SS_Logo

Introducción al Análisis de Series de Tiempo apoyo de Stata 17

Autor: Andrés Raúl Cruz Hernández / Portafolio: Quantitative / Jue. 27 de Oct de 2022

Transcripción de este video

00:00:45:21 Somos un equipo autogestionado, responsable, proactivo y autónomo, con gran compromiso social, aportando el pensamiento científico y el desarrollo latinoamericano, promoviendo el uso de software para investigación en todas las áreas del conocimiento. Generamos contenido de alta calidad teniendo en cuenta las distintas necesidades del mercado. Realizamos actividades gratuitas constantemente. Abordamos temáticas vigentes, aplicaciones especializadas y elementos metodológicos que te permiten interactuar y generar redes para la difusión de tus proyectos.

00:00:55:18 Contamos con servicio de asesoría, consultoría y acompañamiento personalizado, certificaciones internacionales, entrenamientos especializados y talleres prácticos.

00:01:10:26 Nuestro principal objetivo es promover el uso de tecnología en el campo investigativo, generando un impacto significativo en la región y de esta forma contribuir a la creación de comunidad para compartir conocimiento.

00:02:01:06 Te invitamos a ser parte de este gran equipo Software Shop. Visita nuestra página web y conoce nuestros servicios Software Shop. La empresa líder en la implementación de herramientas analíticas y software especializado en Latinoamérica, les da la bienvenida a esta presentación. Esta sesión contará con el acompañamiento de Andrés Cruz, instructor del portafolio cuantitativo en Software Shop Profesional de Finanzas y Comercio Internacional de la Universidad de La Salle, Magister en Investigación de Administración y Finanzas de la Universidad de los Andes acreditado con la Certificación Internacional en Administración de Riesgos Cuantitativos e QRM otorgada por el Instituto IPE actualmente adelante Estudios de Doctorado en Administración en la Universidad de los Andes en Colombia.

00:02:51:16 Bienvenidos. Muy buenas tardes a todos nuestros participantes y de antemano les agradezco por este tiempo que nos regalan en Bienvenidos a una sesión más un webcast más de software Soft, en esta ocasión dirigido hacia la. Bueno, si es. Es una aproximación, es una introducción al análisis de series de tiempo. Ojo, porque hago la aclaración de que es una introducción, ya que este tema de análisis de series de tiempo pues es un tema bastante denso, es decir, tiene mucho contenido y pues lo que podemos hacer en una hora digamos que es muy poco, por eso es una introducción.

00:03:22:03 La idea es que revisemos este tema utilizando Stata en su versión número 17. Y pues antes de empezar, pues de lleno con el uso del software, yo siempre procuro dar una contextualización un poco, unas bases y fundamentos como para entender ahora si es pues que es lo que vamos a hacer en esta ETAP. Y pues eso implica tener una fundamentación en lo que respecta a series de tiempo.

00:03:56:04 Para empezar, pues que es una serie de tiempo acá esta es una posible definición, no? Y es que una serie de tiempo es una secuencia de observaciones que voy a registrar, voy a tener un registro, unas observaciones de una variable. Esto va a estar medido en diferentes momentos del tiempo. Es decir, no voy a tener una sola observación, sino que voy a tener diferentes observaciones a lo largo del tiempo, que pueden ser segundos, minutos, días, horas, meses, años.

00:04:28:15 No ordenada cronológicamente o no? Bueno, esto depende de de los datos que yo estoy trabajando, pero por lo general esa data se tiene que ordenar cronológicamente y debe estar espaciada. Esas observaciones deben tener el mismo espacio, digamos, de manera uniforme. Es decir, que si yo estoy registrando, observando datos diarios, pues debe estar espaciado diariamente a lo largo de las observaciones.

00:05:05:23 No puede ser que yo tenga unas observaciones diarias. Luego tengo unas observaciones semanales de unos mensuales, todo eso mezclado así no? Porque puedes terminar dañando el registro y esa secuencia de observaciones que tengo. Entonces debe ser tendencia varias. Sí, deben estar medidas en diferentes momentos del tiempo. No puedo tener en y bueno, eso está relacionado con lo que dije hace unos segundos, pues que debe estar casi de la misma manera y ordenar cronológicamente por lo general en una base de datos.

00:05:35:05 Entonces se organiza la información de tal manera que cada columna a ver, organizando, digamos la información yo la voy a organizar en forma de columna, donde cada columna es una variable y cada fila va a ser una observación. Aquí les presento un ejemplo muy sencillo donde tengo mi variable tiempo o lo que me va a indicar el tiempo, días, meses, semanas, etcétera Luego la variable uno, que puede ser una tasa de cambio.

00:06:03:21 Por ejemplo, si tengo la variable dos, que puede ser, no sé, el peso de una persona a lo largo de los días. Entonces hoy me empecé 76, mañana o a la semana me peso y entonces estoy 78 y así sucesivamente. Esta debe ser como una forma en la cual se struct cura. Todos se organizan los datos. Cuando voy a trabajar series de tiempo es cuatro y eso es como lo primero que hay que decir.

00:06:48:25 Las series de tiempos son útiles y se presentan en muchos campos o en muchas profesiones, por así decirlo. Entonces, por ejemplo, en economía y en marketing o afines, yo puedo tener series de tiempo acerca de las proyecciones de nivel de empleo que va a tener un país o el nivel de desempleo que ha tenido históricamente, no? Entonces esa es una de las aplicaciones que puedo tener, la evolución del Índice de precios del consumidor, la inflación, por ejemplo, e beneficios netos mensuales de una entidad bancaria, no el precio del petróleo, la tasa representativa del mercado o la tasa de cambio de las divisas.

00:07:23:13 Todas esas son observaciones que yo puedo tener históricamente organizadas y espaciadas en el mismo intervalo de semanas, o en meses o en días. No? Esto también es aplicable, perdón? Es aplicable a datos demográficos, como por ejemplo el número de habitantes que tiene una ciudad a lo largo de un tiempo. Aquí yo pongo que un año es un tiempo equis tiempo, perdón, la tasa semestral de mortalidad infantil.

