Ninguno | Aditivo | Multiplicativo | |
---|---|---|---|
N | (N,N) | (N,A) | (N,M) |
A | (A,N) | (A,A) | (A,M) |
\(A_d\) | (\(A_d\),N) | (\(A_d\),A) | (\(A_d\),M) |
Departamento de Economía
2024-03-12
Los paquetes que vamos a utilizar en la sesión de hoy son:
Regresamos por un momento a los modelos de suavizado exponencial.
Miramos entonces la aplicación de los modelos de tipo espacio- estado
Son modelos que terminan siendo una combinación entre paramétricos y aquellos que no lo son, es algo como un método tipo (“fusión”).
Son algoritmos que también minimizan la composición del RMSE de cada modelo que se estima y combina varios estamentos
Note
La familia de modelos ETS se definen como métodos y parámetros para los componentes (error, tendencia y estacionalidad) en una serie de tiempo, por eso se les conoce como ETS. Si se especifica más de un método dentro de la función, ETS considerará todas las combinaciones de los modelos especificados y seleccionará el modelo que mejor se ajuste a los datos (minimizando AICc).
Ninguno | Aditivo | Multiplicativo | |
---|---|---|---|
N | (N,N) | (N,A) | (N,M) |
A | (A,N) | (A,A) | (A,M) |
\(A_d\) | (\(A_d\),N) | (\(A_d\),A) | (\(A_d\),M) |
Cada modelo tiene una ecuación o parte que se observa y también una parte que denominaremos transición, una para cada estado de (nivel, tendencia, y parte estacional), es decir, modelos en conformidad de espacio de estado.
Para este propósito vamos a suponer que tenemos dos modelos para cada método: uno con errores aditivos y otro con errores multiplicativos, es decir, en total mas o menos en conformidad da unos 18 modelos.
Métodos de suavizado exponencial: Los algoritmos devuelven previsiones puntuales.
Modelos Espacio-Estado:
Ninguno | Aditivo | Multiplicativo | |
---|---|---|---|
N | (A,N,N) | (A,N,A) | (A,N,M) |
A | (A,A,N) | (A,A,A) | (A,A,M) |
\(A_d\) | (A,\(A_d\),N) | (A,\(A_d\),A) | (A,\(A_d\),M) |
Ninguno | Aditivo | Multiplicativo | |
---|---|---|---|
N | (M,N,N) | (M,N,A) | (M,N,M) |
A | (M,A,N) | (M,A,A) | (M,A,M) |
\(A_d\) | (M,\(A_d\),N) | (M,\(A_d\),A) | (M,\(A_d\),M) |
Predicción
Este método incorpora la especificación mas sencilla y nos dice que:
\(Y_{t+h|t}=F_{t}\) que conoceremos como ecuación de pronostico.
\[F_t=\alpha y_t+ (1-\alpha)F_{t-1}\] Tenemos un error de pronostico y es:
\[e_t=y_t- y_{t|t-1}=y_t - F_{t-1}\] Y planteamos la corrección:
\[\begin{aligned} y_t&=F_{t-1}+ e_t\\ F_t&=F_{t-1}+ \alpha(y_t- F_{t-1})\\ &=F_{t-1}+ \alpha e_t \end{aligned}\]
Ecuación de medida \(y_t=F_{t-1}+\epsilon_t\) Ecuación de estado \(F_t=F_{t-1}+ \alpha \epsilon_t\)
Donde \(\epsilon_t\sim (0, \sigma^2)\)
Cartera comercial de bancos
$x
Jan Feb Mar Apr May Jun Jul Aug
2016 367822.1 372017.9 371504.5 373540.2 378922.9 381252.9 384245.6 385870.2
2017 389852.2 393366.3 394979.5 397288.4 399964.5 403662.3 403451.3 404165.9
2018 410308.2 412205.1 414766.3 416397.9 419080.9 420973.1 420294.1 421235.2
2019 433608.6 438173.4 441902.2 444898.5 449547.2 451756.4 454250.3 458674.4
2020 472036.3 478144.4 496248.9 499381.2 500477.1 501224.8 497737.8 492528.9
2021 485300.9 489968.3 492815.4 496422.9 500597.8 505475.2 510043.2 515702.4
2022 544147.8 554838.4 563242.2 573378.8 582534.2 593664.9 601094.8 608790.9
