin irregular.
v Densidad coespectral. La parte real del periodograma cruzado que es una media de la correlacin de los
componentes de la frecuencia en-fase de las dos series.
v Espectro de fase. Medida del grado en que cada componente de la frecuencia de una serie precede o
sigue a la otra.
v Ganancia. El cociente de dividir la amplitud cruzada por la densidad espectral para una de las series.
Cada una de las dos series tiene su propio valor de ganancia.
Por frecuencia. Todos los grficos son generados por la frecuencia, con un rango desde la frecuencia 0 (el
trmino constante o medio) hasta la frecuencia 0,5 (el trmino para un ciclo de dos observaciones).
Por perodo. Todos los grficos se generan por perodo, con un rango desde 2 (el trmino para un ciclo de
dos observaciones) hasta un perodo igual al nmero de observaciones (el trmino constante o medio). El
perodo se representa en escala logartmica.
En el contexto del modelado causal temporal, el trmino causal hace referencia a la causalidad Granger.
En una serie temporal X se indica que la "causa Granger" provoca otra serie temporal Y si realiza una
regresin para Y en trminos de valores pasados de ambos resultados, X e y, en un modelo mejor para Y
que realiza una regresin solo en los valores pasados en Y.
Ejemplos
Los tomadores de decisiones empresariales pueden utilizar el modelado causal temporal para descubrir
relaciones causales en un conjunto grande de mtricas basadas en tiempo que describen el negocio. El
anlisis puede revelar unas pocas entradas controlables, que tienen el mayor impacto en los indicadores
de rendimiento clave.
Los gestores de sistemas de TI grandes pueden utilizar el modelado causal temporal para detectar
anomalas en un conjunto grande de mtricas operativas interrelacionadas. El modelo causal permite ir
ms all de la deteccin de anomalas y descubrir las causas principales ms probables de las anomalas.
Requisitos de campo
Debe haber al menos un objetivo. De forma predeterminada, no se utilizan los campos con un papel
predefinido de Ninguno.
Estructura de datos
Nota: Los pasos 1, 2 y 3 no se aplican si el conjunto de datos activo tiene una especificacin de
fecha. Las especificaciones de fecha se crean en el dilogo Definir fechas o el comando DATE.
4. Pulse Campos para especificar las series temporales para incluir en el modelo y para especificar cmo
se definen las observaciones. Al menos, se debe especificar un campo como objetivo o como entrada y,
tambin, objetivo.
5. Pulse Especificaciones de datos para especificar valores opcionales que incluyen el intervalo de
tiempo para los valores de anlisis, agregacin y distribucin y el manejo de valores que faltan.
6. Pulse Opciones de generacin para definir el periodo de estimacin, especifique el contenido del
resultado y especifique los valores de generacin como, por ejemplo, el nmero mximo de entradas
por objetivo.
7. Pulse Opciones de modelo para solicitar previsiones, guardar predicciones y exportar el sistema del
modelo a un archivo externo.
8. Pulse en Ejecutar para ejecutar el procedimiento.
Para datos basados en columnas, el trmino serie tiene el mismo significado que el trmino campo. Para
datos multidimensionales, los campos que contienen series temporales se denominan campos de mtrica.
Una serie temporal, para datos multidimensionales, se define mediante un campo de mtrica y un valor
para cada uno de los campos de dimensin. Las consideraciones siguientes se aplican a ambos datos,
basados en columna y multidimensionales.
v Las series que se han especificado como entradas candidato o como objetivo y entrada se consideran
para la inclusin en el modelo para cada objetivo. El modelo para cada objetivo siempre incluye
valores retardados del propio objetivo.
Datos multidimensionales
Para datos multidimensionales, especifique campos de mtrica y papeles asociados en una cuadrcula,
donde cada fila de la cuadrcula especifica una nica mtrica y un nico papel. De forma
predeterminada, el sistema del modelo incluye series para todas las combinaciones de los campos de
dimensin para cada fila de la cuadrcula. Por ejemplo, si hay dimensiones para regin y marca, de forma
predeterminada, especificar la mtrica ventas como un objetivo significa que hay una serie de objetivos de
ventas individual para cada combinacin de regin y marca.
Para cada fila de la cuadrcula, puede personalizar el conjunto de valores para cualquiera de los campos
de dimensin pulsando el botn de puntos suspensivos para una dimensin. Esta accin abre el
subdilogo Seleccionar valores de dimensin. Tambin puede aadir, suprimir o copiar filas de
cuadrcula.
La columna Recuento de series muestra el nmero de conjuntos de valores de dimensin que se han
especificado actualmente para la mtrica asociada. El valor visualizado puede ser mayor que el nmero
real de series (una serie por conjunto). Esta condicin se produce cuando algunas de las combinaciones
especificadas de valores de dimensin no corresponden a las series incluidas por la mtrica asociada.
Nota: Si el conjunto de datos activo tiene una especificacin de fecha, las observaciones se definen
mediante la especificacin de fecha y no se pueden modificar en el procedimiento de modelado causal
temporal. Las especificaciones de fecha se crean en el dilogo Definir fechas o el comando DATE.
Observaciones que se definen por fecha/horas
Puede especificar que las observaciones se definen mediante un campo con formato de fecha,
hora o fecha/hora, o mediante un campo de cadena que representa una fecha/hora. Los campos
de cadena pueden representar una fecha en el formato AAAA-MM-DD, un hora en
formatoHH:MM:SS o una hora/fecha en el formato AAAA-MM-DD HH:MM:SS. Los ceros
iniciales se pueden omitir en la representacin de la cadena. Por ejemplo, la cadena 2014-9-01 es
equivalente a 2014-09-01.