00:08:01:09 Y bueno, son dos ejemplos no más de de todo lo que yo puedo encontrar en democracia en el medio ambiente es otra utilización o donde yo puedo encontrar series de tiempo, como por ejemplo la evolución horaria de niveles de dióxido de carbono en un pueblo para medir la calidad del aire, por ejemplo, en una ciudad como Bogotá yo puedo tener un registro histórico de cuál es esa calidad del aire y eso me sirve o se constituye como una serie de tiempo la lluvia, lluvia, una lluvia recogida diariamente en una localidad para quienes están en Colombia y puntualmente en Bogotá.

00:08:35:10 Ahorita estamos en una época de lluvias muy intensas, entonces ese nivel de lluvias que puede tener la ciudad también se puede ir registrando por horas. Por ejemplo, y construir una serie de tiempo, por ejemplo la temperatura promedio mensual de una ciudad y entonces como vemos las series de tiempo no es algo netamente o que solo se utiliza en economía o en finanzas, sino es algo que aplica a muchos campos, pues se ve presente en diferentes profesiones.

00:09:07:03 Bueno, entonces ya entrando en materia les robé unos minutos de introducción a esto, ya entrando en materia, entonces cuando yo voy a analizar una serie de tiempo, lo primero que debo hacer es evaluar o verificar ciertos componentes o ciertas características que pueden estar presentes en una serie de tiempo o que no, es decir, no necesariamente tienen que estar todas estas características a la vez.

00:09:36:17 Pero yo evalúo qué es lo que hay, una característica, la primera que yo puedo observar y la tendencia y que es la tendencia. Bueno, esto yo lo puedo definir como una dirección hacia la cual se orientan los datos, hacia donde tienen los datos, hacia donde se van a mover, es una dirección y esto se produce en relación a su nivel promedio, que aquí vamos a estar hablando de promedios.

00:10:08:28 Entonces hacia donde se mueve la variable? En promedio está la tendencia. Los datos promedio se puede clasificar en tres, en tres categorías. La primera es una tendencia creciente, una tendencia decreciente o puede existir que no haya una tendencia. Entonces por aquí hay una gráfica admisible, una tendencia creciente, pues es una tendencia que va hacia arriba, la tendencia decreciente de lo contrario, y una tendencia.

00:10:39:13 Pero cuando no hay tendencia, pues los movimientos son horizontales. Esto también se conoce como una tendencia alcista, una tendencia bajista o una tendencia lateral. De nuevo, cuando los datos no presentan una dirección definida, sino que se mueven horizontalmente de acuerdo, entonces ese es un primer componente que yo puedo tener en cuenta o que yo debo tener en cuenta al momento de evaluar una serie de tiempo.

00:11:15:05 Entonces voy a detener por acá esto y voy a pasarme a esta tabla, compartirles esta que deberían estar viendo. Stata Si me acuerdo, correcto, listo, gracias. Y lo primero que yo quiero mostrarles es que antes de entrar a analizarla en la serie de tiempo que les voy a presentar, quiero mostrarles que esta lleva, digamos que un registro del tiempo internamente.

00:11:41:24 No sé, de pronto aquí alguien ha trabajado en Excel y ha convertido datos numéricos a fechas, es decir, o al contrario, las fechas que ustedes ponen en Excel, ustedes después hacen el ejercicio, vayan a Excel, pongan una fecha y luego le cambian el formato a un formato numérico. Esa fecha Excel la cambia automáticamente a un número. Y es que Excel lleva un registro, digamos de las fechas.

00:12:08:27 Si no estoy mal, como desde 1902, aproximadamente el 1 de enero de 1900, que un registro de fechas está tan por ejemplo acá, yo le voy a decir se va a dar este comando display y le voy a decir muéstreme el mes y el día 1, es decir, el 1 de enero del año. Aquí es Mount Day Year, el primero del primero de 1960.

00:12:48:10 Bien, no, este va a ser un primer comando y me dice que es el dato cero en dato cero, es decir, las fechas en esta, digamos que inician el número cero. Si yo lo quiero convertir a una fecha, viene a ser el 1 de enero de 1960. Y eso porque es importante, porque las fechas, claro, si yo, si yo le puedo poner una fecha en texto, no como en 19 de abril de 1960, pero cuando yo voy a trabajar con series de tiempo, esas fechas que pueden ser texto, yo debo convertirlas a números para poder trabajar, digamos, y hacer pronósticos y demás.

00:13:12:05 Yo no puedo hacer pronósticos con variables, que es un texto, por ejemplo, yo no puedo pronosticar cuál va a ser el texto, por así decirlo, dentro de una semana. No, yo necesito convertir ese texto a un número, entonces por eso hago esa aclaración que digamos, las fechas dentro de Stata corresponden a un número y con base en eso es que se realizan los pronósticos y demás cosas.

00:13:44:23 Y por ejemplo, si yo pongo este comando display horas, minutos y segundos, el segundo uno, por ejemplo, entonces el tiempo lo da. Digamos que la del primer comando es acerca de fechas de días. Aquí yo les estoy mostrando entonces que el segundo uno, es decir que el tiempo, los minutos, los segundos, las horas, los días, los meses, semanas, todo esto entra configurado numéricamente dentro de en esta otra.

00:14:23:24 Y por ejemplo hoy si yo quisiera ver cuál es la fecha de hoy, digamos que numéricamente hablando, por ejemplo a bueno, el día de la semana de O uy, perdón, de yo jure el día del año, perdón del 27 de octubre de 2022 por otra carta, no decir que del año de los 365 días que tiene el año, vean el día de hoy, el 27 de octubre corresponde al día número 300, es decir que el año finaliza dentro de 65 días para los que usted llega a este tipo de cuentas y demás no?

00:14:50:02 E Yo también puedo decir de hoy día cual es el día de la semana de hoy, por ejemplo, entonces lo único que tengo que hacer es día de la semana, si yo quiero saber hoy que es de o weak del 27 octubre de 2022, el día 4 lunes, martes, miércoles, jueves, ahí está el día 4. Esto de nuevo para aquí para que interioricemos.

00:15:24:01 Digamos que lo que son días, fechas, todo lo que corresponde a tiempo es data, lo configura de una manera numérica. Y esto es importante por que? Porque ya lo vamos a ver. Entonces con esos ejemplos digamos que lo que quería demostrar era que esta tan codifica el tiempo, codifica el tiempo. Ahora si vamos a voy a cargar una base de datos aquí en esta TAN, va a importar la base de datos y voy a mostrar qué es lo que tengo por aquí rápidamente.