2023 633633.3 637485.1 636143.1 638791.7 640048.1 644309.1 644511.0 646039.0
2024 646722.0
Sep Oct Nov Dec
2016 387285.4 388795.6 392844.9 393753.7
2017 407058.0 408665.0 411022.7 413309.0
2018 423279.1 428474.8 434026.8 437514.9
2019 464159.0 466107.9 472113.6 472288.1
2020 490861.8 489415.5 488959.8 487225.6
2021 522266.9 527621.2 537485.1 543515.2
2022 616944.7 624696.6 630909.7 636903.2
2023 648621.0 648701.0 650135.0 649298.0
2024
$seasonal
Jan Feb Mar Apr May Jun
2016 -4255.41521 -2311.28760 -284.52768 393.11958 984.59777 2048.59707
2017 -4255.41521 -2311.28760 -284.52768 393.11958 984.59777 2048.59707
2018 -4255.41521 -2311.28760 -284.52768 393.11958 984.59777 2048.59707
2019 -4255.41521 -2311.28760 -284.52768 393.11958 984.59777 2048.59707
2020 -4255.41521 -2311.28760 -284.52768 393.11958 984.59777 2048.59707
2021 -4255.41521 -2311.28760 -284.52768 393.11958 984.59777 2048.59707
2022 -4255.41521 -2311.28760 -284.52768 393.11958 984.59777 2048.59707
2023 -4255.41521 -2311.28760 -284.52768 393.11958 984.59777 2048.59707
2024 -4255.41521
Jul Aug Sep Oct Nov Dec
2016 635.32082 -280.34614 119.54472 97.11696 1761.90887 1091.37083
2017 635.32082 -280.34614 119.54472 97.11696 1761.90887 1091.37083
2018 635.32082 -280.34614 119.54472 97.11696 1761.90887 1091.37083
2019 635.32082 -280.34614 119.54472 97.11696 1761.90887 1091.37083
2020 635.32082 -280.34614 119.54472 97.11696 1761.90887 1091.37083
2021 635.32082 -280.34614 119.54472 97.11696 1761.90887 1091.37083
2022 635.32082 -280.34614 119.54472 97.11696 1761.90887 1091.37083
2023 635.32082 -280.34614 119.54472 97.11696 1761.90887 1091.37083
2024
$trend
Jan Feb Mar Apr May Jun Jul Aug
2016 NA NA NA NA NA NA 382405.9 384213.4
2017 393459.3 395021.9 396608.0 398259.8 399845.1 401417.3 403084.4 404721.7
2018 412485.4 413898.4 415285.5 416786.8 418570.7 420537.8 422517.2 424570.1
2019 436807.4 439782.2 443045.5 446316.9 449471.9 452507.7 455557.8 458824.4
2020 479737.5 482960.1 485483.3 487567.0 489240.1 490564.4 491739.5 492784.9
2021 493621.9 495100.2 497374.3 500274.7 503888.5 508255.8 513053.2 518208.0
2022 551163.8 558836.3 566659.9 574649.6 582587.2 590371.0 597990.7 605162.9
2023 630954.9 634315.9 637187.7 639507.8 641309.0 642626.5 643688.3 NA
2024 NA
Sep Oct Nov Dec
2016 386081.0 388048.6 389914.9 391725.3
2017 406331.1 407951.8 409544.5 411062.3
2018 426782.7 429100.9 431557.9 434109.9
2019 462754.3 467288.9 471681.0 475864.3
2020 493134.5 492868.2 492749.9 492932.1
2021 523845.4 529986.4 536606.9 543695.5
2022 611644.1 617407.1 622529.1 627035.7
2023 NA NA NA NA
2024
$random
Jan Feb Mar Apr May Jun
2016 NA NA NA NA NA NA
2017 648.33067 655.69660 -1344.03822 -1364.47554 -865.16354 196.41257
2018 2078.21434 617.96904 -234.67963 -781.96604 -474.43962 -1613.31584
2019 1056.55614 702.45135 -858.84996 -1811.55715 -909.33922 -2799.93476
2020 -3445.73603 -2504.40899 11050.11872 11421.03720 10252.35553 8611.71368
2021 -4065.55514 -2820.54858 -4274.33272 -4244.91642 -4275.36065 -4829.21070
2022 -2760.64374 -1686.65045 -3133.16914 -1663.97652 -1037.59088 1245.29565
2023 6933.81583 5480.47310 -760.06698 -1109.16346 -2245.47954 -365.97853
2024 NA
Jul Aug Sep Oct Nov Dec