Adems del campo que define las observaciones, seleccione el intervalo de tiempo apropiado que
describe las observaciones. En funcin del intervalo de tiempo especificado, tambin puede
especificar otros valores como, por ejemplo, el intervalo entre observaciones (incremento) o el
nmero de das por semana. Las consideraciones siguientes se aplican al intervalo de tiempo:
v Utilice el valor Irregular cuando las observaciones se asignan de forma irregular en el tiempo
como, por ejemplo, la hora a la que se procesa un pedido de compra. Si est seleccionado
Irregular, debe especificar el intervalo de tiempo que se utiliza para el anlisis, desde la
configuracin de Intervalo de tiempo en la pestaa Especificaciones de datos.
v Cuando las observaciones representan una fecha y una hora y el intervalo de tiempo es horas,
minutos o segundos, utilice Horas del da, Minutos del da o Segundos del da. Cuando las
observaciones representan un periodo de tiempo (duracin) sin referencia a una fecha y el
intervalo de tiempo es horas, minutos o segundos, utilice Horas (no peridico), Minutos (no
peridico) o Segundos (no peridico).
v Basndose en el intervalo de tiempo seleccionado, el procedimiento puede detectar
observaciones que faltan. La deteccin de observaciones que faltan es necesaria porque el
procedimiento presupone que todas las observaciones se han espaciado de forma uniforme en
el tiempo y que no falta ninguna observacin. Por ejemplo, si el intervalo de tiempo es das y
la fecha 2014-10-27 viene seguida por 2014-10-29, falta una observacin para 2014-10-28. Los
valores se imputan para cualquier observacin que falta. La configuracin para manejar los
valores que faltan se puede especificar en la pestaa Especificaciones de datos.
v El intervalo de tiempo especificado permite al procedimiento detectar varias observaciones en
el mismo intervalo de tiempo que se deben agregar juntas y alinear observaciones en un lmite
de intervalo como, por ejemplo, el primer da del mes, para garantizar que las observaciones se
espacian de forma uniforme. Por ejemplo, si el intervalo de tiempo es Meses, varias fechas del
mismo mes se pueden agregar juntas. Se hace referencia a este tipo de agregacin como
agrupacin. De forma predeterminada, las observaciones se suman cuando se agrupan. Puede
especificar un mtodo diferente para la agrupacin, como la media de las observaciones, desde
la configuracin Agregacin y distribucin en la pestaa Especificaciones de datos.
v Para algunos intervalos de tiempo, los valores adicionales pueden definir saltos en los
intervalos normales espaciados de forma uniforme. Por ejemplo, si el intervalo de tiempo es
Das, pero solo son vlidos los fines de semana, puede especificar que hay cinco das en una
semana y que la semana empieza el lunes.
Observaciones que se definen mediante periodos o periodos cclicos
Las observaciones se pueden definir mediante uno o ms campos de enteros que representan
periodos o ciclos repetitivos de periodos, hasta un nmero arbitrario de niveles de ciclo. Con esta
estructura, puede describir una serie de observaciones que no caben en uno de los intervalos de
Las opciones disponibles para el intervalo de tiempo en el que se realiza el anlisis dependen de cmo se
han definido las observaciones y del intervalo de tiempo de estas observaciones. En concreto, cuando las
observaciones se han definido mediante periodos cclicos o cuando una especificacin de fecha se ha
definido para el conjunto de datos activo, solo se da soporte a la agregacin. En dicho caso, el intervalo
de tiempo del anlisis debe ser mayor o igual que el intervalo de tiempo de las observaciones.
Agregacin y distribucin
Funciones de agregacin
Cuando el intervalo de tiempo que se utiliza para el anlisis es ms largo que el intervalo de
tiempo de las observaciones, se agregan los datos de entrada. Por ejemplo, la agregacin se
realiza cuando el intervalo de tiempo de las observaciones es Das y el intervalo de tiempo para
el anlisis es Meses. Estn disponibles las funciones de agregacin siguientes: media, suma,
moda, mn o mx.
Funciones de distribucin
Cuando el intervalo de tiempo que se utiliza para el anlisis es ms corto que el intervalo de
tiempo de las observaciones, se distribuyen los datos de entrada. Por ejemplo, la distribucin se
Nota: Aunque la agrupacin es una forma de agregacin, se realiza antes de manejar los valores
que faltan, mientras que la agregacin formal se realiza despus de que se manejen los valores
que faltan. Cuando el intervalo de tiempo de las observaciones se especifica como Irregular, la
agregacin solo se realiza con la funcin de agrupacin.
Agregar observaciones del da al da anterior
Especifica si las observaciones con horas que pasan el lmite de un da se agregan a los valores
del da anterior. Por ejemplo para las observaciones por hora con un da de ocho horas que
empieza a las 20:00, este valor especifica si las observaciones entre 00:00 y 04:00 se incluyen en
los resultados agregados para el da anterior. Este valor se aplica solo si el intervalo de tiempo de
las observaciones es Horas por da, Minutos por da o Segundos por da y el intervalo de tiempo
para el anlisis es Das.
Valores personalizados para campos especificados
Puede especificar funciones de agregacin, distribucin y agrupacin en un campo por campo.
Estos valores alteran temporalmente los valores predeterminados para las funciones de
agregacin, distribucin y agrupacin.
Otros valores:
Opciones de resultados
Estas opciones especifican el contenido del resultado. Las opciones del grupo Objetivos de resultado
generan el resultado para los objetivos que estn asociados a los modelos de mejor ajuste en los valores
Series para visualizar. Las opciones del grupo Resultado para series generan el resultado para las series
individuales que se han especificado en los valores Series para visualizar.
Sistema global de modelo
Previsin
La opcin de Extender registros en el futuro define el nmero de intervalos de tiempo para prever ms
all del final del periodo de estimacin. El intervalo de tiempo en este caso es el intervalo de tiempo del
anlisis, que se especifica en la pestaa Especificaciones de datos. Cuando se solicitan previsiones, se
generan modelos autorregresivos automticamente para cualquier serie de entrada que tampoco son
objetivos. Estos modelos se utilizan para generar valores para estas series de entrada en el periodo de
previsin.