00:16:04:18 Ven acá. Creo que lo estoy viendo. Perdón. Y también un segundo ya acá esta la base de datos que cargué, entonces no tengo una variable que se llama fecha, pero vean como esta la fecha acá esta como normalmente lo tendríamos. De pronto tendremos 1980 enero. Bueno, tengo datos mensuales. Entonces ven mes uno, mes 2003 hasta el mil 12.980 y aquí ya arranca 1981 12 meses.

00:16:49:09 Pero lo tengo en texto. Entonces lo que voy a hacer es más adelante configurarlo de nuevo como una variable numérica, por así decirlo. Y lo que tengo acá en esta base de datos, un precios son precios, una base de datos de precios en dólares de diferentes variables, commodities, alimentos, metales, por ejemplo el precio de la naranja en Estados Unidos, el precio promedio mensual precio del coco en Estados Unidos Todo esto esta en dólares y corresponderán a datos de Estados Unidos y el precio del cerdo, por ejemplo de metales como el oro o como la plata o commodities en general.

00:17:08:05 Entonces lo que voy a tener aquí son series de tiempo de diferentes commodities y lo que quiero que hagamos ahora es entrar un poco a ver como se analizaría o se encontraría gráficamente estos componentes que les voy a estar mencionando. El primero de ellos fue la tendencia y entonces lo que voy a hacer es volver a la presentación.

00:17:44:23 Perdón, perdón que los maree con todo esto y volver a la presentación. Y entonces vamos a ver qué tipo de tipo de productos pueden presentar una tendencia, por ejemplo, y como lo observo yo a nivel gráfico, entonces lo que voy a hacer es venir a mi, se trata de mi patio y acá están y voy a generar primero una nueva variable.

00:18:09:01 Vean a que le estoy diciendo generic cree una variable que se get se llama fecha pero en número datum una fecha que ya no va a estar en texto sino en número y va a ser una variable mensual. Porque acuérdense que los datos los tenemos mensuales y de donde voy a sacar esa información? Pues lo que tengo yo acá y les había mostrado mi base de datos acá.

00:18:36:07 Entonces voy a crear una nueva variable, voy a pasar ese texto a a número y lo que voy a hacer para poder manipular esa variable del tiempo ya que esta en texto de nuevo no? Y adicionalmente entonces voy a darle algo de formato a esa variable, porque es que a ver si es que no entiendo que esta pasando acá.

00:19:15:26 Si aquí en el stata aquí tenemos la variable de no en texto y yo si, yo me voy al final de la base de datos, voy a encontrar la variable que creé a María a cantar num. Vea entonces el primer enero de 1980, si no estoy mal, corresponde al mes 240 dentro de la lógica de Stata primero, si en enero de 1980 corresponde al mes número 240, dentro de la lógica de Stata, como yo les dije, Stata codifica el tiempo, entonces es el mes 240, febrero es 241, no?

00:19:57:26 Por ejemplo, si yo buscara por acá cual es el mes, uno debería ser el 1 de enero de 1960, si no estoy mal que yo les dije que iniciaba en tiempo acá, entonces vean que por acá y le voy a decir muéstreme cual es ese mes uno Porque si me está diciendo que enero es el mes 24 de 240, creo el mes arranca desde cero, no seria esto de acá si yo le digo el febrero por ejemplo a monte y dice este es esto acá febrero, entonces sería el mes uno no?

00:20:38:23 Entonces bueno, le puse algo en formato, le voy a poner algo de formato a EM a la fecha y entonces al ponerle yo este, este, este código digamos de porcentaje, si yo vengo otra vez a mi base de datos, ven que le cambio el formato? Ojo, le cambio el formato. Ya no es el mes 240 no, pero que esto ya no va a ser texto, solamente le puse como un ley por una mascara por así decirlo, sigue numéricamente, sigue siendo esa ese numero dentro de stata, pero tiene esa mascara para yo poder entenderlo, porque es que si yo veo un 240 yo no sé qué mes es, no entiendo.

00:20:58:15 Entonces le puse esa es el label y ahora yo ya veo entonces que es el mes uno de 1980, pero ojo que ya no es texto, vean que si fuera texto estaría de este color como una variable de acá. Aquí ya es numérico, solamente que tiene una mascarita, un label encima para yo poder entender que es lo que tengo acá.

00:21:32:15 De acuerdo, entonces ya le puse esto y ahora lo que debo hacer es especifica, arle a esta tan que voy a trabajar con series de tiempo. Eso es súper importante porque esta debe entender que a partir de este momento yo voy a trabajar series de tiempo, eso es súper clave, entonces para eso lo que debo hacer es decirle que voy a trabajar con una serie de tiempo y cual es esa variable que me indica acá que serie de tiempo?

00:21:53:11 Entonces le voy a decir tan series set como configuración de serie de tiempo set no? Y la variable que me va a sonar a mi, esa serie de tiempo que me va a jalona por así decirlo, es esa que creé, esa variable que esta relacionada con el tiempo, es la que me va a llevar a mi la cuenta del tiempo.

00:22:18:20 Entonces de esta manera le estoy diciendo oiga, a partir de ese momento vamos a trabajar con series de tiempo, la variable de num que fue la que cree va a de mi, eso ya me lo arroja esta etapa de 1980 a 2020 hasta marzo 2020 delta cual es la variación? Me acuerdo que yo les dije que esas series de tiempo tenían que estar espaciadas uniformemente.

00:22:46:13 Si son meses, si son días y son años, pero lo mismo para todas. Aquí me esta diciendo el delta, es decir, esa variación de una fecha a otra es un mes, es decir, los datos van a estar cambiando de mes en mes de acuerdo? Entonces con eso en mente vamos a buscar, por ejemplo, una variable que tenga, tenga una tendencia, no?

00:23:17:29 Entonces voy a verlo gráficamente. Yo esto lo puedo analizar gráficamente y ojo que para graficar series de tiempo existe un comando específico, un comando puntual, que es este que yo les muestro acá, si es line time en una línea de serie de tiempo, es lo que le estoy diciendo. De acuerdo? Este es el comando line y lo siguiente entonces le digo quiero que mi gráfico una serie de tiempo y lo siguiente es llamar una variable.

