Yo también estaba interesado en el ARIMA, pero he leído sobre una pequeña pega, el autor que encontré que lo recomendara con la menor cantidad de datos es de 60 periodos, de ahí para arriba encontré que en promedió esta entre 100 y 150 datos, y no falta el que pedía 200 datos, mientras que el holt-winter no necesita de tantos segun he leído las recomendaciones
Efectivamente, ARIMA funciona bien para 50, 60 o 70 datos en adelante, Depende del autor. Pero en general necesita mas datos que el método de holt-winter. Ahora también logra mejores pronosticos en series con mayor variabilidad o con patronos difusos.
Saludos desde Kentucy USA. Estos videos son geniales, receien hace unos meses que estoy explorando python. La estadistica y forecasting es lo que me llama mucho la atencion.
Exlente, por casualidad llegué aquí y no pude dejar de verlos, quedé con la duda donde esta el siguiente el video ?, éste ya tiene un año desde que fue publicado
hola disculpa, como puedo adecuar el codigo para aplicar el modelo de forma masiva e independiente a distintos articulos. Tengo mis datos en excel en donde las filas son el nombre de cada articulo que deseo proyectar y mis columnas los meses ( periodos) con datos reales de demanda.
Disculpa el retraso, pero todo es como leas o estructures los datos, puede aplicar lo mismo que esta en el video transponiendo la matriz o modificar los datos de entradas que sean por fila.
Para el análisis de series de tiempo, la estacionalidad no siempre es tan simple de ver. Si la serie tiene mucho ruido, no se vera claramente. Ahora si tienes suficientes datos ( más de 70 ) podrías utilizar el método de ARIMA ( SARIMA que es con estacionalidad) o saber de ante mano ( por intuición o experiencia) cual es la estacionalidad.
eso se debe a la versión de Sklearn que tienes...revisa la versión que tienes y busca en la documentación cómo se llama la función MAPE en esa versión. Lo otro que puedes hacer es crear una función y/o calcular tú mismo el MAPE.
Excelentes videos Sergio, todo claro y bien explicado. Ojalá poder ver el siguiente video de ARIMA.
Yo también estaba interesado en el ARIMA, pero he leído sobre una pequeña pega, el autor que encontré que lo recomendara con la menor cantidad de datos es de 60 periodos, de ahí para arriba encontré que en promedió esta entre 100 y 150 datos, y no falta el que pedía 200 datos, mientras que el holt-winter no necesita de tantos segun he leído las recomendaciones
Efectivamente, ARIMA funciona bien para 50, 60 o 70 datos en adelante, Depende del autor. Pero en general necesita mas datos que el método de holt-winter. Ahora también logra mejores pronosticos en series con mayor variabilidad o con patronos difusos.
Excelentes videos me han ayudado mucho y muy bien explicado
Saludos desde Kentucy USA. Estos videos son geniales, receien hace unos meses que estoy explorando python. La estadistica y forecasting es lo que me llama mucho la atencion.
Exlente, por casualidad llegué aquí y no pude dejar de verlos, quedé con la duda donde esta el siguiente el video ?, éste ya tiene un año desde que fue publicado
No he subido mas videos. Me dare el tiempo de hace más pronto.
Increíbles vídeos, información claro y precisa.
Puedes compartir el notebook?
Gracias Brayan, tendría que ver cómo subir el archivo o el link. Lo intentaré pronto. Saludos !
Gracias Sergio. Tengo un problema con Holt Winter. La predicción me da una recta, como el método de Holt. ¿Sabes que puede ser?
Revisar los settings utilizados o revisar si estás pronosticando una serie desestacionalizada.
Muy buen video! Nos puedes compartir el notebook? Mil gracias!
Voy a ver como puedo subir el cuaderno !
hola disculpa, como puedo adecuar el codigo para aplicar el modelo de forma masiva e independiente a distintos articulos. Tengo mis datos en excel en donde las filas son el nombre de cada articulo que deseo proyectar y mis columnas los meses ( periodos) con datos reales de demanda.
Disculpa el retraso, pero todo es como leas o estructures los datos, puede aplicar lo mismo que esta en el video transponiendo la matriz o modificar los datos de entradas que sean por fila.
Que sucede si no hay una estacionalidad marcada en la autocorrelación? como determino los peiodos?
Para el análisis de series de tiempo, la estacionalidad no siempre es tan simple de ver. Si la serie tiene mucho ruido, no se vera claramente. Ahora si tienes suficientes datos ( más de 70 ) podrías utilizar el método de ARIMA ( SARIMA que es con estacionalidad) o saber de ante mano ( por intuición o experiencia) cual es la estacionalidad.
@@sergiocorrea1179 muchas gracias! Son datos financieros, seguiré pivoteando estrategias
Hola! Me sale error el llamar a "from sklearn.metrics import mean_absolute_percentage_error as MAPE"
Lo estoy abriendo desde google colab, será por eso?
eso se debe a la versión de Sklearn que tienes...revisa la versión que tienes y busca en la documentación cómo se llama la función MAPE en esa versión. Lo otro que puedes hacer es crear una función y/o calcular tú mismo el MAPE.