Pronósticos y comparación de una serie de tiempo con cambios estructurales mediante la red neuronal artificial de retropropagación resiliente y modelos no lineales

Abstract

En esta investigación se propone una metodológica alternativa a la metodología de Box y Jenkins, donde se podrá evidenciar el modelamiento de series temporales no lineales, mediante el enfoque paramétrico y el enfoque No paramétrico.

En el enfoque paramétrico me inclinaré por la extensión de los métodos de Box y Jenkins, es decir, los modelos ARCH, GARCH, TGARCH entre otros, para el modelado de series temporales no lineales, en la cual obtendré los pronósticos del año 2012 para la serie temporal:

 Número de peruanos retornantes según año de regreso mediante medio de transporte aéreo.

En el enfoque No paramétrico presentaré el método de la red neural de retropropagación resiliente para el modelado de series temporales no lineales, en la cual obtendré los pronósticos del año 2012 para la serie temporal:

 Número de peruanos retornantes según año de regreso mediante medio de transporte aéreo.

La serie de tiempo estudiada para esta investigación presenta un cambio estructural durante los años del 2000-2003, lo que induce a la no linealidad de la serie. La estimación de los dos enfoques serán comparados y se elegirá el enfoque que otorgue mejores pronósticos, la cual escogeré mediante indicadores de validación como por ejemplo el MAD (Desviación Media Residual) y SSE (Suma de los Cuadrados de los Residuos).

In this research an alternative to Box and Jenkins methodology, where you can demonstrate the modeling of nonlinear time series, using parametric and nonparametric approach is proposed methodological approach.

In the parametric approach, we prefer the extension of the methods of Box and Jenkins, ie ARCH, GARCH, TGARCH models among others, for modeling nonlinear time series, in which we obtain forecasts for 2012 for the series time:

 Number of returnees back Peruvians by year by means of air transport.

In the parametric approach not present the method of the Resilient Backpropagation Neural Network for modeling nonlinear time series, in which we obtain forecasts of 2012 to the time series:

 Number of returnees back Peruvians by year by means of air transport.

The time series studied for this research presents a structural change during the years of 2000-2003, which leads to the nonlinearity of the series.

The estimation of the two approaches will be compared and approach that gives better predictions will be chosen, which will choose validation using indicators such as MAD (mean deviation residual) and SSE (sum of the squares of the waste)