00:23:45:12 Cuál es la variable que quiero que mi graphic? Bueno, en este caso es este tipo al que corresponde. Todas las variables empiezan por PF 50 que quiere decir price? El precio de de try que vienen a ser como las aves de corral, por así decirlo, como los pollos, como las codornices, todas estas aves de corral que lo que hacen es sacar un precio promedio de la carne de esas aves, no?

00:24:13:05 Y eso es lo que tenemos acá, el precio, podríamos decir que el precio del pollo como para generalizarlo. Le doy enter y entonces acá ustedes deberían estar viendo. Vamos a ver si se están riendo. Mi gráfica caer y estar viendo la gráfica y vean que es una serie de tiempo que gráficamente ya podemos determinar por lo menos ese componente que acabamos de revisar.

00:24:39:26 Es decir, podemos decir si tiene o no una tendencia la serie de tiempo no? Y podemos decir que tiene una tendencia alcista, una tendencia creciente que va hacia arriba, no a lo largo del tiempo, desde 1980 a 2020, de acuerdo a los últimos años, ha habido una mayor volatilidad en ese precio y quizá en ese pedazo ya se puede perder la tendencia.

00:25:13:20 No? Pero por lo menos hasta acá, donde está mi curso? Vamos a ver si puedo anotar por acá, por acá, por lo menos hasta esta línea que les estoy dibujando. Hay una tendencia alcista hacia arriba, no aquí en este pedazo. De pronto ya se pierde mucha volatilidad y no se puede observar ningún tipo de tendencia. Pero digamos que es una de las características que se pueden observar en una serie de tiempo de acuerdo, esto no da continuidad.

00:25:44:21 Entonces, como con la presentación, otro de los componentes que se pueden observar en una serie de tiempo es este la estacionalidad. Y ojo que estos últimos podemos confundir los rangos confundido con estacionaria edad, que ya la vamos a ver más adelante. Pero la estacionalidad corresponde a un patrón que significa la repetición de un valor en el mismo momento del tiempo, dentro de un periodo determinado, no?

00:26:10:20 Entonces algo que es estacional no? Y por lo general bueno, aquí ya podemos discutir que si es menor a un año, que sea menor o mayor a un año no? Cómo se repiten esos eventos, por así decir, cuando es menor a un año? Bueno, digamos que es lo que dicen los libros, los textos académicos. Esto puede ser controversial cuando es menor a un año.

00:26:41:02 Ese componente yo lo llamo estacionalidad. Cuando es mayor a un año lo mismo, pero ahora se entiende como un ciclicidad de un ciclo, por ejemplo, estacionalidad mayor a un año. Entonces ya se convierte la estacionalidad. Cuando es mayor a un año, ya se entiende, es como ciclicidad, dicen que la economía es cíclica porque tarda años en cumplir sus ciclos de crecimiento, de auge y luego de recesión decrece y miento y otra vez no, pero toma años.

00:27:02:02 Entonces por eso dicen que la economía es cíclica y no que la economía es estacional, pero son perspectivas, digamos. A fin de cuentas, lo que me importa ver es si ese patrón se repite en diferentes momentos, en diferentes ocasiones, como por ejemplo las ventas al detalle, las ventas al por menor, por así decirlo, en los meses de noviembre y diciembre, no?

00:27:54:17 De pronto ustedes se habrán dado cuenta que en estas fechas, noviembre y diciembre, por las festividades y demás, el comercio se dispara. Las ventas que hay en el comercio minorista o al detalle se incrementa mucho porque todo el mundo va a comprar regalos, decoraciones, comidas y todo esto. Entonces esas ventas van a presentar un ciclo o una estacionalidad con el paso del tiempo, por ejemplo, el no, ya tenemos un año, entonces si digamos que es lo que dice la teoría, es que si es dentro de un año estoy acá, entonces estos movimientos entendidos se entendería como estacionalidad, cuando esos mismos movimientos ya se repiten año tras año tras año, quiere decir que hay una ciclicidad,

00:28:18:21 es decir, vamos a estar hablando de ciclos, no? Pero en el fondo lo mismo una estación o un ciclo viene a ser la repetición de las estaciones del año. Por ejemplo, sabemos que las temperaturas a lo largo del año van a tener esos movimientos año tras año, aunque ya por cuestiones del calentamiento global y todas estas cosas, las temperaturas ahora cada vez son más extremas.

00:28:56:06 Los inviernos llegan antes, se van, duran más tiempo. En fin, está cambiando todo esto, pero históricamente, pues las estaciones eran cíclicas, no de ahí, de ahí la palabra estacionalidad, no de las estaciones. Y pues bueno, es otro componente que se puede analizar cuando yo miro series de TV. Entonces por ejemplo, yo puedo, quiero que miremos otra variable, vamos a buscar por acá otra variable y voy a graficar.

00:29:22:26 Se me ocurre el precio de la naranja en Estados Unidos en un precio promedio. Vamos a ver si aquí están viendo y si acaso también NYSE. Entonces si es line de nuevo la gráfica de series de tiempo de la naranja y entonces vean que por ejemplo aquí ya no hay una tendencia. Y cual sería la tendencia en el largo plazo?

00:29:45:04 Ojo, eso depende también del marco de tiempo que yo estoy utilizando. Si yo lo veo, el panorama global aquí yo no veo ninguna tendencia. Sería una tendencia lateral, por ejemplo, que llega a unos máximos y llega por acá a unos máximos, no, que no pasa de los 2 $. Muy bueno, pasa, pero vuelve otra vez y tiene unos mínimos.

00:30:11:22 Por acá tiene unos mínimos no, pero su movimiento es horizontal, entonces acá no hay tendencia, por ejemplo, pero si puede haber vean dados esos movimientos así hacia arriba, eso yo podría pensar que si hay algún tipo de tendencia, de estacionalidad o que si hay algún tipo de ciclicidad, no, pero eso ya depende del, digamos, de del zoom de la lupa que yo le ponga.

