[18]Series temporales
Cuando el dato lleva fecha, el orden es información: diagnosticar una serie y predecirla con honestidad, de la línea base a ARIMA.
Qué tiene de especial una serie temporal
Cuando el dato lleva fecha, el orden es la información: barajar las filas lo destruye y no mirar el futuro pasa a ser una ley física.
Descomponer una serie: tendencia, estacionalidad y ruido
Separar una serie en sus tres piezas con seasonal_decompose, elegir entre aditivo y multiplicativo, y revelar la tendencia con la media móvil.
Estacionariedad y por qué importa
Qué es una serie estacionaria, por qué los modelos la exigen, cómo se consigue diferenciando y cómo se comprueba con Dickey-Fuller.
Autocorrelación: el pasado que se repite
ACF y PACF: qué miden, cómo se leen, y qué pistas dan sobre el periodo estacional y los parámetros de un modelo de predicción.
La línea base que hay que batir
Los pronósticos ingenuos que todo modelo debe batir, y las métricas de error (MAE, RMSE, MAPE): qué mide cada una y cuándo MAPE engaña.
Suavizado exponencial: el caballo de batalla
La familia que mueve el forecasting de negocio: suavizado simple, con tendencia (Holt) y con estacionalidad (Holt-Winters), y el peso que decae.
ARIMA: el modelo que reúne las piezas
Cómo (p, d, q) reúne todo el recorrido —AR, I y MA—, SARIMA para la estacionalidad, y la comparación honesta contra la línea base.
Evaluar un pronóstico, y cerrar
Evaluar un pronóstico con honestidad: walk-forward, bandas de incertidumbre, por qué el error crece con el horizonte, y el cierre del oficio.