Guardar
Opciones de destino
Puede guardar ambas cosas, las transformaciones de los datos (como agregacin o imputacin de
valores que faltan) y las variables nuevas (especificadas en el valor Guardar objetivos) en un
archivo de datos o un nuevo conjunto de datos de IBM SPSS Statistics en la sesin actual. Los
valores de fecha/hora en los datos guardados se alinean al principio de cada intervalo de tiempo
como, por ejemplo, el primer da del mes, y representan el intervalo de tiempo del anlisis para
el sistema del modelo. Puede guardar cualquiera de las variables nuevas en el conjunto de datos
activo slo si las observaciones se definen mediante una especificacin de fecha, una orden de
registro y los datos no estn agregados.
Guardar objetivos
Puede guardar predicciones de modelo, intervalos de confianza y residuos como variables
Resultado interactivo
El resultado del modelo causal temporal incluye un nmero de objetos de resultado interactivo. Las
caractersticas interactivas estn disponibles si se activa (se pulsa dos veces) el objeto del visor de
resultados.
Sistema global de modelo
Muestra las relaciones causales entre las series en el sistema de modelo. Todas las lneas que
conectan un destino determinado a sus entradas tienen el mismo color. El grosor de la lnea
indica el significado de la conexin causal, donde las lneas ms gruesas representan una
conexin ms significativa. Las entradas que no son tampoco destinos se indican con un
cuadrado negro.
v Puede mostrar relaciones para los modelos superiores, un serie especificada, todas las series o
modelos sin entradas. Los modelos superiores son los modelos que cumplen los criterios que se
han especificado para modelos de mejor ajuste en la configuracin de Series para visualizar.
v Puede generar diagramas de impactos para una o ms series seleccionando los nombres de
serie en el grfico, pulsando con el botn derecho del ratn y, despus, eligiendo Crear
diagrama de impactos en el men contextual.
v Puede elegir ocultar las relaciones causales que tienen un nivel de significacin que es mayor
que un valor especificado. Los nivel de significacin ms pequeos indican una relacin causal
ms significativa.
v Puede visualizar relaciones para una serie determinada seleccionando el nombre de la serie en
el grfico, pulsando con el botn derecho del ratn y, despus, eligiendo Resaltar relaciones de
las series en el men contextual.
Diagrama de impactos
Muestra una representacin grfica de las relaciones causales entre una serie de inters y otras
series a las que afecta o que le afectan. Las series que afectan a las series de inters se denominan
causas.
v Puede cambiar la serie de inters especificando el nombre de la serie que desea. Si pulsa dos
veces cualquier nodo en el diagrama de impactos cambia la serie de inters por la serie
asociada a dicho nodo.
Nota:
v Si guarda un documento de salida que contiene salida interactiva de modelado causal temporal y
desea mantener las caractersticas interactivas, asegrese de que Almacenar informacin del modelo
necesaria con el documento de resultados est seleccionado en el cuadro de dilogo Guardar salida
como.
v Algunas caractersticas interactivas requieren que el conjunto de datos activo sea los datos utilizados
para crear el sistema de modelo causal temporal.
Supuestos
v La estructura de los datos del conjunto de datos activo, ya se basen en columnas o multidimensionales,
debe ser la misma estructura que se haya utilizado cuando se cre el sistema del modelo. Para datos
multidimensionales, los campos de dimensin deben ser los mismos que se utilizan para crear el
sistema del modelo. Adems, los valores de dimensin que se han utilizado para crear el sistema del
modelo deben existir en el conjunto de datos activo.
v Los modelos se aplican a campos del conjunto de datos activo con los mismos nombres que los campos
especificados en el sistema del modelo.
v El campo, o campos, que defina las observaciones cuando se cre el sistema del modelo debe existir en
el conjunto de datos activo. El intervalo de tiempo entre observaciones se supone que es el mismo que
cuando se crearon los modelos. Si las observaciones se han definido mediante una especificacin de
fecha, debe existir la misma especificacin de fecha en el conjunto de datos activo. Las especificaciones
de fecha se crean en el dilogo Definir fechas o el comando DATE.
v El intervalo de tiempo del anlisis y cualquier valor para la agregacin, distribucin y valores que
faltan son iguales que cuando se crearon los modelos.
45
2. Pulse la opcin para volver a estimar modelos, crear previsiones y generar resultados.
3. Pulse en Continuar.
4. Especifique si desea utilizar parmetros de modelo existentes o volver a estimar parmetros de
modelo a partir de los datos del conjunto de datos activo.
5. Especifique hasta cundo se realizarn previsiones en el futuro, o especifique que no hay previsiones.
6. Pulse Opciones para especificar el contenido del resultado.
7. Pulse Guardar para guardar predicciones y exporte el sistema del modelo actualizado a un archivo
externo cuando se vuelvan a estimar parmetros de modelo.
8. Pulse en Ejecutar para ejecutar el procedimiento.
Opciones generales
Ancho de intervalo de confianza (%)
Este valor controla los intervalos de confianza para ambos parmetros, de previsiones y de
modelo. Puede especificar cualquier valor positivo menor que 100. De forma predeterminada, se
utiliza un intervalo de confianza de 95 %.
Umbral de valor atpico (%)
Una observacin se marca como un valor atpico si la probabilidad, tal como se calcula a partir
del modelo, que es un valor atpico excede este umbral. Puede especificar un valor dentro del
rango de 50 a 100.
Opciones de resultados
Estas opciones especifican el contenido del resultado. Las opciones del grupo Objetivos de resultado
generan el resultado para los objetivos que estn asociados a los modelos de mejor ajuste en los valores
Series para visualizar. Las opciones del grupo Resultado para series generan el resultado para las series
individuales que se han especificado en los valores Series para visualizar.
Sistema global de modelo
Muestra una representacin grfica de las relaciones causales entre series en el sistema del
modelo. Las tablas tanto en las estadsticas de ajuste del modelo y los valores atpicos para los
objetivos visualizado se incluyen como parte del elemento de resultado. Cuando esta opcin est
seleccionada en el grupo Resultado para series, se crea un elemento de resultado separado para
cada serie individual que se ha especificado en los valores de Series para visualizar.
