Qué es la media móvil integrada autorregresiva (ARIMA)?
El modelo de medias móviles integradas autorregresivas (ARIMA) utiliza datos de series temporales y análisis estadísticos para interpretar los datos y hacer predicciones futuras. El modelo ARIMA pretende explicar los datos mediante el uso de series temporales sobre sus valores pasados y utiliza la regresión linealRegresión lineal múltipleLa regresión lineal múltiple se refiere a una técnica estadística utilizada para predecir el resultado de una variable dependiente en función del valor de las variables independientes. para hacer predicciones.
Resumen
Entender el modelo ARIMA
El siguiente acrónimo descriptivo explica el significado de cada uno de los componentes clave del modelo ARIMA:
Cada uno de los componentes AR, I y MA se incluye en el modelo como un parámetroParámetroUn parámetro es un componente útil del análisis estadístico. Se refiere a las características que se utilizan para definir una población determinada. Se utiliza para. A los parámetros se les asignan valores enteros específicos que indican el tipo de modelo ARIMA. A continuación se muestra y explica una notación común para los parámetros ARIMA:
ARIMA (p, d, q)
Los parámetros toman el valor de enteros y deben ser definidos para que el modelo funcione. También pueden tomar un valor de 0, lo que implica que no se utilizarán en el modelo. De este modo, el modelo ARIMA puede convertirse en
Por lo tanto, los modelos ARIMA pueden definirse como:
Una vez que los parámetros (p, d, q) han sido definidos, el modelo ARIMA tiene como objetivo estimar los coeficientes α y θ, que es el resultado de utilizar puntos de datos anteriores para pronosticar valores.
Aplicaciones del modelo ARIMA
En el ámbito de los negocios y las finanzas, el modelo ARIMA puede utilizarse para predecir cantidades futuras (o incluso precios) basándose en datos históricos. Por lo tanto, para que el modelo sea fiable, los datos deben ser fiables y deben mostrar un lapso de tiempo relativamente largo sobre el que’s se han recogido. A continuación se enumeran algunas de las aplicaciones del modelo ARIMA en los negocios:
Los modelos ARIMA pueden crearse en software de análisis de datos y ciencia de datos como R y Python.
Limitaciones del modelo ARIMA
Aunque los modelos ARIMA pueden ser muy precisos y fiables en las condiciones adecuadas y con la disponibilidad de datos, una de las principales limitaciones del modelo es que los parámetros (p, d, q) deben definirse manualmente; por lo tanto, encontrar el ajuste más preciso puede ser un largo proceso de prueba y error.
Del mismo modo, el modelo depende en gran medida de la fiabilidad de los datos históricos y de la diferenciación de los datos. Es importante asegurarse de que los datos se han recogido con precisión y durante un largo período de tiempo para que el modelo proporcione resultados y previsiones precisas.
Más recursos
Gracias por leer nuestro sitio web’s guide to Autoregressive Integrated Moving Average (ARIMA). Para seguir aprendiendo y avanzando en su carrera, los siguientes recursos le serán de utilidad: