Tipos de Modelo

Conozcamos algunos de los modelos más habituales para la previsión de series temporales:

• Media móvil simple**. Este modelo suele utilizarse para conjuntos de datos que no presentan estacionalidad ni tendencias pronunciadas (este tipo de datos se denominan datos estacionarios). En este modelo, creamos predicciones basadas en el valor medio de los puntos de datos anteriores.

• Modelo autorregresivo**. El modelo se basa en el principio de la regresión lineal con la adición de una variable dependiente, función lineal de los valores pasados de la variable dependiente. Este modelo sólo puede utilizarse para datos estacionarios;
• Modelo de media móvil: este modelo también funciona como la regresión lineal, pero en lugar de utilizar valores anteriores como predictores, este modelo realiza predicciones utilizando una combinación lineal de muestras generadas a partir del proceso de ruido blanco. Es importante admitir que Promedio móvil y Promedio móvil simple son dos modelos diferentes. Este modelo también puede utilizarse sólo para datos estacionarios;
• Modelo autorregresivo integrado de media móvil. Como su nombre indica, este modelo combina los dos anteriores con un paso adicional de diferenciación. ¿Qué ventajas puede aportar? Por ejemplo, la posibilidad de representar una serie temporal con propiedades no estacionarias;
• Modelo autorregresivo vectorial**. La principal característica de este modelo es la capacidad de predecir series temporales multivariantes.

Hemos tratado brevemente 5 tipos de modelos que utilizaremos en el futuro. En las siguientes secciones, examinaremos detenidamente el "mecanismo" matemático y la implementación en Python de algunos de estos modelos.

Nota

En este momento, el concepto de estacionariedad puede parecerte poco familiar e incomprensible, pero no te preocupes, se discutirá con más detalle más adelante.