Modelado y pronóstico de una serie de tiempo contaminada empleando redes neuronales y procedimientos estadísticos tradicionales

Resumen

En este trabajo se presenta la aplicación de una red neuronal feedforward (AHA) a una serie de tiempo previamente estudiada en la literatura por diferentes investigadores (Brubacher, 1974; Martín, 1980; Stahlbut, 1985; Allende, 1989) llamada serie RESEX que presenta estacionalidad y valores extremos (outliers). Algunos elementos de la
arquitectura de la red tales como la definición de las variables de entrada fueron sugeridos por el análisis previo de la serie y otros como el número de capas ocultas y de neuronas por capa surgieron a través de procedimientos numéricos. Para el entrenamiento de la red se utilizó el algoritmo de retropropagación (backpropagation) estándar y también un algoritmo de aprendizaje robusto para tratar adecuadamente con los valores extremos aditivos. Todos los modelos y métodos (tradicionales y de redes neuronales) fueron com parados considerando diferentes m edidas de habilidad predictiva. En general, los resultados finales no fueron m uy diferentes. El modelo estadístico mostró un menor error residual y menor porcentaje de error absoluto en el ajuste, mientras que la red robustamente entrenada presentó mejores pronósticos.