Series Temporales: ARIMA/SARIMA con Metodologia Box-Jenkins¶
Estado: Disponible
Descripcion General¶
Aprenderemos a modelar series temporales utilizando la Metodologia Box-Jenkins completa: identificacion, estimacion, diagnostico y pronostico. Trabajaremos con modelos ARIMA y SARIMA para capturar tanto tendencias como estacionalidad.
Nivel: Avanzado Dataset: AirPassengers (144 observaciones mensuales, 1949-1960) Tecnologias: Python, statsmodels, matplotlib
Objetivos de Aprendizaje¶
- Comprender la Metodologia Box-Jenkins (4 fases)
- Identificar componentes de una serie: tendencia, estacionalidad, ruido
- Usar ACF y PACF para determinar ordenes p, d, q
- Estimar modelos ARIMA y SARIMA
- Diagnosticar residuos (Ljung-Box, normalidad)
- Generar pronosticos con intervalos de confianza
Contenido del Ejercicio¶
El ejercicio completo esta en:
ejercicios/04_machine_learning/07_series_temporales_arima/
├── README.md # Teoria Box-Jenkins completa (829 lineas)
├── serie_temporal_completa.py # Script 10 partes (1,286 lineas)
├── output/ # Directorio para graficos generados
└── .gitignore # Excluye output/*.png y *.csv
El script serie_temporal_completa.py cubre:¶
- Carga y visualizacion de la serie original
- Descomposicion (tendencia + estacionalidad + residuo)
- Tests de estacionariedad (ADF, KPSS)
- Diferenciacion regular y estacional
- ACF/PACF para identificacion de ordenes
- Estimacion ARIMA con seleccion por AIC
- Estimacion SARIMA con componente estacional
- Diagnostico de residuos (Ljung-Box, QQ-plot, ACF residuos)
- Pronostico con intervalos de confianza
- Comparacion de modelos y metricas (MAPE, RMSE)
Teoria: Metodologia Box-Jenkins¶
Anatomia de la Senal: El Proceso Generador de Datos¶
Estacionariedad y Ruido Blanco¶
Descomposicion de la Serie¶
Transformacion y Diferenciacion¶
El Decodificador Clasico: ARIMA¶
Desestacionalizacion y SARIMA¶
El Flujo de Trabajo Box-Jenkins¶
Fase 1: Identificacion¶
- Visualizar la serie y detectar tendencia/estacionalidad
- Aplicar diferenciacion para lograr estacionariedad
- Analizar ACF y PACF para determinar ordenes (p, d, q)
Fase 2: Estimacion¶
- Ajustar modelo ARIMA(p,d,q) o SARIMA(p,d,q)(P,D,Q)[s]
- Comparar modelos candidatos usando AIC/BIC
Fase 3: Diagnostico¶
- Verificar que los residuos sean ruido blanco
- Test de Ljung-Box (autocorrelacion)
- Test de normalidad
- Grafico QQ
Fase 4: Pronostico¶
- Generar predicciones con intervalos de confianza
- Evaluar precision con metricas (MAPE, RMSE)
Resultado del Ejercicio¶
Modelo seleccionado: SARIMA(1,1,0)(0,1,0)[12]
- AIC: -445.41
- MAPE: 7.41%
- Captura correctamente tendencia y estacionalidad mensual
Dashboard Interactivo¶
Puedes explorar los resultados en el dashboard interactivo:
El dashboard incluye 6 pestanas con graficos Plotly interactivos: serie original, descomposicion, estacionariedad, ACF/PACF, diagnostico y pronostico.
Recursos¶
---
Curso: Big Data con Python - De Cero a Produccion Profesor: Juan Marcelo Gutierrez Miranda | @TodoEconometria Hash ID: 4e8d9b1a5f6e7c3d2b1a0f9e8d7c6b5a4f3e2d1c0b9a8f7e6d5c4b3a2f1e0d9c Metodologia: Ejercicios progresivos con datos reales y herramientas profesionales
Referencias academicas:
- Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control (5th ed.). Wiley.
- Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.). OTexts.
- Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.