00:31:05:00 No tendría que entrar a mira, ya no desde los 80 hasta los 40, que hasta los 20, que es un 40 años, no, sino podría entrar a mirar espacios más reducidos y ver cómo se comportan las series de tiempo en esos espacios puntualmente a ver si hay tendencia. O sea, si, si en esos espacios ya hay algún tipo de tendencia, o si hay ciclicidad o si hay estacionalidad, por ejemplo, entonces lo que yo puedo hacer es decir las tata oiga, grafico en esto pero solamente en un pedacito del tiempo a cortemos eso de ahí, entonces voy a decir el precio de la naranja orange y si digamos solamente esta desde 1990 a 1999, por ejemplo,

00:31:25:04 desde enero del 90 hasta diciembre del 99, diez años, voy a ver, ya no voy a ver 40 años que fue lo que vimos, sino diez años. Entonces vean que con estos comandos de nuevo lo que hago es ahora modificar la gráfica, ya no que me muestra el panorama global, sino que le añado un comando adicional y le digo muéstreme solamente ese rango.

00:31:56:11 Desde 1990 hasta el 99 y le doy enter. Y entonces llamé Recorta la gráfica y vean que hay algún tipo de estacionalidad que de pronto no era muy claro si yo lo veía de manera alejada, por así decirlo, los 40 años de pronto no es muy claro por ese lado, pero ahora si lo veo haciendo un poquito de zum, pues voy a encontrar algún de alguna forma estos ciclos ven más o menos así.

00:32:24:03 Perdón que no tengo un no, tengo una especie de ciclos por acá, no todas estas ondulaciones y entonces aquí yo ya tendría que entrar a analizar, pues cada cuánto es este ciclo? Cada tres meses, cada cual, si es algo trimestral, algo cuatrimestral, si es semestral, si es anual. No todas estas características ya tendría que entrar yo a analizar, pero lo que veo es que si hay como esta ondulación por así decirlo no?

00:32:58:14 Y puedo entonces decir que por lo menos desde los 90 hasta el 2000, si hubo algún tipo de ciclicidad, no? Si yo lo observo, vean que es sobre todo al principio de cada o cada dos años. Es lo que puedo observar. Cada dos años hay picos. Vean, en los 90 había un pico por acá en los en el 92 otro pico en el 94, en otro pico por acá en el 96 al inicio de los años, no, en el 98.

00:33:35:26 Bueno, por acá entonces puedo decir que aproximadamente cada dos años estoy alcanzando un pico en el precio de la naranja, no? Cómo lo ven? Cómo lo vivo? Bueno, entonces aquí estaría yo observando algún tipo de estacional edad o de ciclicidad. Depende de como se lo quiera recibir. No? Listo. Qué otra cosa? Miremos otra. Otra variable. Por ejemplo, antes de volver a la presentación, me gusta otra variable.

00:33:59:15 Entonces vengo por acá y le voy a decir muéstreme el precio de la leche, por ejemplo. Y bueno, aquí me muestra este. Esta primera parte vacía. Pues porque no hay registros en esta base de datos de esto. Entonces lo que le voy a decir es, muéstreme, digamos que desde donde se registros y sería aproximadamente como desde 95, no podríamos ver unos diez años.

00:34:45:12 Es de 95. Entonces voy a venir acá y le voy a decir Muéstreme el precio de la leche dentro de ese intervalo otra vez dentro enero del 95 hasta diciembre del 2015. Para obtener ahí 20 años tendría. Y acá me muestra otra vez una gráfica donde observo que hay picos que casi que están separados o distancia dos por el mismo tiempo, no por acá como en el 97, tipo 99 más o menos 2001, en fin, no todo eso pues obviamente no, no puede ser solo grafico no?

00:35:26:26 Yo tengo otras herramientas para determinar cual es esa ciclicidad o esta estacionalidad, si es mensual, trimestral en esta lo que les había mencionado, pero digamos que no lo vamos a hacer en ese momento. Pero digamos que lo que quiero que ustedes observen es que a nivel gráfico yo puedo identificar algunas de estas características. Listo, eh? Vamos a volver entonces a la presentación para continuar a ver que es lo que tenemos por acá y si acaba de entrar bien mula un mito que es como que correcto esta la presentación de componentes.

00:36:14:07 Ya, gracias. Escribo de nuevo el cursor que listo ya si. Y otra característica que pueden tener las presentaciones de las presentaciones una serie de tiempo es la aleatoria, que sencillamente no tienen tendencia, no tienen ciclicidad, no tiene estacionalidad, sino que son movimientos aleatorios, es decir, que no, no tienen una dirección observable, por así decirlo. Y este componente, pues lo que les decía no responde a ningún patrón de comportamiento, sino que es el resultado de factores fortuitos o aleatorios que inciden a una variable de forma aislada, una serie de tiempo.

00:36:40:05 Si yo yo le puedo decir a esta pa que me genere datos aleatorios, por ejemplo en RM 10.000 datos aleatorios que se comporten como una distribución normal, por ejemplo una y esta también crea muchos números aleatorios. Si yo lo grafica ahora, seguramente obtendré algo así donde yo tengo movimientos erráticos, lo puedo hacer también con simulaciones de Montecarlo, por ejemplo, simulaciones de Montecarlo.

00:37:19:18 Y aquí lo que esta gráfica o simulando más bien esta simulación de Montecarlo, es el precio de una acción, de una acción cualquiera. Entonces ese precio se mueve libremente y es un movimiento errático y yo no puedo determinar ni tendencia, ni estacionalidad, ni ciclicidad, ni estas características que vimos previamente de acuerdo, entonces con eso en mente vamos a volver a esta ATM por acá en estar viendo esta Statham y vamos a ver que variable puede presentar ese comportamiento.

00:37:57:00 Y se me ocurre ni el precio del puerco, el cerdo marrano, el cochino, este animal dependiendo de cada país lo llaman de una manera diferente. El cerdo, el marrano. Bueno, miren que de nuevo estoy encontrando yo un movimiento quizá un poco aleatorio. Vean que aquí los picos ya están más distantes. Aquí tengo un movimiento laterales, aunque puedo presentar o puedo observar más bien algo de tendencia, no en el largo plazo, como una tendencia bajista por acá, una tendencia, algo así.

