Ya conoce los datos estacionarios de las lecciones anteriores. Pero antes de avanzar más en la comprensión de las diferentes técnicas para comprobar la estacionariedad de los datos, vale la pena considerando por qué la estacionariedad se ha vuelto importante en el análisis de series de tiempo y sus diversas aplicaciones.
Objetivos de aprendizaje
- ¿Por qué es importante la estacionariedad?
- Diferentes formas de detectar la estacionariedad
- Pruebas ADF y KPSS
- Implementación de pruebas ADF y KPSS en conjuntos de datos del mundo real
- Cuaderno
¿Por qué es importante la estacionariedad?
- Primero, porque los procesos estacionarios son más fáciles de analizar
- Al pronosticar o predecir el futuro, la mayoría de los modelos de series temporales asumen que cada punto es independiente entre sí. La mejor indicación es cuando el conjunto de datos de instancias pasadas es estacionario. Para que los datos sean estacionarios, las propiedades estadísticas de un sistema no cambian con el tiempo. Esto no significa que los valores de cada punto de datos deban ser los mismos, pero el comportamiento general de los datos debe permanecer constante.
Técnicas para Detectar Estacionariedad en Datos
- La capacidad de determinar si una serie de tiempo es estacionaria es importante.
- Diferentes técnicas para detectar estacionariedad en datos de series temporales son:
- Visualizaciones: mirar los datos o los gráficos de la función de autocorrelación. Como sugiere el nombre, la autocorrelación significa la correlación de los datos consigo mismos. Comprenderás esto en detalle en las próximas lecciones.
- Pruebas paramétricas / estadísticas: pruebas como la prueba Dickey-Fuller aumentada, la prueba KPSS
Visualizaciones
- Los métodos más básicos para la detección de estacionariedad se basan en graficar los datos o sus funciones y determinar visualmente si presentan alguna propiedad conocida de datos estacionarios (o no estacionarios). Esto ya lo vimos en la lección 2 (es decir, Conceptos clave en series temporales). Análisis) del módulo 1 (es decir, Fundamentos de series de tiempo)
- Pero no te preocupes si no lo recuerdas; lo volverás a ver en el próximo video.
Prueba ADF y KPSS
- La prueba Dickey-Fuller aumentada (prueba ADF) es una prueba estadística común que se usa para probar si una serie de tiempo determinada es estacionaria o no. Es una de las pruebas estadísticas más utilizadas para analizar la estacionariedad de una serie.
- La prueba Kwiatkowski-Phillips-Schmidt-Shin (KPSS) determina si una serie de tiempo es estacionaria alrededor de una tendencia media o lineal. Al igual que la prueba ADF, la prueba KPSS también se usa comúnmente para analizar la estacionariedad de una serie.
- El tutor en el próximo video discute más sobre estas pruebas en detalle.
Nota 1: No se preocupe si no puede entender estas dos pruebas a la primera. Estos son temas ligeramente matemáticos. Podrás hacerlo a medida que avances series temporales de aprendizaje.
Nota 2: El tutor menciona los modelos AR, MA y ARMA en el video. No se preocupe por estos términos; aprenderá esto en las próximas lecciones.
Notebook
https://github.com/srivatsan88/End-to-End-Time-Series/blob/master/TimeSeries_Stationary_Test.ipynb