Tengo algunos problemas para explicar a personas [que no son estadísticos] que es natural revisar los parámetros de un modelo de series temporales (ARIMA) si se actualiza el modelo con nuevos datos (se añaden nuevos valores reales y se adelanta el punto de previsión).
Yo digo: El modelo está prediciendo nuevos valores de la serie basados en valores recientes y antiguos de la serie. Si tengo nuevos puntos de datos y deseo pronosticar a partir del momento t2 en lugar del punto t1 (t2 > t1), entonces tengo que actualizar el modelo con los datos entre t1 y t2; de lo contrario, realmente estoy pronosticando a partir de t1. Esto es natural para las series temporales.
Dicen: Los coeficientes de su modelo han cambiado de valor, por lo tanto ha desarrollado un nuevo modelo. Debe mantener los coeficientes iguales incluso con los nuevos datos.
El motivo de este debate es que se me ordenó no construir un nuevo modelo. En su opinión, he construido un nuevo modelo. En mi opinión, no. Dejando de lado la semántica, tengo tres preguntas principales:
(1) ¿Me equivoco? Admito libremente que el modelo puede dejar de ser el "mejor" modelo: que sea el mejor o el más adecuado no es la cuestión. Fundamentalmente, la cuestión es cuándo un modelo debe constituir un "nuevo" modelo.
(2) ¿Existe una forma práctica, no fundamentalmente defectuosa, de hacer lo que piden, es decir, utilizar el modelo de series temporales con datos más recientes sin cambiar los coeficientes? Las únicas formas que se me ocurren son (a) simplemente pronosticar a partir del punto original, pero utilizar datos reales cuando existan datos reales, y (b) recortar el tiempo entre t1 y t2, de modo que el período de pronóstico comience en t1. (Debo señalar que esto es técnicamente un modelo ARIMAX porque utilizo una variable macroeconómica prevista como entrada).
(3) Suponiendo que no me equivoque, ¿alguien tiene una fuente que pueda ayudar a explicar las series temporales a personas que no saben nada de estadística?
