Vocero | Transcripción |
| Esta charla es para resaltar algunos |
| 00 | 11.600 |
| 3 |
| Plataformas de series temporales. tres son |
| desde plataformas de series temporales y |
| 00 | 34.700 |
| 38.400 |
| 10 |
| 11 |
| 12 |
| ¿Necesitamos Box Cox? |
| ¿Series de tiempo transformadas? |
| Echemos un vistazo a los datos. |
| 00 | 00.933 |
| 06.200 |
| 18 |
| también conocida como aerolínea |
| conjunto de datos de pasajeros. |
| La serie original es |
| 00 | 23.900 |
| 23 |
| modelo de. |
| ¿Por qué? Echemos un vistazo a una trama... |
| 00 | 43.433 |
| 27 |
| cada vez más grande. y esta serie |
| no puede ser manejado por el |
| 00 | 01.666 |
| 31 |
| en la segunda imagen. Entonces el |
| la variación no cambia |
| con las distintas series de tiempos??? |
| 00 | 20.266 |
| 36 |
| Entonces en la literatura la gente |
| decir, bueno, nos transformaremos |
| 00 | 33.800 |
| 38.700 |
| 41 |
| 42 |
| 43 |
| de la escala de transformación, en este caso |
| aquí, es la escala logarítmica. |
| Enviándolo a inverso |
| 00 | 04.366 |
| 49 |
| transformar. |
| En el pasado... en el pasado |
| 00 | 21.966 |
| 53 |
| agilizar todo el proceso. |
| Lo que hay que hacer es poner |
| 00 | 39.133 |
| 57 |
| Necesito hacer los modelos, hacer |
| pronóstico, luego el software, |
| 00 | 55.933 |
| 61 |
| pondrá a los pasajeros registrados en Y, |
| pero ahora no tenemos que hacerlo. Nosotros |
| 00 | 15.033 |
| 66 |
| para entrar al Box Cox |
| parámetro de transformación Lambda. |
| Cero, significa que es un registro. |
| 00 | 28.333 |
| 31.166 |
| 37.433 |
| 73 |
| el menú del triángulo rojo y haga clic |
| ya sea ARIMA o ARIMA de temporada. |
| 00 | 01.766 |
| 78 |
| 12 para la parte estacional. |
| Sin intercepción. Hacer clic |
| 00 | 19.633 |
| 22.933 |
| 24.500 |
| 28.733 |
| 85 |
| 86 |
| previsión cuidando el |
| transformación inversa. El |
| 00 | 49.600 |
| 91 |
| se mostrará en esto. |
| trama y el pronóstico tenía |
| 00 | 05.033 |
| 08.800 |
| 11.100 |
| 17.866 |
| 98 |
| Los modelos son un caballo de batalla en el tiempo. |
| plataforma de pronóstico de series. |
| Pueden encajar y pronosticar mucho. |
| 00 | 35.733 |
| 39.633 |
| 104 |
| el rendimiento es de alguna manera comparable |
| a la previsión |
| 00 | 59.366 |
| 110 |
| 111 |
| estudia por qué... por qué este tipo |
| de trabajos modelo y por qué algunos |
| 00 | 18.600 |
| 115 |
| 116 |
| tipo modelo en la serie de tiempo |
| plataforma diseñada para |
| 00 | 43.900 |
| 120 |
| una función de lo desconocido |
| estado, estado no observado. Aquí en |
| 00 | 01.000 |
| 124 |
| variables y el término de error |
| mediante operaciones aditivas |
| 00 | 16.266 |
| 19.200 |
| 129 |
| 130 |
| estado es el nivel estado tiempo |
| serie. El estado de tendencia forma una |
| 00 | 40.733 |
| 134 |
| 135 |
| estado, y también uno de los |
| estados estacionales anteriores. Y |
| 00 | 59.733 |
| 03.133 |
| 140 |
| 141 |
| El estado de tendencia anterior será |
| tiembla al siguiente. |
| estado de tendencia y estado de nivel |
| 00 | 25.966 |
| 146 |
| señalar otro punto temporal. Y |
| hay mas flechas...que hay |
| Hay más estados de transición de los que hay. |
| 00 | 49.700 |
| 152 |
| serie en Y y haga clic en Aceptar. |
| Para adaptarnos a este tipo de modelo, |
| 00 | 12.300 |
| 16.766 |
| 160 |
| 161 |
| listo, voy a ingresar 12 |
| por punto. |
| Y voy a hacer clic en Seleccionar |
| Botón recomendado. |
| A partir de los modelos de error aditivos y |
| 00 | 47.666 |
| 169 |
| este conjunto en particular, voy |