00:38:27:27 Están a tendencia lateral si, pero bueno, todas estas características dependen del show que yo le haga. Si yo hiciera su a esta última parte, pues encontraría algo totalmente distinto a que si yo observo esta parte de acá o que si solamente observo esta parte de acá, depende de nuevo la lupa que yo estoy utilizando. No? Pero digamos que en este periodo de los 80 a los 2020 yo podría decir que el comportamiento puede ser algo aleatorio, no?

00:38:58:24 De nuevo, gráficamente todo esto yo lo puedo determinar y a través de diferentes pruebas, pero este es un webcast que está dedicado hacia la introducción a las series de tiempo. Entonces no nos vamos a meter en profundidad. Pero lo que si podemos observar es eso que que son precios de diferentes productos, son precios, pero pueden tener características totalmente diferentes en las series de tiempo, pueden tener características totalmente diferentes.

00:39:40:00 Bueno, vamos entonces por acá que quería que viéramos eso por ahí. Otra, veamos otra variable. Por ejemplo, el precio del tomate, del tomate. Vean que de nuevo por. Por los espacios de los picos y los valles esta estos movimientos. Yo puedo pensar que tiene un movimiento cíclico tendencial, quizá porque no puede observar algo de dependencia hacia una tendencia creciente por acá en esta parte.

00:40:35:07 Pero no es mucho, no es muy fuerte porque termina siendo algo muy lateral, no? Y este recordemos que es el precio promedio de las variables, el precio promedio. Bueno, y se me ocurre, mira, esta variable está dada por acá el precio de la madera en perdón, el precio se me va un español este como estoy, pero lo que quiero es que veamos que hay ciclos, no que hay ciclos por acá, ciclos, ciclos por acá, otro ciclo por acá, otro si que por acá, que son movimientos muy similares, muy similares entre si y que no hay tendencia.

00:41:07:24 Por ejemplo, en esta parte hay una tendencia lateral, pero si hay ciclos, entonces vean que y con esto voy volver a la presentación, ver que no todos, todos estos elementos deben presentarse al mismo tiempo, no todas estas características se deben cumplir a la vez. Es decir, que si yo tengo tendencia, posiblemente no tengo si es ciclicidad o estacionalidad, o si tengo una o no tengo la otra, o puedo tener movimientos aleatorios pero aleatorios crecientes, por ejemplo, o aleatorios decrecientes también.

00:41:33:15 Es decir, no todas las características se deben cumplir a la vez. Lo que quiero que quede claro, pero ojo, todas las características si deben tenerse en cuenta para la modelación y que si tiene tendencia a Entonces dentro de mis modelos estadísticos debo tener en cuenta la tendencia que sí tiene, que sí es aleatorio. Entonces dentro de mis modelos debo tener en cuenta esa aleatoriedad.

00:42:00:24 Entonces ojo, que no quiere decir que se tengan que cumplir todas a la vez, pero sí debo tener en cuenta todas esas características al momento de realizar algún tipo de modelación. Y lo que les decía es que la estacionalidad, ojo que estacionalidad voy a volverme es con l estacional de las estaciones estacionalidad. Y quiere decir que ese patrón se repite, no?

00:42:28:14 Otro concepto es la estación variedad o y lo traigo como para hacer esa aclaración en esa diferenciación. Y se dice que una serie de tiempo es estacionaria cuando su promedio y su varianza son finitas y son constantes. Y la covarianza? Bueno, respecto a un rezago no me quiero poner muy técnico, también es finito y es finita y constante.

00:43:13:24 Entonces la estacionalidad esta relacionada con el promedio, la varianza y la covarianza que son finitos y constantes de manera generalizada. Donde puedo encontrar esto? Por ejemplo en los retornos, cuando yo grafico los retornos de alguna acción, por ejemplo acá no tengo acciones, entonces no, no lo puedo hacer, pero cuando grafico los retornos de los precios de alguna acción, yo voy a encontrar movimientos que parece que son aleatorios pero que se van a mover, son constantes en su promedio, es decir, se van a mover cerca al cero, por ejemplo, estos procesos de estacionalidad muchas veces se conocen también como procesos estocásticos.

00:43:35:23 Bueno, tiene algunas similitudes, diferencias, ruido blanco también se conoce como ruido blanco, no? Que es cuando la media es constante, los movimientos alrededor de la media es algo constante, no la media cero, por así decirlo, y los movimientos son hacia ese lado. La varianza es constante y la coherencia es finita y constante. Bueno, de nuevo, esto es una introducción.

00:44:17:25 En una hora no podemos abordar todos los temas y de manera muy profunda, pero este concepto es importante al momento de hacer pronósticos. También cuando yo voy a trabajar pronósticos de series de tiempo, yo debo evaluar también si la serie de tiempo es estacionaria o no, hago la aclaración y es importante porque dependiendo de todas estas características que puede presentar una serie de tiempo, yo puedo utilizar diferentes modelos o diferentes procesos, como cuales por ejemplo de aquí les voy a presentar no algunos, solo el nombre, pero quizá ustedes ya los conocen, los han visto en algún otro lado no?

00:44:54:21 Que son los modelos auto regresivos entonces dependiendo si la la serie de tiempo tiene una constante o si es estacionaria o si tiene una tendencia. Si todas estas estas cosas, dependiendo de todo eso, yo utilizo o no uno de estos procesos. Entonces existen los modelos auto regresivos, los modelos de media móvil, no? Cuando combino estos modelos, entonces encuentro o estos procesos encuentro un proceso auto regresivo con promedio móvil, esto es moving veras.

00:45:46:24 Entonces. M.A. Promedio móvil, cuando yo tengo que integrar estos datos para que se vuelvan estacionarios, esto que les acabo de mencionar acá, cuando tengo que hacer algún proceso de integración, entonces ya estos modelos se conocen como modelos ARIMA, que son modelos auto regresivos, integrados de promedio móvil o de media móvil. Y para que el tema de series de tiempo es un tema muy amplio, muy amplio y no todo lo podemos abarcar en una hora ya cuando por ejemplo yo tengo en cuenta la UNSAM de esas series de tiempo y puede utilizar modelos que analicen esa varianza, que le hagan énfasis a de varianza.

