SERIES DE TIEMPO:

MÉTODO SHISKIN (X-11) O

CENSUS II

INGENIERÍA INDUSTRIAL

ADMINISTRACIÓN DE LAS
OPERACIONES I

ING. ROBERTO PEREDO M.

ENRIQUE GUERRERO
SÁNCHEZ
15222033
FECHA DE ENTREGA:
5 DE DICIEMBRE DEL 2017
Origen
Los métodos de descomposición de series de tiempo tienen un largo
proceso desde ya hace años.
Durante el siglo XX, LA Federal Reserve Board y National Bureau of
Economic Research estaban muy involucradas en los ajustes
estacionales y el suavizamiento de las series del tiempo económicas.
Debido a la carencia de computadoras, los cálculos eran laboriosos
y su práctica limitada.
A principios de los 50s, Julius Shiskin, estadístico económico,
desarrolló un programa de cómputo a gran escala para descomponer
series de tiempo. Este se aproximaba básicamente a los métodos
manuales que se usaban en ese tiempo y, un año después fue
remplazado por un programa mejor denominado Método II. Y a su
vez este fue mejorando, Actualmente su variante más actualizada se
denomina ARIMA-X-12.
Series de Tiempo con método Shiskin
Puede definirse una serie temporal como datos ordenados en forma
cronológica que pueden tener uno o más componentes de la
demanda:

Tendencia
Estacional
Cíclico
Autocorrelación (Aditiva o Multiplicativa)
Aleatorio

La descomposición por Census II es de índole multiplicativa,

regularmente. Porque la mayor parte de las series de tiempo tienen
variación estacional que se incrementa con el nivel de las series. La
descomposición también considera tres componentes:
De ciclo tendencia
Estacional
Regular
Este método de descomposición recoge una serie de pasos hasta
que los componentes se ven aislados con éxito. Muchos de los pasos
involucran la aplicación de promedios móviles ponderados a los
datos originales, que resulta en una pérdida de datos inevitable, al
principio y final de la serie debido al hecho de promediar. La ARIMA
en su parte ARIMA-X-12 proporciona la posibilidad de extender la
serie original en ambas direcciones con los pronósticos, de tal
manera que más observaciones se ajusten por medio de promedios
móviles completamente ponderados. Estos modelos se generan
desde un modelo de series de tiempo ARIMA.
Estos son algunos refinamientos incorporados en esta versión de
Census II de descomposición.
1. Los datos originales se corrigen por diferencias de los días de
trabajo o los días comerciales. Esto tiene que hacer sobre todo
con los datos mensuales, ya que el número de días de trabajo
o comerciales varía de un mes en otro (y año tras otro,
influyendo por lo tanto las ventas o cualquier otra variable que
se va a pronosticar.
2. Se obtiene una primera estimación de los factores estacionales
empleando la razón de los datos originales a un promedio móvil
cuya duración sea igual a de la estacionalidad. Este paso es
igual al que se emplea en la descomposición clásica.
3. Los valores extremos se eliminan mediante el uso de los
principios del control estadístico (los valores que se hallan
sobre y debajo de cierto intervalo como +-3 desviaciones
típicas, se modifican o se eliminan) y se recalculan los factores
estacionales refinados y finales. Estos factores se proyectan un
año delante.
4. Los movimientos irregulares se identifican, suavizan, registran
y emplean subsecuentemente para pronosticar.
5. Se identifican movimientos cíclicos del mes a mes para extraer
elementos estacionales e irregulares
6. Se proporcionan gráficas y medidas resumidas que puntualizan
la importancia de cada uno de los componentes de cualquier
serie de tiempo (estacional, cíclica, tendencial e irregular o
aleatoria), y se identifican los indicios de los puntos de inflexión
venideros de la serie. Se calculan los meses de dominio
cíclico(MCD) y utilizan para preparar las estimaciones finales
de ciclo de tendencia.
 De esta descripción se puede corregir que e Census II es más
elaborado que el método clásico de descomposición, aunque
utiliza el mismo concepto de descomposición. El procedimiento es
más refinado, utiliza pruebas basadas en la estadística y hace un
mejor trabajo al ajustar los elementos estacionales e irregulares y
separarlos de los componentes cíclicos y tendenciales de una
serie de tiempo. Por último, ha sido probado repetidas veces con
cientos de miles de series y se ha demostrado su validez y
precisión de resultados, no teóricamente (como en los métodos
matemáticos refinados de predicción), sino empíricamente. Por
esas razones, el método es atractivo para la administración y está
ganando más aceptación como método de descomposición de
datos y de predicción, aunque desde el punto de vista estadístico
puede que existan ciertas debilidades teóricas cuando se emplea
el principio de descomposición.
Características generales
Es fácil identificar la tendencia y el componente
estacional.
Es más difícil identificar los componentes de los
ciclos, la auto-correlación y el aleatorio.
Cuando se tienen efectos estacionales y de
tendencia al mismo tiempo, pueden relacionarse:
Variación Estacional Aditiva -> Cantidad estacional es
una constante
Variación Estacional Multiplicativa -> La tendencia se
multiplica por los factores estacionales
-> Es más común la multiplicativa.
Principios del Método
El método X-11, que permite analizar las series mensuales y
trimestrales, se apoya en un principio de estimación iterativa de las
diferentes componentes. Esa estimación se hace en cada etapa
mediante las medias móviles adecuadas.
Componentes
Las componentes siguientes pueden aparecer en algún momento de
la descomposición:
1. La tendencia que representa la evolución de la serie a largo tiempo;
2. El ciclo, movimiento liso, casi periódico, en torno de la tendencia,
que pone en evidencia una sucesión de etapas de crecimiento y de
recesión.
X-11 no separa esas dos componentes. Las series estudiadas son
generalmente muy cortas para permitir que se haga fácilmente la
estimación de esas dos componentes. De modo que, a continuación,
nos referimos a la componente tendencia-ciclo, designada
Ct para conservar la notación usual de X-11.
3. La componente estacional, designada St, que representa las
fluctuaciones infra anuales (mensuales o trimestrales) que se repiten
de año en año de manera más o menos regular;
4. Una componente llamada de días hábiles, designada Dt, que mide
el impacto sobre la serie de la composición diaria del mes o del
trimestre;
5. Una componente que mide el efecto de la Fiesta de Pascua,
designada Et;
6. Por último, la componente irregular, designada It, que agrupa todas
las otras fluctuaciones más o menos erráticas que no son tomadas
en cuenta en las componentes precedentes.
Medias móviles

