Puedes explicar como sacar los valores de p, d, q y P,D,Q y S ? Cómo se hace? Para el caso de este ejemplo dices que comienza con un retraso de 6 y se repite cada 12 meses, eso es con base en las gráficas de autocorrelaciónsimple y parcial o como llegas a esa conclusión? Por qué el dices que es un modelo AR(1) por qué desde el retraso 12 y secuencialmente desde cada 12 retrasos hay una autocorrelación positiva significativa. El PACF muestra un pico positivo en el primer retraso y una caida a PACF negativo en los siguientes. Donde podría guiarme para mirar que parámetros elegir? Mé podrías ayudar y explicar? porfa Muchas gracias
Bueno puedes hacer varias cosas. 1. Mirar los gráficos de autocorrelacion partial, eso te puede ayudar a determinar los autoregresivo del modelo... y el grafico de autocorrelacion te ayuda a determinar los términos del promedio movil. Para la parte estacional, podes hacer algo parecido... la s o m es la estacionalidad del modelo... por otro lado podes usar el AutoArima (nixtla.github.io/statsforecast/docs/models/autoarima.html#implementation-of-autoarima-with-statsforecast), el AutoArima el encuentra los mejores parámetros de forma automatizada... también podes ver un video en mi canal (introducción a modelo Arima)
Modelo para exactamente no, pero podes hace un modelo multivariate. Por ejemplo un Sarimax, que es de la misma familia de Arima, pero que lleva la parte estacional y además incluyen variables exogenas o variables independientes, entonces el modelo se vuelve un poco más complejo y da muy bueno resultados. Por otro lado, podes probar con el modelo Prophet son modelos más complejos y sirve para multivariate y univariate... O podes también aplicar un modelo supervisado de Machine Learning...
@@narencastellon gracias por responder, creo que me aclaraste el tema, tengo otra pregunta, cuando dices que la serie presenta estacionariedad, ¿lo dices por que la data es bastante larga o ...?; de nuevo gracias por los videos son muy ejemplificadores
Para saber si la serie es estacionaria poder saberlo con solo ver la serie gráficamente, pero eso se logra con el tiempo y la experiencia.... Por otro lado está la prueba de Dickey Fuller, q nos proporciona, y esta dice que si el p value es menor que el 5% entonces los datos son estacionario, y se rechaza la hipótesis. Entonces, en caso de las serie univariate y de la familia arima las serie deben de ser estacionaria, es decir, q son constantes en media y en varianza... En este caso de los datos de Río, se puede ver la serie es constante... No se ve ningún tipo de tendencia.
![F.HERO Ft. JSPKK x ลำไย ไหทองคำ x M-PEE - ไม่สนิทบิดหมด (Thai Riders Anthem) [Official MV]](http://i.ytimg.com/vi/kPJZ0UihBfk/mqdefault.jpg)
Muy claro todo...Gracias por el contenido
Felicitaciones, como siempre muy completa tu explicación.
Gracias!!! Si puedes compártelo...
Excelente contenido!!!
Interesante el contenido!!!
Siempre dando buenos contenidos
Gran aporte, comparte en algún lugar tus códigos?
Puedes explicar como sacar los valores de p, d, q y P,D,Q y S ? Cómo se hace? Para el caso de este ejemplo dices que comienza con un retraso de 6 y se repite cada 12 meses, eso es con base en las gráficas de autocorrelaciónsimple y parcial o como llegas a esa conclusión? Por qué el dices que es un modelo AR(1) por qué desde el retraso 12 y secuencialmente desde cada 12 retrasos hay una autocorrelación positiva significativa. El PACF muestra un pico positivo en el primer retraso y una caida a PACF negativo en los siguientes. Donde podría guiarme para mirar que parámetros elegir?
Mé podrías ayudar y explicar? porfa
Muchas gracias
Bueno puedes hacer varias cosas.
1. Mirar los gráficos de autocorrelacion partial, eso te puede ayudar a determinar los autoregresivo del modelo... y el grafico de autocorrelacion te ayuda a determinar los términos del promedio movil. Para la parte estacional, podes hacer algo parecido... la s o m es la estacionalidad del modelo... por otro lado podes usar el AutoArima (nixtla.github.io/statsforecast/docs/models/autoarima.html#implementation-of-autoarima-with-statsforecast), el AutoArima el encuentra los mejores parámetros de forma automatizada... también podes ver un video en mi canal (introducción a modelo Arima)
Exemplo muito interessante.
Obrigada 😃
Obrigado a vc... E mais q dela cidade do Río!!!
Muy bueno el video, me podrías decir que otros modelos serían buenos para hacer predicciones climáticas ?🙏
Modelo para exactamente no, pero podes hace un modelo multivariate. Por ejemplo un Sarimax, que es de la misma familia de Arima, pero que lleva la parte estacional y además incluyen variables exogenas o variables independientes, entonces el modelo se vuelve un poco más complejo y da muy bueno resultados. Por otro lado, podes probar con el modelo Prophet son modelos más complejos y sirve para multivariate y univariate... O podes también aplicar un modelo supervisado de Machine Learning...
que tipo de tempertura es maxima, minima o media??
Podes estimarlo como río.describe(), te da la estadística descriptiva, la temperatura promedio, la mínima y la máxima q deseas encontrar...
@@narencastellon gracias por responder, creo que me aclaraste el tema, tengo otra pregunta, cuando dices que la serie presenta estacionariedad, ¿lo dices por que la data es bastante larga o ...?; de nuevo gracias por los videos son muy ejemplificadores
Para saber si la serie es estacionaria poder saberlo con solo ver la serie gráficamente, pero eso se logra con el tiempo y la experiencia.... Por otro lado está la prueba de Dickey Fuller, q nos proporciona, y esta dice que si el p value es menor que el 5% entonces los datos son estacionario, y se rechaza la hipótesis. Entonces, en caso de las serie univariate y de la familia arima las serie deben de ser estacionaria, es decir, q son constantes en media y en varianza... En este caso de los datos de Río, se puede ver la serie es constante... No se ve ningún tipo de tendencia.
Comparte el dataset.