Forecasting SARIMA de concentración de ozono
Modelo de predicción mensual con metodología Box-Jenkins, SARIMA, diagnóstico de residuos y forecast dinámico a 12 meses en Stata.
Tipo
Proyecto individual académico
Área
Forecasting · Time Series · Business Planning
Herramientas
Stata · .do script
Técnicas
Box-Jenkins · SARIMA · ACF / PACF · AIC / BIC · Ljung-Box · Dynamic forecast
Entregable
Modelo SARIMA + forecast a 12 meses
Valor
Proyecto individual donde modelicé una serie mensual de concentración de ozono mediante Stata, metodología Box-Jenkins y SARIMA para generar previsiones con diagnóstico de residuos e intervalos de incertidumbre.
Meses de datos usados
Meses previstos dinámicamente
Ljung-Box Q(24) p-value
01 / Lectura rápida
Caso en 60 segundos
Una lectura rápida del caso: qué pasaba, qué había que resolver, qué hice y qué valor queda demostrado.
Situación
SMuchas decisiones de negocio dependen de anticipar demanda, actividad, tráfico, ventas o indicadores operativos. Este caso usa una serie ambiental como contexto académico, pero la lógica es transferible a planificación de KPIs, demanda o actividad comercial.
Tarea
TProyecto individual donde modelicé una serie mensual de concentración de ozono mediante Stata, metodología Box-Jenkins y SARIMA para generar previsiones con diagnóstico de residuos e intervalos de incertidumbre.
Acción
A- 01Visualizar la serie y decidir trabajar en logaritmos.
- 02Aplicar diferenciación estacional y regular.
- 03Identificar modelos candidatos con ACF/PACF.
- 04Estimar alternativas SARIMA en Stata.
Resultado
R- El modelo seleccionado fue ARIMA(1,1,1) x (0,1,1)[12] sin constante.
- El modelo presentó el mejor AIC/BIC entre las alternativas comparadas.
- Los tests Ljung-Box no rechazaron ruido blanco en residuos.
- Demuestra capacidad para planificar bajo incertidumbre temporal.
- Es transferible a demanda, ventas, tráfico, operaciones y KPIs de negocio.
- 216 · Meses de datos usados
02 / Contexto
Problema
El objetivo de esta parte es entender el reto de negocio o análisis sin entrar todavía en detalle técnico.
02.1
Resumen ejecutivo
Caso de forecasting aplicado donde el valor está en seguir un proceso completo: preparar la serie, identificar estructura temporal, comparar modelos, validar residuos y presentar previsiones con incertidumbre.
02.2
Mi contribución
Proyecto académico individual. Preparé la serie, ejecuté el flujo Box-Jenkins, comparé modelos SARIMA en Stata, validé residuos y generé previsiones dinámicas con intervalos.
03 / Método
Enfoque
Métodos, herramientas y flujo de trabajo. Aquí se ve cómo estructuré el análisis.
03.1
Datos y métodos
- Serie mensual de concentración de ozono, 1980m1–1997m12.
- Transformación logarítmica y diferenciación regular/estacional.
- Identificación mediante ACF y PACF.
- Comparación de modelos con AIC/BIC.
- Diagnóstico con Ljung-Box, sktest, Q-Q, P-P e histogramas.
- Forecast dinámico para 1998 y back-transform con corrección lognormal.
03.2
Proceso
- 01Visualizar la serie y decidir trabajar en logaritmos.
- 02Aplicar diferenciación estacional y regular.
- 03Identificar modelos candidatos con ACF/PACF.
- 04Estimar alternativas SARIMA en Stata.
- 05Seleccionar modelo con AIC/BIC y diagnóstico de residuos.
- 06Generar previsiones dinámicas e intervalos al 95%.
04 / Decisión
Evidencia e impacto
Outputs, hallazgos e implicaciones traducidos a decisiones o valor profesional.
04.1
Hallazgos clave
- El modelo seleccionado fue ARIMA(1,1,1) x (0,1,1)[12] sin constante.
- El modelo presentó el mejor AIC/BIC entre las alternativas comparadas.
- Los tests Ljung-Box no rechazaron ruido blanco en residuos.
- La salida final incluye forecast dinámico a 12 meses con intervalos de predicción.
04.2
Implicaciones de negocio
- Demuestra capacidad para planificar bajo incertidumbre temporal.
- Es transferible a demanda, ventas, tráfico, operaciones y KPIs de negocio.
05 / Cierre
Cierre profesional
Limitaciones, siguientes pasos y materiales disponibles. Mantiene el caso honesto y accionable.
05.1
Limitaciones
- Contexto académico y serie ambiental.
- No incorpora variables exógenas.
- La calidad del forecast depende de estabilidad temporal y supuestos del modelo.
05.2
Qué haría a continuación
- Comparar con modelos con variables exógenas.
- Evaluar errores fuera de muestra.
- Crear dashboard de forecast y alertas.
05.3
Recursos
Continuar lectura
Proyectos relacionados
Casos conectados por área, método o tipo de decisión. Úsalos para seguir una línea de análisis sin volver al listado completo.
Siguiente proyecto