Las relaciones causales entre las series tienen un nivel de significacin asociado, donde un nivel
de significacin ms pequeo indica un conexin ms significativa. Puede elegir ocultar las
relaciones con un nivel de significacin que es mayor que un valor especificado.
Estadsticas y valores atpicos del ajuste de modelo
Las tablas de estadsticas y valores atpicos del ajuste del modelo para las series de objetivos que
se han seleccionado para su visualizacin. Estas tablas contienen la misma informacin que las
tablas en la visualizacin de Sistema global de modelo. Estas tablas soportan todas las funciones
estndar para tablas dinmicas y edicin.
Efectos del modelo y parmetros del modelo
Tablas de pruebas de efectos del modelo y parmetros de modelo para las series de objetivos que
se han seleccionado para su visualizacin. Las pruebas de efectos del modelo incluyen la
estadstica F y un valor de significacin asociado para cada entrada incluida en el modelo.
Guardar
Guardar objetivos
Puede guardar predicciones de modelo, intervalos de confianza y residuos como variables
nuevas. Cada objetivo especificado para guardar genera su propio conjunto de variables nuevas y
cada variable nueva contiene valores para ambos periodos, el de estimacin y el de previsin.
Para obtener valores pronosticados, intervalos de confianza y residuos de ruido, puede especificar
el nombre raz que se va a utilizar como el prefijo para las variables nuevas. El nombre de
variable completo es la concatenacin del nombre raz y el nombre del campo que contiene las
series de objetivos. El nombre raz debe cumplir las reglas para los nombres de variable vlidos.
El nombre de la variable se ampla en caso de ser necesario para evitar conflictos de nombres de
variables.
Indicar casos que contienen previsiones
Crea una variable que indica si un registro contiene datos de previsin. Puede especificar
el nombre de variable. El valor predeterminado es ForecastIndicator.
Objetivos para guardar
Especifica si se crean variables nuevas para todas las series de objetivos en el sistema del
modelo o solo las series objetivos que se han especificado en los valores Series para
visualizar.
Ejemplo
Nota: Las predicciones se inician en el primer periodo de tiempo despus del inicio del periodo del
escenario. Por ejemplo, si el periodo del escenario se inicia el 2014-11-01 y el intervalo de tiempo es
meses, la primera prediccin ser para 2014-12-01.
Especificar por hora de inicio, hora de finalizacin o tiempo de pronstico
v Si las observaciones se definen mediante un campo de fecha/hora, especifique valores de
inicio, final y tiempo de pronstico con el mismo formato que se utiliza para el campo de
fecha/hora. Los valores para los campos de fecha/hora se alinean al principio del intervalo de
tiempo asociado. Por ejemplo, si el intervalo de tiempo del anlisis es meses, el valor
10/10/2014 se ajusta a 10/01/2014, que es el inicio del mes.
v Para las observaciones que se definen mediante periodos cclicos, especifique un valor para
cada uno de los campos de periodos cclicos. Cada campo se visualiza en una columna
separada.
v Si hay una especificacin de fecha en vigor para el conjunto de datos activo, debe especificar
un valor para cada componente (como Mes) de la especificacin de fecha. Cada componente se
visualiza en una columna separada.
v Cuando las observaciones se definen mediante el orden de registro, el inicio, el final y el
tiempo de pronstico se definen a travs del nmero de fila (tal como se visualiza en el editor
de datos) del caso relevante.
Especificar por intervalos de tiempo relativos al final del periodo de estimacin
Define el inicio y el final en trminos del nmero de intervalos de tiempo relativos al final del
periodo de estimacin, donde el intervalo de tiempo es el intervalo de tiempo del anlisis. El final
del perodo de estimacin se define como el intervalo de tiempo 0. Los intervalos de tiempo antes
del final del perodo de estimacin tienen valores negativos y los intervalos despus del perodo
de estimacin tienen valores positivos. Tambin puede especificar cuntos intervalos predecir ms
all del final del periodo del escenario. El valor predeterminado es 0.
Por ejemplo, suponga que el intervalo de tiempo del anlisis es meses y que especifica 1 para
iniciar el intervalo y 3 para finalizarlo, y 1 para cunto ms ampliar la previsin. El periodo del
escenario sera de 3 meses que siguen al final del periodo de estimacin. Las predicciones se
generan para el segundo y tercer mes del periodo de escenario y para 1 mes ms despus del
final periodo de escenario.
La columna Campo raz de la cuadrcula especifica el campo de serie temporal cuyos valores se
sustituyen con los valores de escenario. La columna Valores de escenario muestra los valores de
Datos multidimensionales
Escenarios individuales
Cada fila de la cuadrcula Escenarios individuales especifica una serie temporal cuyos valores se
sustituyen por los valores de escenario especificados. La serie se define mediante la combinacin
del campo que se especifica en la columna Mtrica raz y el valor especificado para cada uno de
los campos de dimensin. El contenido de la columna Valores de escenario es el mismo que para
los datos basados en columnas.
Grupos de escenarios
Un grupo de escenarios define un conjunto de escenarios que se basan en un solo campo de mtrica
raz y varios conjuntos de valores de dimensin. Cada conjunto de valores de dimensin (un
valor por campo de dimensin), para el campo de mtrica especificado, define una serie
temporal. Un escenario individual se genera para cada una de dichas series temporales, cuyos
valores se sustituyen despus por los valores de escenario. Los valores de escenario para un
grupo de escenarios se especifican mediante una expresin, que se aplica despus a cada serie
temporal del grupo.
La columna Recuento de series muestra el nmero de conjuntos de valores de dimensin que
estn asociados a un grupo de escenarios. El valor visualizado puede ser mayor que el nmero
real de series temporales que estn asociadas al grupo de escenarios (una serie por conjunto).
Esta condicin se produce cuando algunas de las combinaciones especificadas de valores de
dimensin no corresponden a las series incluidas por la mtrica raz para el grupo.