00:46:11:02 Y es que una de las características de las series de tiempo es que pueden ser heteros, elásticos u homo. Se dan éticos, enteros, elásticos. Quiere decir que la varianza no es constante a lo largo del tiempo y como sea esto quiere decir que la varianza es constante, es igual como no igual. Y eso por? Porque es importante. De nuevo me voy a volver por que las.

00:46:41:27 Este concepto de estacionalidad hace relación al promedio y a la varianza que son constantes, finitos y constantes. Cuando no se cumple esto, entonces ahí es cuando yo tengo que entrar a trabajar con estos modelos que me vuelvan constante, que le hagan una, un cambio y una configuración a mi serie de tiempo, por ejemplo. Y entonces termino construyendo modelos auto regresivos que utilizan este primer modelo de arribita, el AR, pero que son condicionalmente héteros elásticos.

00:47:02:22 Es decir, yo le estoy diciendo voy a trabajar un modelo auto regresivo, pero como mi serie de tiempo no es o no se aplica, es decir, mi serie tiempo no tiene una varianza constante para solucionar ese problema. Entonces utilizo un modelo args condicionalmente héteros elástico, vean, y así hay muchísimos otros modelos. Acá tengo el ultimo que les quería mencionar.

00:47:34:14 Existe otro que es un modelo CAR, que son modelos generalizados auto regresivos, condicionalmente heteros, elásticos y la lista continua es muy grande, pueden ser modelos gauge y media o pueden ser modelos ARIMA o pueden ser modelos. Bueno, existen muchísimos modelos que yo puedo utilizar para trabajar mis series de tiempo, sobre todo para querer hacer pronósticos de esas series de tiempo.

00:48:13:10 Entonces es importante que entendamos, digamos qué es una serie de tiempo o cuáles son sus características y que dependiendo de esas características de la serie de tiempo yo puedo escoger uno u otro modelo y eso en cuanto a la presentación. Bueno, entonces voy a devolverme por acá eso sería, digamos que a grosso modo, la presentación de nuevo es una introducción a la serie de tiempo.

00:48:42:08 No lo mencioné, lo mencioné, pero digamos que para saber cual modelo debe utilizar no existen diferentes pruebas. Por ejemplo, entonces yo puedo mirar auto correlaciones, eso ya es más, más específico, más denso para algunos, para otros no que mirar. El hace que es una de estas auto correlaciones. Cuál es ese nivel de correlación de un dato versus su anterior auto correlaciones parciales?

00:49:10:20 Los pack, por ejemplo, y con base en esas cositas, entonces yo voy determinando qué tipo de modelo utiliza, pero no menos que teníamos una hora, entonces no podía hacer eso en ese momento. Eso sería entonces. En cuanto a la introducción a la análisis de series de tiempo, voy a revisar el chat. Veo que hay varias preguntas por acá y yo tengo algunas, si quieres te las leo.

00:50:00:20 Eso súper gracias. Perfecto. Por acá nos indican para que los modelos se ajusten al menos con cuántos años se debe tener la información. Ok, listo eran. Bueno, es relativo, es relativo. Es decir, yo puedo trabajar y depende de la frecuencia de los datos que tú tengas. Por ejemplo, si yo estoy recogiendo datos diarios, por ejemplo, de la tasa representativa del mercado del precio del dólar versus el peso colombiano, por ejemplo, y si yo tengo un año de observaciones, pues va a ser diferente a que si yo tengo datos, digamos intra diarios, es decir, cada minuto, por ejemplo, cada minuto teniendo observaciones en un año, pues voy a tener muchas más observaciones.

00:50:31:10 Entonces depende de la frecuencia con la cual tu estés recogiendo la información, porque si es mensual, entonces un año solamente tendrías 12 periodos y con 12 períodos no creo que puedas hacer un buen pronóstico, pero si es diaria o si ya tienes más, depende de la frecuencia de ir, depende también del tipo de modelo que utilices, porque hay modelos que van a requerir, no sé, 30 observaciones, por ejemplo, es más que suficiente.

00:51:06:18 Entonces la respuesta es muy amplia, es muy vaga y es depende de lo que tengas o de esa frecuencia de datos con las que estés recogiendo la información que otro puede aportar. Cuáles test permiten determinar la estacionalidad? Visto bueno, digamos que ya respondí un poco esa pregunta. Y los principales, los que se usan de primera mano, son estos test de auto correlación y de auto correlación parcial, de acuerdo en la auto correlación y auto correlación parcial.

00:51:40:06 Y es lo que me termino, digamos un poco qué tan correlacionados están los datos frente a su dato anterior, o si está correlacionado con cinco períodos y está correlacionado, por ejemplo, con cinco o seis periodos y tengo datos mensuales. Entonces quiere decir que hay una, puede haber un tipo de estacionalidad semestral, por ejemplo. Entonces, para responder ese concreto, los principales que se utilizan ya para determinar estos modelos de auto correlación y la auto correlación parcial, y ya entonces empiezo yo a trabajar otros modelos.

00:52:05:06 Existe lo que se conoce como la metodología Box Jenkins, que lo que hace es ir probando, digamos, tipo prueba y error. Entonces sí utilizó dos rezagos, tres rezagos y ver cuál es el modelo que me arroja un menor nivel de error. Pero bueno, de nuevo para no extenderme y puede responder otras preguntas, los principales serían estos dos auto correlación y otro correlación parcial.

00:52:39:20 Y ya entras a trabajar otro tipo de pruebas y procesos. Ok? Cómo puedo redefinir la escala de los ejes? La escala de los ejes de la gráfica? A ver, perdón, voy a detenerme por acá. Qué me vas a contestar con esa pregunta? Porque no tengo el comando como a la mano un si no tengo el comando de la mano.

00:53:05:29 La verdad que hace mucho no trabajo con ese tipo de gráficas muy, pero que viendo perdón se si se puede obviamente redefinir las escalas, digamos, si yo quiero que me muestre que sea mensual los datos, porque en el eje X, por ejemplo, que me ponga mensual o que me ponga semestral, o que eso se puede configurar, pero que lo creé viendo porque tengo los comandos a la mano.

00:53:34:08 Ok? Y por acá nos dicen en caso de que la serie no sea estacionaria, hay manera de hacerla estacionaria y si hay manera y es por medio de la integración lo que yo les decía que los modelos ARIMA por ejemplo, y es ahí que entre el auto regresivo y el de promedio móvil, el AR y el MA, el ahí en ARIMA es porque estoy integrando los datos para volverlos estacionarios.

