En muchas áreas es común el seguimiento de información a través del tiempo. Por ejemplo, el seguimiento del precio de las acciones de una empresa, el número de defunciones por una enfermedad o la cantidad de producto vendido en una cadena de autoservicio. En estos casos se analizan las llamadas series temporales.
Un objetivo al analizar una serie temporal puede ser predecir su comportamiento a futuro. Esto puede abordarse a través del uso de modelos estadísticos clásicos que consisten en modelar el comportamiento a través de una descomposición de la serie en su tendencia y comportamientos estacionales. Otra opción es una modelación desde el enfoque de un tipo de proceso estocástico. Algunas veces también es posible contar con la información de otras series temporales, las cuales pueden usarse para obtener mejores predicciones, ya sea a través de un modelo de regresión o de una modelación multivariada. En el primer caso, la modelación podría tener un enfoque explicativo, para así determinar cómo algunas variables afectan a la serie de interés. Por otra parte, la presencia de volatilidad en nuestros datos puede hacer necesario la inclusión de modelos, los cuales, de forma individual o en combinación con cualquiera de los otros, pueden ayudarnos a obtener mejores resultados.
Además, pueden adaptarse algunas técnicas no supervisadas para encontrar grupos de series temporales similares, por ejemplo, series temporales de defunción en distintas localidades que son similares. Otro problema consiste en el análisis de datos que se siguen longitudinalmente, por ejemplo, en encuestas aplicadas a los mismos individuos a lo largo de los años. Finalmente, existen modelos basados en redes neuronales profundas que pueden usarse en este tipo de datos.
Todos estos temas son estudiados en este curso. La idea es que al terminar este, el alumno sea capaz de explorar series temporales usando el enfoque adecuado a su problema particular.
Al final de este curso serás capaz de:
- Entender porque existe la necesidad de modelos específicos para series temporales.
- Calcular la distancia entre distintas series temporales. Utilizar métodos para generación de conglomerados o clusters de series temporales (jerárquicos y de partición)
- Aplicar métodos para pronosticar series basados en la descomposición de la tendencia que siguen los datos y de ciertas estructuras repetidas en el tiempo (estacionalidad).
- Entender el concepto de una serie estacionaria y ser capaz de transformar una serie adecuadamente hasta que lo sea mediante la aplicación de algoritmos y operadores.
- Saber lo qué es un modelo ARMA y la importancia de que se aplique sobre series estacionarias. Ser capaz de ajustar un modelo ARMA adecuado a la estructura de nuestros datos. Obtener predicciones a futuro de un fenómeno. Verificar cada uno de los supuestos del modelo.
- Entender el significado de un modelo SARIMA, como generalización de un modelo ARMA al considerar la estacionalidad asociada a los datos.
- Ajustar modelos en los cuales los valores de una serie dependen de otras series, considerando además el hecho de la falta de independencia inherente a un seguimiento de algo en el tiempo. Por ejemplo, se tienen dos series temporales, una de la inflación y otra de aspectos climáticos y quiere verse cómo afectan estas a la serie temporal del precio de un producto.
- Ajustar modelos apropiados y obtener predicciones cuando se consideran simultáneamente varias series asociadas a distintas variables las cuales se impactan mutuamente. Por ejemplo, se tienen series temporales de la cantidad de piezas vendidas de distintos productos y quieren obtenerse predicciones para cada una pues se considera que las series se afectan entre sí.
- Ajustar modelos apropiados para series temporales en presencia de volatilidad, i.e. en los cuales la variabilidad de los datos en el tiempo cambia. Ajustar modelos para series temporales en presencia de series que pueden considerarse como explicativas, considerando además la correlación temporal de los datos y la volatilidad, combinando así varios modelos vistos.
- Modelar datos longitudinales, correspondientes a una variable que se sigue a través del tiempo junto con otros posibles inputs, mejorando así la inferencia.
- Entender porque una red neuronal recurrente (RNN) es capaz de modelar datos para series temporales. Usar Deep learning con RNN para hacer predicciones de series temporales.
INFORMES: lumialearning@gmail.com