Cómo detectar puntos de cambio en series temporales usando Python
En este artículo:
- Definir qué son los cambios estructurales de series de tiempo y qué los distingue de los valores atípicos.
- Descripción general de los diferentes tipos de cambios estructurales.
- Explore métodos de detección de puntos de cambio, como CUSUM, utilizando los paquetes kats y ruptures.
La estacionariedad es un concepto central en el análisis y la previsión de series temporales. En virtud de la estacionariedad, las propiedades de las series temporales, como el valor medio, permanecen invariables a lo largo del tiempo, salvo fluctuaciones espurias.
Sin embargo, rara vez se observa la estacionariedad en los conjuntos de datos del mundo real. Las series temporales son susceptibles a cambios o rupturas estructurales. Estos introducen variaciones no estacionarias en una serie temporal, alterando su distribución. El intervalo de tiempo que marca el inicio de un cambio se denomina punto de cambio.
La detección de cambios estructurales es valiosa en el análisis y la previsión de series temporales. La distribución emergente a menudo hace que los datos pasados queden obsoletos y, en consecuencia, los modelos no se ajustan a ellos. Esto requiere que actualice sus modelos utilizando datos recientes u otra estrategia adecuada. Si se producen puntos de cambio en los datos históricos, puede abordarlos con funciones…