| para hacer clic en los parámetros de restricción |
| 00 | 05.966 |
| 173 |
| Modelos recomendados para adaptarse a estos. |
| tipo de... estas series de tiempo y |
| 00 | 23.666 |
| 27.966 |
| 179 |
| 180 |
| modelo con AIC más pequeño y |
| mis ojos están en los dos primeros |
| 00 | 52.300 |
| 184 |
| modelos. Y déjame |
| superponer el pronóstico |
| 00 | 09.366 |
| 10.566 |
| 17.666 |
| 190 |
| 191 |
| 192 |
| 193 |
| de la serie temporal original |
| más bien. |
| Entonces, en mi preferencia, preferiría |
| 00 | 45.133 |
| 198 |
| ¿diferencia? Déjame abrir el |
| El primero MAA...MAM. |
| Bajemos abajo. Este |
| 00 | 05.533 |
| 10.666 |
| 204 |
| Éste | estados de los componentes. |
| Este es un especial para esto. |
| 00 | 32.900 |
| 209 |
| La primera carta. |
| Y la tendencia es aditiva por |
| 00 | 50.233 |
| 213 |
| segunda parte de este informe son |
| los...son el componente estatal |
| 00 | 06.100 |
| 217 |
| parte es la predicción de |
| este estado específico. |
| El período de la serie temporal. |
| 00 | 27.500 |
| 222 |
| 223 |
| tiene un patrón creciente en |
| el pasado. Sigue aumentando |
| 00 | 48.266 |
| 227 |
| serie y el patrón continúa |
| hacia el futuro, y esto |
| 00 | 03.466 |
| 231 |
| observado, pero el pronóstico es |
| departamento. Esto me molestó. |
| Ahora veamos el segundo |
| 00 | 17.333 |
| 20.366 |
| 23.566 |
| 27.933 |
| 239 |
| 240 |
| gráfico de componentes de estado. El nivel es |
| aumentando en el pasado había |
| 00 | 44.366 |
| 48.466 |
| 245 |
| 246 |
| 247 |
| 248 |
| futuro. Esto es más razonable |
| trama que puedo aceptar. Por lo que es |
| 00 | 14.866 |
| 252 |
| Pasemos a la segunda diapositiva. |
| Esta diapositiva y luego la siguiente. |
| 00 | 45.100 |
| 259 |
| sobre la interpretación de las previsiones |
| de este modelo...este tipo de |
| modelos. aquí me gustaría |
| 00 | 01.933 |
| 07.233 |
| 265 |
| arriba. Enumeré la mitad de ellos aquí. |
| Oh, casi la mitad. Así que centrémonos |
| 00 | 27.033 |
| 30.800 |
| 271 |
| cierta tendencia al aumento y |
| disminuyendo hacia el final. |
| Y por otro lado podemos |
| 00 | 54.233 |
| 277 |
| ver desde el pronóstico usando esto |
| modelo tipo. si la estacionalidad |
| no está involucrado. Cuando yo |
| 00 | 11.066 |
| 14.200 |
| 19.566 |
| 284 |
| 285 |
| 286 |
| el primero, este es |
| un pronóstico plano si la estacionalidad |
| 00 | 46.833 |
| 51.266 |
| 291 |
| tener un aumento lineal |
| patrón y así sucesivamente |
| similar a los demás. Ahora |
| 00 | 06.800 |
| 12.566 |
| 297 |
| simplemente está aumentando. |
| Después de aplicar el |
| 00 | 34.033 |
| 302 |
| la estacionalidad multiplicativa en |
| la cima de nuestro creciente |
| 00 | 48.966 |
| 306 |
| este tipo... diferente tipo de |
| formas | departamento |
| 00 | 05.666 |
| 10.733 |
| 311 |
| 312 |
| tenemos esos diferentes...diferentes |
| formas. ¿Entonces voy a entrar? |
| 00 | 33.466 |
| 40.433 |
| 318 |
| lo que finalmente vemos en |
| la previsión. |
| Tienes los patrones planos o |
| 00 | 00.733 |
| 323 |
| parámetros. entonces me separé |
| estas partes y también yo |
| 00 | 14.866 |
| 20.400 |
| 328 |
| 329 |
| 330 |
| la tendencia generalmente se verá plana, |
| obtendremos un aumento |
| patrón en el estado nivelado. |
| Cuando es lineal y |
| cuando es curvo. |
| Todo depende de cómo esto |
| 00 | 52.233 |
| 57.666 |
| 339 |
| aumentando o disminuyendo en el |
| nivel exponencialmente. Entonces esto es |
| 00 | 13.466 |
| 343 |
| es delgado y piensa en ello como |
| tasa de interés compuesta si |
| si el nivel del estado aumenta |
