El mejor método para series temporales cortas

Question

Tengo una pregunta relacionada con la modelización de series temporales cortas. No es una pregunta si para modelarlos Pero cómo. ¿Qué método recomendaría usted para modelar series temporales (muy) cortas (digamos de longitud $T \leq 20$ )? Por "mejor" me refiero aquí a la más robusta, es decir, la menos propensa a errores debido al hecho del número limitado de observaciones. En el caso de las series cortas, las observaciones individuales podrían influir en la previsión, por lo que el método debería proporcionar una estimación prudente de los errores y la posible variabilidad relacionada con la previsión. En general, me interesan las series temporales univariantes, pero también sería interesante conocer otros métodos.

Answer 1

El problema, como sabiamente has señalado, es el "sobreajuste" que provocan los procedimientos basados en listas fijas. Una forma inteligente es tratar de mantener la ecuación simple cuando se tiene una cantidad insignificante de datos. Después de muchas lunas he descubierto que si simplemente se utiliza un modelo AR(1) y se deja la tasa de adaptación (el coeficiente ar) a los datos las cosas pueden funcionar razonablemente bien. Por ejemplo, si el coeficiente ar estimado es cercano a cero, significa que la media global sería apropiada. Si el coeficiente es cercano a +1,0, significa que el último valor (ajustado por una constante) es más apropiado. Si el coeficiente está cerca de -1,0 entonces el negativo del último valor (ajustado por una constante) sería la mejor previsión. Si el coeficiente es distinto, significa que una media ponderada del pasado reciente es adecuada.

Esto es precisamente con lo que comienza AUTOBOX y luego descarta las anomalías mientras afina el parámetro estimado cuando se encuentra un "pequeño número de observaciones".

Este es un ejemplo del "arte de la previsión" cuando un enfoque basado en datos puros podría ser inaplicable.

A continuación se presenta un modelo automático desarrollado para los 12 puntos de datos sin tener en cuenta las anomalías. con el Real/Ajuste y la Previsión aquí y el gráfico de residuos aquí