Como ejemplo de un grupo de escenarios, considere un campo de mtrica publicidad y dos
campos de dimensin regin y marca. Puede definir un grupo de escenarios que se basa en
publicidad como la mtrica raz y que incluye todas las combinaciones de regin y marca. Es
posible que despus especifique publicidad*1.2 como la expresin para investigar el efecto de
aumentar publicidad en un 20 % para cada una de las series temporales que estn asociadas al
campo publicidad. Si hay 4 valores de regin y 2 valores de marca, existen 8 series temporales de
ese tipo y, por lo tanto, 8 escenarios definidos mediante el grupo.
Definicin de escenario
Los valores para definir un escenario dependen de si los datos se basan en columnas o son
multidimensionales.
Serie raz
Especifica la serie raz para el escenario. Cada escenario se basa en un nica serie raz. Para los
datos basados en columna, seleccione el campo que define la serie raz. Para datos
multidimensionales, especifique la serie raz aadiendo una entrada a la cuadrcula para el campo
de mtrica que contiene la serie. A continuacin, especifique los valores de los campos de
dimensin que definen la serie raz. Se aplica lo siguiente para especificar los valores de
dimensin:
v Puede especificar el valor para cada campo de dimensin directamente en la cuadrcula o
puede seleccionar en la lista de valores de dimensin disponibles. Para seleccionar en la lista
de valores de dimensin disponibles, pulse el botn de puntos suspensivos en la casilla para la
dimensin que desee. Esta accin abre el subdilogo Seleccionar valor de dimensin.
v Puede buscar en la lista de valores de dimensin, en el subdilogo Seleccionar valor de
dimensin, pulsando el icono de los prismticos y especificando un trmino de bsqueda. Los
espacios se tratan como parte del trmino de bsqueda. Los asteriscos (*) en el trmino de
bsqueda no indican caracteres comodn.
Especificar objetivos afectados
Utilice esta opcin cuando sepa los objetivos especficos afectados por la serie raz y cuando
desee investigar los efectos solo en estos objetivos. De forma predeterminada, los objetivos
Seleccionar valores de dimensin: Para datos multidimensionales, puede personalizar los valores de
dimensin que definen los objetivos afectados por un escenario o un grupo de escenarios. Tambin puede
personalizar los valores de dimensin que definen el conjunto de series raz para un grupo de escenarios.
Todos los valores
Especifica que todos los valores del campo de dimensin actual se incluyen. Esta opcin es la
predeterminada.
Seleccionar valores
Utilice esta opcin para especificar el conjunto de valores para el campo de dimensin actual.
Puede filtrar el conjunto de valores entre los que elegir. Los valores que cumplen la condicin de
filtro aparecen en la pestaa Coincidentes y los valores que no cumplen la condicin de filtro
aparecen en la pestaa No coincidentes de la lista Valores no seleccionados. La pestaa Todos
lista todos los valores no seleccionados, independientemente de cualquier condicin de filtro.
v Puede utilizar asteriscos (*) para indicar caracteres comodn cuando especifique un filtro.
v Para borrar el filtro actual, especifique un valor vaco para el trmino de bsqueda en el
dilogo Filtrar valores visualizados.
Para personalizar valores de dimensin para las series raz de un grupo de escenarios:
1. En el dilogo Definicin de grupo de escenarios, pulse el botn de puntos suspensivos (en la
cuadrcula de serie raz) para la dimensin que desea personalizar.
Nota: Los grupos de escenarios se aplican a datos multidimensionales y se crean pulsando Aadir grupo
de escenarios en la pestaa Escenarios.
Opciones
Nivel mximo de objetivos afectados
Especifica el nmero mximo de niveles de objetivos afectados. Cada nivel sucesivo, hasta el
mximo de 5, incluye objetivos a los que las series raz afectan indirectamente. Especficamente, el
primer nivel incluye objetivos que tienen las series raz como entrada directa. Los objetivos del
segundo nivel tienen objetivos del primer nivel como una entrada directa y, as, sucesivamente.
Aumentar este valor aumenta la complejidad del clculo y podra afectar al rendimiento.
Nmero mximo de objetivos detectados automticamente
Especifica el nmero mximo de objetivos afectados que se han detectado automticamente para
cada serie raz. Aumentar este valor aumenta la complejidad del clculo y podra afectar al
rendimiento.
59
60 IBM SPSS Forecasting 23
Captulo 9. Tipos de valores atpicos
Esta seccin proporciona definiciones de los tipos de valores atpicos utilizados en el modelado de series
temporales.
v Aditivo. Un valor atpico que afecta a una sola observacin. Por ejemplo, un error de codificacin de los
datos puede identificarse como un valor atpico aditivo.
v Cambio de nivel. Un valor atpico que desplaza todas las observaciones mediante una constante,
comenzando en un punto concreto de la serie. Un cambio de nivel puede ser el resultado de un cambio
de poltica.
v De Innovacin. Un valor atpico que acta como adicin al trmino error en un punto particular de la
serie. En las series estacionarias, un valor extremo de innovacin afecta a varias observaciones. En las
series no estacionarias, puede afectar a cada observacin a partir de un punto particular de inicio en la
serie.
v Transitorio. Un valor atpico cuyo impacto decae exponencialmente hacia cero.
v Aditivo estacional. Un valor atpico que afecta a una observacin particular y a todas las observaciones
siguientes separadas de ella por uno o ms perodos estacionales. Todas las observaciones afectadas lo
son de igual forma. Un valor atpico estacional puede ocurrir si, a partir de cierto ao, las ventas son
mayores cada enero.
v Tendencia local. Un valor atpico que da inicio a una tendencia local en un punto particular de la serie.
v Parche aditivo. Un grupo de dos o ms valores atpicos aditivos consecutivos. La seleccin de este tipo
de valores atpicos tiene como resultado la deteccin de valores atpicos individuales adems de sus
grupos.