2016 1204.36845 1937.21462 1084.87913 649.89119 1168.14359 937.01572
2017 -268.42786 -275.47045 607.35362 616.08156 -283.74472 1155.32222
2018 -2858.43179 -3054.52236 -3623.17966 -723.25633 707.00471 2313.56770
2019 -1942.76176 130.33479 1285.14057 -1278.02800 -1329.37688 -4667.59442
2020 5362.99001 24.37202 -2392.19564 -3549.77086 -5552.06260 -6797.88605
2021 -3645.26263 -2225.25488 -1698.07740 -2462.30917 -883.67798 -1271.61870
2022 2468.71600 3908.30834 5181.06146 7192.37369 6618.69596 8776.17559
2023 187.36052 NA NA NA NA NA
2024
$figure
[1] -4255.41521 -2311.28760 -284.52768 393.11958 984.59777 2048.59707
[7] 635.32082 -280.34614 119.54472 97.11696 1761.90887 1091.37083
$type
[1] "additive"
attr(,"class")
[1] "decomposed.ts"
Miramos el comportamiento de cada componente
ETS(M,A,A)
Call:
ets(y = cartera)
Smoothing parameters:
alpha = 0.9999
beta = 0.134
gamma = 1e-04
Initial states:
l = 369773.0738
b = 1821.2883
s = 1090.922 1760.852 97.6772 119.3276 -280.4271 635.827
2048.042 983.9436 392.2811 -284.4908 -2310.13 -4253.824
sigma: 0.0061
AIC AICc BIC
2010.555 2018.302 2054.325
ETS(A,A,A)
Call:
ets(y = cartera, model = "AAA", damped = FALSE)
Smoothing parameters:
alpha = 0.9999
beta = 0.134
gamma = 1e-04
Initial states:
l = 369770.9752
b = 1797.9297
s = 1090.855 1761.501 97.3345 119.7127 -280.0605 635.3593
2048.243 984.5147 392.8222 -284.6739 -2310.449 -4255.159
sigma: 3123.228
AIC AICc BIC
2021.306 2029.053 2065.076
ME RMSE MAE MPE MAPE MASE
Training set 19.99144 2854.056 2069.477 0.01564362 0.4115259 0.05556551
ACF1
Training set 0.4699954
ME RMSE MAE MPE MAPE MASE
Training set 21.80337 2854.042 2069.87 0.01611707 0.4116335 0.05557608
ACF1
Training set 0.4699746
El RMSE del modelo AAA es mejor que el de MAN, sin embargo, en el ME el error es mucho menor y es de considerar todos los criterios también.
Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
Feb 2024 650746.7 645625.1 655868.3 642913.9 658579.5
Mar 2024 654852.9 647088.4 662617.5 642978.1 666727.8
Apr 2024 657611.3 647457.0 667765.5 642081.7 673140.8
May 2024 660284.3 647806.2 672762.4 641200.7 679368.0
Jun 2024 663429.1 648625.9 678232.4 640789.5 686068.8
Jul 2024 664098.2 646944.4 681252.0 637863.8 690332.7
Aug 2024 665263.1 645716.1 684810.1 635368.5 695157.6
Sep 2024 667743.9 645749.4 689738.3 634106.2 701381.5
Oct 2024 669803.1 645302.6 694303.6 632332.8 707273.4
Nov 2024 673547.3 646476.6 700618.1 632146.2 714948.5
Dec 2024 674958.5 645254.9 704662.1 629530.8 720386.3
Jan 2025 671695.3 639301.4 704089.2 622153.1 721237.5
Feb 2025 675719.9 640569.3 710870.6 621961.6 729478.3
Mar 2025 679826.2 641852.4 717800.0 621750.4 737902.0
Apr 2025 682584.5 641722.7 723446.4 620091.7 745077.3
May 2025 685257.6 641443.0 729072.2 618249.0 752266.2
Jun 2025 688402.4 641570.4 735234.4 616779.0 760025.8
Jul 2025 689071.5 639159.9 738983.0 612738.4 765404.6
Aug 2025 690236.3 637183.4 743289.3 609098.8 771373.8
Sep 2025 692717.1 636460.6 748973.7 606680.1 778754.1
Oct 2025 694776.4 635254.8 754297.9 603746.0 785806.7
Nov 2025 698520.6 635672.2 761369.0 602402.2 794639.0
Dec 2025 699931.8 633696.5 766167.0 598633.7 801229.9
Jan 2026 696668.5 626990.0 766347.0 590104.4 803232.6
Universidad del Norte