Cargando...

Acerca de los pronósticos comerciales del OEC

Los pronósticos que se muestran en esta herramienta utilizan un modelo de memoria a corto plazo o LSTM. El enfoque LSTM es una forma de aprendizaje automático que utiliza una red neuronal recurrente. En el caso de los pronósticos que se muestran en esta página, estamos utilizando una serie de tiempo de datos (basada en el conjunto de datos seleccionado por el usuario) como entrada para el modelo. Luego, el modelo puede aprender la dependencia del orden y producir una predicción de secuencia.

Cómo utilizar esta herramienta

El primer paso para crear su pronóstico personalizado es elegir un conjunto de datos de las opciones anteriores. Nos esforzamos por incluir tantos conjuntos de datos del OEC como sea posible en esta herramienta, pero notará que faltan algunos.

warning-sign

¿Por qué faltan algunos conjuntos de datos?

La razón es que algunos conjuntos de datos no contienen suficientes datos históricos para producir un pronóstico significativo.

El siguiente paso es elegir su selección. Cualquier cuadro de selección que se deje vacío será marginado y agregado. Por ejemplo, en los datos comerciales anuales, al elegir un país de origen y un producto sin seleccionar un país de destino, se mostrará un pronóstico del monto total de exportación del país elegido en el producto elegido. También notará un botón debajo de cada cuadro de selección para cambiar entre 'Agregado' y 'Drilldown'. Si se eligen varias selecciones, la elección de la opción agregada sumará todos los valores de estas selecciones, mientras que la elección de la opción de desglose los mantendrá como predicciones independientes.

Representación visual

Cada pronóstico realizado usando los cuadros de selección se mostrará usando 3 indicadores visuales distintos en el gráfico que se produce. Los puntos representarán los valores reales observados en el conjunto de datos. La línea representa el pronóstico utilizando los parámetros avanzados a continuación. Y finalmente, la región sombreada que rodea cada línea representa las estimaciones de confianza de los límites superior e inferior de la predicción.

Modo de estacionalidad: De forma predeterminada, el pronóstico se ajusta a las estacionalidades aditivas, lo que significa que el efecto de la estacionalidad se agrega a la tendencia para obtener el pronóstico. Cuando el modo de estacionalidad se establece en multiplicativo, los efectos estacionales también se modelarán como multiplicativos. Un buen candidato para usar una predicción del modo de estacionalidad multiplicativa sería una serie de tiempo con un ciclo anual claro, en el que la estacionalidad en el pronóstico es demasiado grande al principio y demasiado pequeña al final.

Escala previa del punto de cambio: En general, aumentar este valor producirá un modelo más flexible. Al aumentar el valor de la escala previa del punto de cambio, se permitirá que cada punto de cambio en la tendencia cambie con un mayor grado de libertad. Al igual que muchos parámetros de pronóstico, si este valor es demasiado grande, corre el riesgo de sobreajustar su modelo o cambios de tendencia, mientras que si la escala anterior del punto de cambio es demasiado pequeña, entonces el modelo puede no encajar.

Rango de punto de cambio: Este parámetro determina la cantidad de datos observados (o históricos) que se utilizarán para realizar el pronóstico. De forma predeterminada, se establece en 80%, lo que significa que el modelo utilizará el primer 80% de la serie de tiempo para calcular la predicción.