61
62 IBM SPSS Forecasting 23
Captulo 10. Gua de los grficos de la funcin de
autocorrelacin simple (FAS) y parcial (FAP)
Los grficos que se muestran aqu son aqullos de procesos ARIMA puros o tericos. Aqu se describen
algunas normas generales para identificar el proceso:
v Las series no estacionarias tienen una FAS que permanece significativa durante seis retrasos o ms, en
lugar de disminuir rpidamente a 0. Debe diferenciar dicha serie hasta que sea estacionaria antes de
poder identificar el proceso.
v Los procesos autorregresivos tienen una FAS que disminuye exponencialmente y lneas de unin en el
primer retardo o en ms de la FAP. El nmero de lneas de unin indica el orden de la autorregresin.
v Los procesos de medias mviles tienen lneas de unin en el primer retardo o en ms de la FAS y una
FAP que disminuye exponencialmente. El nmero de lneas de unin indica el orden de la media
mvil.
v Los procesos mixtos (ARMA) generalmente muestran las disminuciones exponenciales en las FAS y en
las FAP.
Los grficos de FAS y FAP obtenidos a partir de datos reales no sern nunca tan claros como los grficos que aqu
se muestran. Debe aprender a escoger las partes esenciales de un grfico. Compruebe siempre la FAS y la
FAP de los residuos, en caso de que la interpretacin sea errnea. Recuerde que:
v Los procesos estacionales muestran estos patrones en los retardos estacionales (los mltiplos del
perodo estacional).
v Si lo desea, puede tratar los valores no significativos como 0. Es decir, puede ignorar los valores
contenidos en los intervalos de confianza en los grficos. Sin embargo, no es necesario ignorarlos,
especialmente si siguen el patrn de los valores estadsticamente significativos.
v Una autocorrelacin ocasional ser significativa estadsticamente slo por casualidad. Puede ignorar
una autocorrelacin estadsticamente significativa si est aislada, preferiblemente en un retardo mayor,
y si no se produce en un retardo estacional.
Consulte los textos que aparecen en los anlisis ARIMA para obtener informacin ms detallada de los
grficos de FAS y FAP.
63
Tabla 3. ARIMA(0,0,1), q>0
FAS FAP
ARIMA(0,0,2), 1 2>0
FAS FAP
FAS FAP
ARIMA(2,0,0), 1 2>0
Captulo 10. Gua de los grficos de la funcin de autocorrelacin simple (FAS) y parcial (FAP) 65
FAS FAP
Es posible que IBM no ofrezca los productos, servicios o caractersticas que se tratan en este documento
en otros pases. El representante local de IBM le puede informar sobre los productos y servicios que estn
actualmente disponibles en su localidad. Cualquier referencia a un producto, programa o servicio de IBM
no pretende afirmar ni implicar que solamente se pueda utilizar ese producto, programa o servicio de
IBM. En su lugar, se puede utilizar cualquier producto, programa o servicio funcionalmente equivalente
que no infrinja los derechos de propiedad intelectual de IBM. Sin embargo, es responsabilidad del usuario
evaluar y comprobar el funcionamiento de todo producto, programa o servicio que no sea de IBM.
IBM puede tener patentes o solicitudes de patente en tramitacin que cubran la materia descrita en este
documento. Este documento no le otorga ninguna licencia para estas patentes. Puede enviar preguntas
acerca de las licencias, por escrito, a:
Para consultas sobre licencias relacionadas con informacin de doble byte (DBCS), pngase en contacto
con el departamento de propiedad intelectual de IBM de su pas o enve sus consultas, por escrito, a:
El siguiente prrafo no se aplica al Reino Unido ni a ningn otro pas donde estas disposiciones sean
incompatibles con la legislacin vigente: INTERNATIONAL BUSINESS MACHINES CORPORATION
PROPORCIONA ESTA PUBLICACIN "TAL CUAL" SIN GARANTAS DE NINGN TIPO, NI
EXPLCITAS NI IMPLCITAS, INCLUYENDO PERO NO LIMITNDOSE A ELLAS, LAS GARANTAS
IMPLCITAS DE NO VULNERACIN, COMERCIALIZACIN O IDONEIDAD PARA UN PROPSITO
DETERMINADO. Algunos estados no permiten la renuncia a expresar o a garantas implcitas en
determinadas transacciones , por lo tanto , esta declaracin no se aplique a usted.
Esta informacin puede incluir imprecisiones tcnicas o errores tipogrficos. Peridicamente, se efectan
cambios en la informacin aqu y estos cambios se incorporarn en nuevas ediciones de la publicacin.
IBM puede realizar en cualquier momento mejoras o cambios en los productos o programas descritos en
esta publicacin sin previo aviso.
Cualquier referencia a sitios Web que no sean de IBM en esta informacin slo es ofrecida por comodidad
y de ningn modo sirve como aprobacin de esos sitios Web. Los materiales de estos sitios Web no
forman parte de los materiales destinados a este producto de IBM, y el usuario ser responsable del uso
que se haga de estos sitios Web.
IBM puede utilizar o distribuir la informacin que se le proporcione de la forma que considere adecuada,
sin incurrir en ninguna obligacin con el cliente.
67
Los propietarios de licencia de este programa que deseen tener informacin sobre el mismo con el fin de:
(i) intercambiar informacin entre programas creados de forma independiente y otros programas
(incluido ste) y (ii) utilizar mutuamente la informacin que se ha intercambiado, debern ponerse en
contacto con:
Esta informacin estar disponible, bajo las condiciones adecuadas, incluyendo en algunos casos el pago
de una cuota.
El programa bajo licencia que se describe en este documento y todo el material bajo licencia disponible
los proporciona IBM bajo los trminos de las Condiciones Generales de IBM, Acuerdo Internacional de
Programas Bajo Licencia de IBM o cualquier acuerdo equivalente entre las partes.
Cualquier dato de rendimiento mencionado aqu ha sido determinado en un entorno controlado. Por lo
tanto, los resultados obtenidos en otros entornos operativos pueden variar de forma significativa. Es
posible que algunas mediciones se hayan realizado en sistemas en desarrollo y no existe ninguna garanta
de que estas mediciones sean las mismas en los sistemas comerciales. Adems, es posible que algunas
mediciones hayan sido estimadas a travs de extrapolacin. Los resultados reales pueden variar. Los
usuarios de este documento deben consultar los datos que corresponden a su entorno especfico.