00:54:15:06 Entonces si hay forma de hacer, si los datos no son estacionarios, existen formas de volverlos estacionarios. Ok, que por acá tenemos otra. Qué ventajas se tienen al suavizar una serie de tiempo y ok, digamos que que las ventajas un poco en el análisis de la información o en el tratamiento de la información también cuando yo tengo, quizá por ejemplo, precios, los precios de una acción que puede ser muy volátil, es decir, tiene unos movimientos muy bruscos, no?

00:54:41:25 Eh, y yo quiero trabajar sobre esos precios, pues da esa volatilidad que tienen esos movimientos que tienen los precios de las acciones. Lo que hago es suavizarla de una u otra forma, que puedo hacer por ejemplo trabajar con el logaritmo de los retornos? Entonces calculo los retornos de manera logarítmica con el logaritmo natural y lo que hace eso es suavizar la serie y con eso puedo.

00:55:22:23 Disminuyo un poco la volatilidad de la varianza, voy a disminuir un poco la varianza y vo como disminuyo la varianza voy a poder hacer un pronóstico más acertados, entre comillas, no pronósticos con menor error por así decir, porque estoy disminuyendo la varianza al suavizar las series de tiempo. Entonces esa es como la idea, por un lado disminuir la volatilidad de la varianza y por el otro eso lo utilizo para poder hacer pronósticos un poco mal con con menores errores o con menor dispersión, que seria como una de las ventajas o dos de las ventajas que se tienen.

00:55:52:08 Suavizar las series de tiempo perfecto, rarezas que nos hacen. Creo que la última consulta nos dice si tengo mis registros con una intensidad temporal, no convencional, por ejemplo, cada tres días o semanas que comiencen de domingo a sábado como justo, eh? El test dice no sé cómo se pronuncia bien en state y bueno, digamos que eso en términos generales no tendría porque afectar.

00:56:15:12 Digamos que tu tengas datos sábados y domingos, es decir, dos Las series de tiempo no se limitan a observaciones, digamos de lunes a viernes, por así decirlo. Entonces solamente tú puedes tener observación el lunes, de lunes a viernes y sábados y domingos, no? Es decir, puedes tenerlo o puede que no lo tengas y te va a funcionar igual.

00:56:45:17 Por ejemplo, de nuevo el precio de del petróleo, por ejemplo la TRM, pues son cosas que varían precisamente de lunes a viernes, porque sábados y domingos por lo general las bolsas están cerradas, entonces no hay mucho movimiento, mucha volatilidad. Entonces los datos que yo voy a terminar descargando o obteniendo, por ejemplo, van a ser cinco por semana de lunes a viernes, sábados y domingos no lo tengo en cuenta y van a estar digamos que separados.

00:57:18:26 Es decir, va a tener cinco observaciones, dos huecos, cinco observaciones, dos huecos, cinco observaciones, dos huecos que termina, digamos, esta termine identificando que es un dato semanales, por ejemplo, bueno, diarios, pero que están separados por semanas, no? Entonces, de nuevo, el hecho de que tú tengas datos que eso, que comiencen el domingo o que comiencen el sábado y terminen el jueves o el miércoles, pues no tiene por que afectarte en primera instancia, pues el análisis de entre los de la serie de tiempo no tendría por quién afectar.

00:57:52:11 Perfecto Andrés, en este momento no tengo más consultas. Algún comentario que quieras agregar antes de finalizar? Bueno, pues quiero agradecerles a todos por por su tiempo, por su asistencia, por sus preguntas e perdón e invitarlos a que estén pendientes de los eventos que prepara Shopper Shop que está constantemente anunciando no solamente de Stata, sino con diferentes otros, con otros softwares tanto cuantitativos y cualitativos.

00:58:20:18 Pues que estén pendientes de todo esto, aprovechen que es gratis, son sesiones cortas y pueden hacer sus preguntas. Entonces pues cordialmente invitados a que estén pendientes de todos esto de todos estos eventos. Muchas gracias. Si no hay más preguntas muy amables. Que tengan un excelente resto de jornada. Gracias Andrés, a ti por tu tiempo. Perdón, perdón. Prohibidas. Me que si podía compartir mi correo se los puedo compartir.

00:58:50:15 Es Andrés punto cruz voy a compartir es pantalla rápidamente perdón red punto cruz arroba un cero punto com está más bien de stata. Sí, para que lo vean por acá. Andrés Punto Cruz Arroba Soft Power shop punto com. No lo vemos. No sé dónde lo pusiste. Ah, perdón. Está en el Stata directamente a través de través de acá, aquí abajito.

00:59:27:20 No es Andrés Punto Cruz. Ok, igual la pena también lo voy a poner en el chat porque no se visualiza muy bien. Entonces me Andrés punto cruz arroba software guion sol punto com Se pueden buscar por redes sociales todas estas cosas se pueden escribir entrenamientos también arroba software bien so punto com e cualquier pregunta, sugerencia, inquietud por ahí con mucho gusto se les estará dando respuesta para mayor información respecto al software o en temas relacionados, no dude en contactarnos a través del correo electrónico.

00:59:37:17 Entrenamientos arroba software on ya.com. O visitar nuestra página web triple ole o punto software. Guion shop. Punto com.

Introducción al Análisis de Series de Tiempo apoyo de Stata 17


Las series de tiempo corresponden a una secuencia de observaciones de una variable (tasa de cambio, inflación, ventas, clima, etc.) medidas en determinados momentos del tiempo y espaciados entre sí de manera uniforme (minutos, horas, días, semanas, etc.). Estas series presentan algunas características y se pueden utilizar para realizar predicciones de dichas variables en el futuro. En esta sesión se analizarán las principales características de una serie de tiempo a nivel gráfico y se hará una introducción a los modelos utilizados para sus pronósticos.

Etiquetas relacionadas

  • Datos
  • Gráficas
  • Modelo
  • Pronósticos
  • Series de tiempo
  • Visualización De Datos

¡Comparte este video con tus colegas!

Compartir

Ver más

Cotizar
Próximos
Eventos

X

Mis cotizaciones:

Comentarios a tu solicitud:

Cotizar