¿Cómo puedo explicar una previsión de series temporales?

Question

Digamos que he construido un modelo de series temporales que puede predecir la venta diaria de productos. Ahora, por ejemplo, la predicción de la serie temporal indica que la venta bajará mañana. ¿Cómo puedo explicar la predicción? Utilizando el modelo, ¿es posible saber por qué van a bajar las ventas?

Answer 1

Eso depende del tipo de modelo de series temporales que elija. Los modelos de series temporales típicos sólo dependen de los datos de las series temporales y no de datos externos. Esto significa que intentan describir la estructura de la serie temporal. ¿Es estacional? ¿Existe una tendencia? ¿Cuánto ruido hay?

Por lo tanto, estos modelos típicos de series temporales (como ARIMA) deben asumir de alguna manera que la serie temporal no cambia drásticamente. Si lo hiciera, arruinaría su predicción. Por eso, el análisis de series temporales suele suponer que se trata de procesos estacionarios (véase, por ejemplo este capítulo de un libro de texto en línea "Previsión: principios y práctica" para ver algunos ejemplos visuales). Con esta suposición, el modelo de series temporales puede suponer con seguridad que los exámenes futuros siguen el mismo patrón que el pasado.

Así, para los modelos de series temporales que dependen de la suposición de proceso estacionario (la mayoría) lo adecuado para decir una predicción es: basándome en los patrones de la serie temporal que observé en el pasado, esperaría este aumento/disminución mañana

Answer 2

"Los modelos típicos de series temporales sólo dependen de los datos de las series temporales y no de los datos externos" no es cierto, a menos que no haya predictores posibles. El análisis de series temporales abarca la utilización tanto de series de entrada deterministas como de series de entrada estocásticas. Además, el análisis puede descubrir variables latentes como pulsos, cambios de nivel, pulsos estacionales y tendencias temporales, así como efectos temporales concretos como el día del mes, la semana del mes, los efectos de adelanto y retraso de las vacaciones o los efectos especiales. Estos modelos suelen denominarse modelos de función de transferencia y, a veces, modelos de regresión dinámica y, en ocasiones, modelos de retardo distribuido polinómico y, en otras, modelos de retardo distribuido autorregresivo.