Se ha obtenido informacin acerca de productos que no son de IBM de los proveedores de esos
productos, de sus publicaciones anunciadas o de otros orgenes disponibles pblicamente. IBM no ha
probado esos productos y no puede confirmar la exactitud del rendimiento, de la compatibilidad ni de
ninguna otra declaracin relacionada con productos que no sean de IBM. Las preguntas acerca de las
aptitudes de productos que no sean de IBM deben dirigirse a los proveedores de dichos productos.
Todas las declaraciones sobre el futuro del rumbo y la intencin de IBM estn sujetas a cambio o retirada
sin previo aviso y representan nicamente metas y objetivos.
Esta informacin contiene ejemplos de datos e informes utilizados en operaciones comerciales diarias.
Para ilustrarlos lo mximo posible, los ejemplos incluyen los nombres de las personas, empresas, marcas
y productos. Todos esos nombres son ficticios y cualquier parecido con los nombres y direcciones
utilizados por una empresa real es pura coincidencia.
Esta informacin contiene programas de aplicacin de muestra escritos en lenguaje fuente, los cuales
muestran tcnicas de programacin en diversas plataformas operativas. Puede copiar, modificar y
distribuir estos programas de muestra de cualquier modo sin realizar ningn pago a IBM, con el fin de
desarrollar, utilizar, comercializar o distribuir programas de aplicacin que se ajusten a la interfaz de
programacin de aplicaciones para la plataforma operativa para la que se han escrito los programas de
muestra. Estos ejemplos no se han probado exhaustivamente en todas las condiciones. Por lo tanto, IBM
no puede garantizar ni dar por supuesta la fiabilidad, la capacidad de servicio ni la funcionalidad de
estos programas. Los programas de muestra se proporcionan "TAL CUAL" sin garanta de ningn tipo.
IBM no ser responsable de ningn dao derivado del uso de los programas de muestra.
Cada copia o fragmento de estos programas de ejemplo o de cualquier trabajo derivado de ellos, debe
incluir el siguiente aviso de copyright:
(nombre de la compaa) (ao). Algunas partes de este cdigo procede de los programas de ejemplo de
IBM Corp.
Marcas comerciales
IBM, el logotipo de IBM e ibm.com son marcas registradas o marcas comerciales registradas de
International Business Machines Corp., registrada en muchas jurisdicciones en todo el mundo. Otros
nombres de productos y servicios podran ser marcas registradas de IBM u otras compaas. Encontrar
una lista actual de marcas registradas de IBM en la Web en "Informacin de copyright y marca
registrada" en www.ibm.com/legal/copytrade.shtml.
Adobe, el logotipo Adobe, PostScript y el logotipo PostScript son marcas registradas o marcas comerciales
de Adobe Systems Incorporated en Estados Unidos y/o otros pases.
Intel, el logotipo de Intel, Intel Inside, el logotipo de Intel Inside, Intel Centrino, el logotipo de Intel
Centrino, Celeron, Intel Xeon, Intel SpeedStep, Itanium y Pentium son marcas comerciales o marcas
registradas de Intel Corporation o sus filiales en Estados Unidos y otros pases.
Linux es una marca registrada de Linus Torvalds en Estados Unidos, otros pases o ambos.
Microsoft, Windows, Windows NT, y el logotipo de Windows son marcas comerciales de Microsoft
Corporation en Estados Unidos, otros pases o ambos.
UNIX es una marca registrada de The Open Group en Estados Unidos y otros pases.
Java y todas las marcas comerciales y los logotipos basados en Java son marcas comerciales o registradas
de Oracle y/o sus afiliados.
Avisos 69
70 IBM SPSS Forecasting 23
ndice
A Descomposicin estacional (continuacin)
crear variables 26
funcin de autocorrelacin
en Aplicar modelos de series
anlisis armnico 27 modelos 25 temporales 19, 20
anlisis de series temporales supuestos 25 en modelizador de series
modelos causales temporales 31 Diagramas espectrales 27, 29 temporales 12, 13
Aplicar modelos de series temporales 17 anlisis espectral bivariado 27 grficos para procesos ARIMA
estadstico de Box-Ljung 19 centrado de transformacin 27 puros 63
estadsticos de bondad de ajuste 19, supuestos 27 funcin de autocorrelacin parcial
20 ventanas espectrales 27 en Aplicar modelos de series
estadsticos en todos los modelos 19, temporales 19, 20
20 en modelizador de series
funcin de autocorrelacin parcial
(FAP) de residuo 19, 20 E temporales 12, 13
grficos para procesos ARIMA
funcin de autocorrelacin simple error absoluto mximo 59
puros 63
(FAS) de residuo 19, 20 en Aplicar modelos de series
funciones de transferencia 10
guardar modelos estimados de nuevo temporales 19, 20
rdenes de denominador 10
en XML 21 en modelizador de series
rdenes de diferencia 10
guardar predicciones 21 temporales 12, 13
rdenes de numerador 10
intervalos de confianza 20, 22 error absoluto porcentual promedio 59
rdenes estacionales 10
modelos de mejor o peor ajuste 21 en Aplicar modelos de series
retardo 10
nombres de variables nuevas 21 temporales 19, 20
parmetros de modelo 19 en modelizador de series
perodo de estimacin 17 temporales 12, 13
perodo de previsin 17 error porcentual absoluto mximo 59 G
previsiones 19, 20 en Aplicar modelos de series guardar
valores ajustados 20 temporales 19, 20 especificaciones de modelo en
valores perdidos 22 en modelizador de series XML 14
volver a estimar parmetros de temporales 12, 13 modelos estimados de nuevo en
modelo 17 escenarios de modelos causales XML 21
temporales 51, 52, 53, 54, 55, 56 nombres de variables nuevas 14, 21
estacionaria R2 59 predicciones de modelo 14, 21
B en Aplicar modelos de series
temporales 19, 20
BIC normalizado (criterio de informacin
bayesiano) 59
en modelizador de series
temporales 12, 13
I
en Aplicar modelos de series intervalos de confianza
estadstico de Box-Ljung
temporales 19, 20 en Aplicar modelos de series
en Aplicar modelos de series
en modelizador de series temporales 20, 22
temporales 19
temporales 12, 13 en modelizador de series
en modelizador de series
bondad de ajuste temporales 13, 15
temporales 12
definiciones 59 eventos 7
en Aplicar modelos de series en modelizador de series
temporales 19, 20 temporales 7 M
en modelizador de series MAE 59
temporales 12, 13 en Aplicar modelos de series
F temporales 19, 20
en modelizador de series
C FAP
en Aplicar modelos de series
temporales 12, 13
casos reservados 2 MAPE 59
temporales 19, 20
en Aplicar modelos de series
en modelizador de series
temporales 19, 20
temporales 12, 13
D grficos para procesos ARIMA
en modelizador de series
temporales 12, 13
datos histricos puros 63
MaxAE 59
en Aplicar modelos de series FAS
en Aplicar modelos de series
temporales 20 en Aplicar modelos de series
temporales 19, 20
en modelizador de series temporales 19, 20
en modelizador de series
temporales 13 en modelizador de series
temporales 12, 13
Descomposicin estacional 25, 26 temporales 12, 13
MaxAPE 59
almacenamiento de nuevas grficos para procesos ARIMA
en Aplicar modelos de series
variables 26 puros 63
temporales 19, 20
clculo de las medias mviles 25
71
MaxAPE (continuacin)
en modelizador de series
N T
temporales 12, 13 nombres de modelo transformacin de raz cuadrada
media del error absoluto 59 en modelizador de series en modelizador de series
en Aplicar modelos de series temporales 15 temporales 8, 9, 10
temporales 19, 20 nombres de variables transformacin logartmica
en modelizador de series en Aplicar modelos de series en modelizador de series
temporales 12, 13 temporales 21 temporales 8, 9, 10
Modelizador de series temporales 5 en modelizador de series transformacin logartmica natural
ARIMA 5, 9 temporales 14 en modelizador de series
estadstico de Box-Ljung 12 temporales 8, 9, 10
estadsticos de bondad de ajuste 12,
13 P
estadsticos en todos los modelos 12, parmetros de modelo V
13 en Aplicar modelos de series valor atpico aditivo 61
eventos 7 temporales 19 en modelizador de series
funcin de autocorrelacin parcial en modelizador de series temporales 8, 11
(FAP) de residuo 12, 13 temporales 12 valor atpico aditivo estacional 61
funcin de autocorrelacin simple periodicidad en modelizador de series
(FAS) de residuo 12, 13 en modelizador de series temporales 8, 11
funciones de transferencia 10 temporales 7, 8, 9, 10 valor atpico de cambio de nivel 61
guardar especificaciones de modelo en perodo de estimacin 2 en modelizador de series
XML 14 en Aplicar modelos de series temporales 8, 11
guardar predicciones 14 temporales 17 valor atpico de parche aditivo 61
intervalos de confianza 13, 15 en modelizador de series en modelizador de series
Modelizador experto 5 temporales 5 temporales 8, 11
modelos de mejor o peor ajuste 14 perodo de previsin valor atpico de tendencia local 61
nombres de modelo 15 en Aplicar modelos de series en modelizador de series
nombres de variables nuevas 14 temporales 17 temporales 8, 11
parmetros de modelo 12 en modelizador de series valor atpico innovador 61
periodicidad 7, 8, 9, 10 temporales 5, 15 en modelizador de series
perodo de estimacin 5 perodo de validacin 2 temporales 8, 11
perodo de previsin 5, 15 perodo histrico 2 valor atpico transitorio 61
previsiones 12, 13 prediccin de modelos causales en modelizador de series
suavizado exponencial 5, 8 temporales 47, 48, 50 temporales 8, 11
transformacin de serie 8, 9, 10 previsin de modelos causales valores ajustados
valores ajustados 13 temporales 45, 46 en Aplicar modelos de series
valores atpicos 8, 11 previsiones temporales 20
valores perdidos 15 en Aplicar modelos de series en modelizador de series
Modelizador experto 5 temporales 19, 20 temporales 13
limitar espacio de modelo 7 en modelizador de series valores atpicos
valores atpicos 8 temporales 12, 13 definiciones 61
modelo de suavizado exponencial Modelizador experto 8
amortiguado 8 modelos ARIMA 11
modelo de suavizado exponencial de
Brown 8
R valores perdidos
en Aplicar modelos de series
modelo de suavizado exponencial de R2 59
temporales 22
Holt 8 en Aplicar modelos de series
en modelizador de series
modelo de suavizado exponencial temporales 19, 20
temporales 15
estacional simple 8 en modelizador de series
volver a estimar parmetros de modelo
modelo de suavizado exponencial temporales 12, 13
en Aplicar modelos de series
simple 8 raz de la media cuadrtica de los
temporales 17
modelo de suavizado exponencial simple errores 59
de Winters en Aplicar modelos de series
temporales 19, 20
aditivo 8
multiplicativo 8 en modelizador de series X
modelos temporales 12, 13 XML
ARIMA 5 residuos guardar modelos de series temporales
Modelizador experto 5 en Aplicar modelos de series en XML 14
suavizado exponencial 5, 8 temporales 19, 20 guardar modelos estimados de nuevo
modelos ARIMA 5 en modelizador de series en XML 21
funciones de transferencia 10 temporales 12, 13
valores atpicos 11 RMSE 59
modelos causales temporales 31, 32, 34, en Aplicar modelos de series
35, 36, 37, 38, 41, 42 temporales 19, 20
modelos de suavizado exponencial 5, 8 en modelizador de series
temporales 12, 13
Impreso en Espaa