Las medias móviles constituyen la herramienta de base del método

de desestacionalización X-11. Se las emplea para estimar las
principales componentes de la serie: tendencia y estacionalidad. Son
principalmente herramientas de alisado, concebidas para eliminar
una componente de la serie que no es deseada. Consideremos el
ejemplo simple de una serie constituida con una tendencia y una
componente irregular: si la tendencia es lisa, los valores de la serie
alrededor de la fecha t deben aportar una información sobre el valor
de esa tendencia en el instante t y debe ser posible utilizar una media
de esos valores para obtener una estimación. La media móvil de
coeficientes.

ETAPA A: Ajustes previos

- Para efectos conocidos e importantes;
- Para días hábiles.
ETAPA B: Primera corrección automática de la serie
- Estimación de la componente irregular;
- Detección y corrección automática de los puntos atípicos;
- Corrección de los efectos de días hábiles.
ETAPA C: Segunda corrección automática de la serie
- Estimación de la componente irregular;
- Detección y corrección automática de los puntos atípicos;
- Corrección de los efectos de días hábiles.
ETAPA D: Desestacionalización
1. Cálculo de la serie desestacionalizada provisoria
(Tablas D1 a D6);
2. Alisado de la serie desestacionalizada con una media móvil de
Henderson y nueva estimación de los coeficientes estacionales
(Tablas D7 a D10);
3. Cálculo de la serie desestacionalizada definitiva (Tabla D11),
extracción de la componente tendencia-ciclo (Tabla D12)
y de la componente irregular (Tabla D13);
ETAPA E: Componentes corregidas de los valores muy atípicos
ETAPA F: Evaluaciones de la calidad de la desestacionalización
ETAPA G: Gráficos

Bibliografía
Wheelwrigth, M. y. (2010). Métodos de Pronósticos. Méxoco D.F.: Limusa.

Wichern, J. E. (2006). Pronósticos en los negocios. Naucalpan de Juarez Edo. de Méx.: Pearson
Education México.

Young, A. (2000). DESESTACIONALIZAR CON EL MÉTODO X-11. Brucelas, Bélgica: Universidad

autónoma de Brucelas.