| 00 | 32.466 |
| 348 |
| hacen pronósticos, intentan... |
| trata de no excederte |
| o no alcanzar el pronóstico que |
| 00 | 59.833 |
| 355 |
| como interpretar |
| el pronóstico del estado |
| 00 | 20.133 |
| 359 |
| el segundo, ninguno de estos |
| Los modelos son estacionarios. Ellos son |
| 00 | 37.466 |
| 364 |
| Entonces, si estás considerando estos |
| series de tiempo. Cosas |
| 00 | 55.566 |
| 59.600 |
| 369 |
| tercero, si solo ves |
| esa serie de tiempo no |
| 00 | 12.000 |
| 373 |
| 374 |
| un resultado en un...en |
| la siguiente diapositiva que encajará |
| 00 | 31.933 |
| 378 |
| comparar entre tipos de |
| modelo tenga cuidado. |
| Esta diapositiva es para mostrar cómo... |
| 00 | 51.800 |
| 383 |
| es el pronóstico. |
| Y de manera similar, trazo mi |
| 00 | 07.400 |
| 387 |
| aplicar este tipo de espacio de estados |
| suavizar modelos a estacionarios |
| ¿series de tiempo? Aquí simulo un |
| 00 | 32.633 |
| 393 |
| 394 |
| 395 |
| modelos para esta serie temporal, el |
| El mejor modelo resulta estar en un |
| 00 | 54.266 |
| 399 |
| 400 |
| bastante diferente porque es |
| un modelo de paseo aleatorio y el |
| 00 | 13.466 |
| 16.466 |
| 18.733 |
| 22.333 |
| 408 |
| característica en esta presentación |
| previsión en espera. |
| Esta característica le permite |
| 00 | 37.966 |
| 40.500 |
| 45.833 |
| 415 |
| 416 |
| 417 |
| 418 |
| uno es de otro modelo. |
| Y luego puedes comparar estos |
| 00 | 11.833 |
| 423 |
| 424 |
| para activar esta característica. Entonces yo |
| necesidad de especificar |
| la duración de la retención |
| 00 | 35.200 |
| 38.466 |
| 430 |
| 431 |
| 432 |
| haga clic en Seleccionar recomendado, |
| y verifique la restricción |
| 00 | 06.433 |
| 438 |
| 439 |
| parte de la serie, |
| enumeramos la retención |
| 00 | 26.000 |
| 443 |
| 444 |
| por defecto, pero puedes |
| cambia siempre las métricas que |
| 00 | 39.900 |
| 44.866 |
| 449 |
| Los informes son similares a |
| a lo obtenido del análisis |
| resultados sin activar esto |
| 00 | 05.433 |
| 454 |
| 455 |
| déjame resumir |
| lo que hemos aprendido de |
| 00 | 25.566 |
| 459 |
| rendimiento sobre la retención |
| datos. Pero esos criterios son |
| 00 | 41.366 |
| 463 |
| proceso. Vemos más bien |
| diferente de cómo usamos |
| 00 | 57.700 |
| 467 |
| parte del ajuste del modelo |
| proceso, entonces esto es algo |
| 00 | 17.000 |
| 471 |
| retención para evaluar |
| diferentes modelos según su |
| desempeño de pronóstico. Así que nosotros |
| 00 | 32.033 |
| 35.366 |
| 478 |
| la columna es esa serie de tiempo |
| indicador. Y es una serie de tiempo |
| 00 | 55.666 |
| 482 |
| resumir el conjunto de datos, ya sea |
| tiempo o series de tiempo, por |
| 00 | 09.533 |
| 12.066 |
| 16.600 |
| 488 |
| 489 |
| especificación o cambiar el |
| estrategia de selección de modelo, nosotros |
| 00 | 39.200 |
| 494 |
| comprobar... cambiar la selección en el |
| primer cuadro combinado para la previsión |
| actuación. Entonces podemos elegir |
| desempeño de pronóstico |
| 00 | 04.633 |
| 500 |
| queremos pronóstico. Pero puedes |
| elige cualquiera...cambia a cualquiera |
| 00 | 17.833 |
| 25.466 |
| 30.866 |
| 506 |
| 507 |
| usando el entrenamiento |
| series temporales, selecciona la mejor |
| 00 | 49.800 |
| 52.333 |
| 54.766 |
| 57.900 |
| 00.966 |
| 515 |
| plataforma de serie. Primero analiza |
| Serie temporal transformada de Box Cox. |
| El segundo es estado de forma. |
| 00 | 27.666 |
| 521 |
| 522 |
| también y usándolo como |
| Y método de selección de modelo. |
| Muchas gracias. |
