Los datos de series temporales desempeñan un papel crucial en el análisis de diversas áreas, desde la economía hasta el clima, pasando por las redes sociales y la salud. Son datos que se recopilan a lo largo del tiempo, permitiendo detectar patrones, tendencias y cambios significativos. En este artículo, exploraremos a fondo el análisis de datos de series temporales, sus aplicaciones y el impacto que puede tener en la toma de decisiones. Si estás interesado en descubrir cómo aprovechar al máximo esta técnica, ¡no te lo pierdas!
El análisis de una variable cambia a lo largo de un período de tiempo.
Más de 1,8 millones de profesionales utilizan CFI para aprender contabilidad, análisis financiero, modelado y más. Comience con una cuenta gratuita para explorar más de 20 cursos siempre gratuitos y cientos de plantillas financieras y hojas de trucos.
¿Qué es el análisis de datos de series temporales?
El análisis de datos de series de tiempo es el análisis de conjuntos de datos que cambian durante un período de tiempo. Los conjuntos de datos de series temporales capturan observaciones de la misma variable en diferentes momentos. Los analistas financieros utilizan datos de series de tiempo, como los movimientos del precio de las acciones o las ventas de una empresa a lo largo del tiempo, para analizar el desempeño de una empresa.
Ejemplos de conjuntos de datos de series temporales incluyen:
- El producto interno bruto (PIB) de los Estados Unidos de América entre 2010 y 2015 – La unidad económica del análisis es Estados Unidos. La unidad económica de análisis se refiere al período 2010-2015. Una entrada típica de este conjunto de datos sería (2012, 16,16 billones de dólares).
- PIB per cápita de Alemania entre 2008 y 2018 – La unidad económica de análisis es Alemania. La unidad económica de análisis se refiere al período 2008-2018. Una entrada típica de este conjunto de datos sería (2010, 41.700 dólares).
- Total de acero exportado por India entre 2000 y 2018 – La unidad económica de análisis es India. La unidad económica de análisis es el período 2000-2018. Una entrada típica de este conjunto de datos sería (2015, 3.170 millones de dólares).
- Número total de naranjas consumidas por un hogar específico en Ghana entre 2008 y 2018: la unidad económica de análisis es un hogar específico en Ghana (por ejemplo, el hogar 302). La unidad económica de análisis se refiere al período 2008-2018. Una entrada típica de este conjunto de datos sería (2018, 200).
correlación
A diferencia del análisis de datos transversal, el análisis de datos de series temporales no puede depender del método de muestreo aleatorio. Esto hace que el análisis de datos de series temporales sea mucho más complejo y computacionalmente intensivo que el análisis de datos transversales. El muestreo aleatorio no se puede utilizar porque los valores pasados de una variable casi siempre están altamente correlacionados con el valor actual de esa variable.
Por ejemplo, el PIB de EE. UU. en el cuarto trimestre de 2017 está altamente correlacionado con el PIB del tercer trimestre de 2017. El grado de correlación es mucho mayor que la correlación entre entidades económicas al mismo tiempo.
El coeficiente de correlación entre el PIB de EE. UU. en el trimestre actual y el PIB de EE. UU. en el trimestre anterior para el período 2008 a 2018 es 0,998. El coeficiente de correlación entre el PIB de EE. UU. del año actual y el PIB de EE. UU. del año anterior para el período 2008 a 2018 es 0,992.
Preguntas causales y análisis de series temporales.
La mayor parte del análisis económico implica el estudio de afirmaciones causales intertemporales. Ejemplos incluyen:
- ¿En qué medida afecta un aumento del 1% en el PIB del período actual al PIB del período futuro?
- ¿Cómo afecta la tasa de desempleo pasada a la tasa de desempleo actual?
- ¿Qué efecto tiene un aumento del 1% en los puntajes de los exámenes de séptimo grado sobre los puntajes de los exámenes de octavo grado?
Consideremos el ejemplo de los puntajes de los exámenes: supongamos que existe una herramienta política (por ejemplo, aumentar la proporción maestro-estudiante) que puede aumentar los puntajes de los exámenes de séptimo grado en un 1%. Es probable que un cambio de política de este tipo resulte muy costoso, y es posible que un formulador de políticas que se centre únicamente en los resultados de los exámenes de séptimo grado no implemente la política.
Sin embargo, supongamos que un aumento del 1% en los puntajes de las pruebas de séptimo grado está asociado con un aumento del 0,5% en los puntajes de las pruebas de octavo grado. Este beneficio adicional puede hacer que valga la pena aplicar la directiva.
Más recursos
Gracias por leer la guía de Finanzas para analizar datos de series temporales. Para avanzar aún más en su carrera, los siguientes recursos adicionales de CFI le resultarán útiles:
