Un conjunto de métodos para modelar y analizar datos ordenados en el tiempo, centrados en la dependencia temporal, tendencia, estacionalidad, ciclos y propiedades estocásticas para describir dinámicas, contrastar hipótesis sobre procesos temporales y generar pronósticos.

Principio

Tratar las observaciones como realizaciones de procesos estocásticos donde la autocorrelación, la estacionariedad y las propiedades espectrales gobiernan la inferencia; la identificación y predicción dependen de modelar la estructura de dependencia temporal (AR, MA, ARMA, ARIMA, espacio de estados, etc.).

Demostración

Modelizar el PIB trimestral con un modelo ARIMA para capturar persistencia y estacionalidad, comprobar raíces unitarias para evitar regresiones espurias y producir previsiones a corto plazo con intervalos de predicción para la planificación política.

Aplicación incorrecta

Aplicar mínimos cuadrados ordinarios a dos series con tendencia sin comprobar cointegración, lo que puede producir relaciones espurias, u omitir rupturas estructurales y no estacionariedad que invalidan la inferencia y las predicciones estándar.

Consecuencia

Un análisis de series temporales apropiado proporciona inferencia válida sobre dinámicas temporales, pronósticos confiables a corto y medio plazo cuando los modelos capturan dependencias y rasgos estructurales relevantes, y una cuantificación razonada de la incertidumbre para decisiones ligadas a la evolución temporal.

Inversión

Un análisis transversal que considera las observaciones como extracciones independientes sin atender al orden temporal ni a la dependencia, por lo que no puede modelar autocorrelación, persistencia ni causalidad temporal.

Límite

Se refiere a datos con un orden temporal significativo y normalmente requiere atención a la frecuencia de muestreo, estacionariedad, autocorrelación, rupturas estructurales y la distinción entre tendencias estocásticas y deterministas; las extensiones a panel combinan dimensiones temporales y transversales pero introducen consideraciones adicionales de identificación.

Tensión semántica

La tensión surge entre la modelización estructural (especificar mecanismos económicos y parámetros interpretables) y los enfoques flexibles de predicción (aprendizaje automático o modelos reducidos que pueden predecir bien pero ofrecen menos interpretación estructural), y entre precisión en el corto plazo y estabilidad en el largo plazo.

Síntesis

El Análisis de Series Temporales modela la dependencia temporal y la estructura estocástica en datos ordenados para separar tendencia, estacionalidad y ciclos, testar hipótesis dinámicas y generar pronósticos con incertidumbre cuantificada, requiriendo el tratamiento explícito de estacionariedad, autocorrelación y cambios estructurales.