IA y Análisis de Series Temporales en Tesis Doctorales: Aplicación 2026

thesify.team@gmail.com

·

mayo 17, 2026

IA y Análisis de Series Temporales en Tesis Doctorales: Aplicación 2026

El IA análisis series temporales tesis doctorales representa uno de los avances metodológicos más significativos de la investigación doctoral contemporánea. En 2026, los modelos de aprendizaje profundo —redes LSTM, arquitecturas Transformer y herramientas como Prophet— han dejado de ser competencia exclusiva de la informática aplicada para convertirse en instrumentos metodológicos de uso transversal en disciplinas como la economía, la epidemiología, las ciencias del clima, la neurociencia y la psicología experimental. Esta democratización tecnológica plantea, al mismo tiempo, exigencias metodológicas estrictas: quien incorpora IA al análisis de series temporales en una tesis doctoral debe dominar no solo el uso de las herramientas, sino también sus fundamentos estadísticos, sus limitaciones y sus implicaciones éticas.

El presente artículo ofrece un mapa conceptual y metodológico para doctorандos que planean integrar inteligencia artificial en el análisis longitudinal de datos. Se abordan los modelos más empleados, los criterios de selección según la naturaleza del problema de investigación, el protocolo de validación exigible y las obligaciones de transparencia derivadas del Reglamento (UE) 2024/1689 de Inteligencia Artificial —el AI Act— cuya plena aplicabilidad llega el 2 de agosto de 2026 (European Parliament, 2024). El rigor académico en esta área no es opcional; es la diferencia entre una contribución científica sólida y un artefacto computacional sin valor epistémico.

Respuesta rápida: La integración de IA en el análisis de series temporales dentro de una tesis doctoral requiere seleccionar el modelo adecuado (ARIMA clásico, LSTM, Prophet o Transformer según la longitud de la serie y la naturaleza de las dependencias), validar con métricas estándar (RMSE, MAE, MAPE), declarar el uso de IA en el apartado metodológico y garantizar la reproducibilidad del código y los datos conforme al AI Act y a los criterios FAIR.

Contexto metodológico y relevancia doctoral

El análisis de series temporales examina datos observados secuencialmente en el tiempo para identificar patrones, tendencias, estacionalidades y relaciones causales. Los métodos clásicos —ARIMA, SARIMA, VAR— han dominado la literatura econométrica y epidemiológica durante décadas. Sin embargo, su capacidad para capturar dependencias no lineales a largo plazo o para manejar series multivariadas de alta dimensionalidad es limitada. Los modelos de aprendizaje profundo subsanan estas limitaciones, pero introducen una opacidad inherente que el investigador doctoral debe gestionar activamente.

Según datos del repositorio TESEO del Ministerio de Ciencia, las tesis doctorales que incorporan técnicas de aprendizaje automático en series temporales se han triplicado entre 2019 y 2024, con especial concentración en economía aplicada, ciencias de la salud e ingeniería ambiental. Este crecimiento confirma la relevancia del tema, pero también la urgencia de establecer estándares metodológicos claros. La guía sobre análisis estadístico inferencial con IA publicada en este mismo portal constituye el marco estadístico complementario indispensable para este artículo.

Modelos de IA para series temporales: panorama 2026

El ecosistema de modelos disponibles en 2026 puede organizarse en cuatro grandes familias:

Modelos clásicos mejorados con IA

Los modelos ARIMA y sus variantes (SARIMA, SARIMAX) siguen siendo relevantes cuando la serie es estacionaria o puede ser diferenciada para lograr estacionariedad. La IA contribuye aquí fundamentalmente en la selección automática de hiperparámetros (p, d, q) mediante algoritmos como el criterio de información de Akaike (AIC) automatizado, implementado en librerías como pmdarima en Python.

Redes neuronales recurrentes: LSTM y GRU

Las redes Long Short-Term Memory (LSTM) y Gated Recurrent Unit (GRU) fueron durante años el estándar de referencia para series temporales con dependencias temporales largas. Una LSTM aprende qué información retener y qué olvidar mediante compuertas de control, lo que las hace robustas ante el problema del gradiente desvaneciente que afecta a las RNN convencionales (Hochreiter y Schmidhuber, 1997). En contextos doctorales, las LSTM son especialmente adecuadas para series médicas (monitorización de glucosa, EEG) y económicas (mercados financieros, series macroeconómicas).

Modelos Transformer para series temporales

La arquitectura Transformer, introducida originalmente para procesamiento de lenguaje natural, ha sido adaptada con gran éxito al dominio temporal con variantes como Informer, Autoformer, FEDformer y PatchTST (Zhou et al., 2021; Nie et al., 2023). Estos modelos destacan en series largas con múltiples variables y relaciones de dependencia complejas. Su uso en tesis doctorales requiere recursos computacionales significativos, aunque servicios en la nube como Google Colab Pro o los clústeres de las universidades españolas los hacen accesibles.

Prophet y modelos de descomposición automatizada

Prophet, desarrollado por Meta (Taylor y Letham, 2018), combina regresión con componentes de tendencia, estacionalidad y efectos de festividades. Es particularmente útil cuando la serie presenta estacionalidades múltiples y el investigador carece de experiencia profunda en aprendizaje automático. Su interfaz en Python y R es accesible, y genera intervalos de incertidumbre automáticamente, lo que facilita la comunicación de resultados.

Tabla 1. Comparativa de modelos de IA para series temporales en tesis doctorales (2026)
Modelo	Fortaleza principal	Limitación	Disciplinas idóneas
ARIMA/SARIMA	Interpretabilidad, fundamento estadístico clásico	Linealidad, selección manual de parámetros	Economía, ciencias sociales
LSTM/GRU	Dependencias largas, datos multivariados	Coste computacional, opacidad	Biomedicina, finanzas, ingeniería
Transformer (PatchTST)	Series largas, relaciones complejas	Requiere datos abundantes	Clima, energía, macroeconomía
Prophet	Estacionalidades múltiples, facilidad de uso	Menor precisión en patrones complejos	Ciencias sociales, salud pública

Criterios de selección del modelo según el problema de investigación

La elección del modelo de IA para el análisis de series temporales no debe guiarse por la novedad o la complejidad del algoritmo, sino por la adecuación epistemológica al problema de investigación. El doctorando debe responder con precisión a las siguientes preguntas antes de seleccionar un modelo:

Longitud de la serie: series cortas (n < 100 observaciones) favorecen los modelos clásicos o Prophet; series largas (n > 1.000) pueden justificar LSTM o Transformer.
Univariada vs. multivariada: las relaciones entre múltiples variables simultáneas requieren VAR clásico, modelos LSTM multivariados o arquitecturas Transformer.
Interpretabilidad exigida: si el comité evaluador o el contexto clínico-regulatorio exige explicabilidad, priorizar modelos con componentes interpretables o añadir técnicas de XAI (SHAP, LIME) a los modelos de caja negra.
Objetivo: predicción vs. comprensión: un modelo predictivo preciso no equivale a comprensión causal. Esta distinción es fundamental en la epistemología doctoral.

Las directrices de la Comisión Europea sobre sistemas de IA de alto riesgo —incluidas las aplicaciones en investigación científica con impacto en políticas públicas— subrayan que la selección de modelos debe documentarse con justificación explícita (European Commission, 2024). Herramientas como las descritas en el estado del arte de la IA generativa en investigación proporcionan un marco de referencia actualizado.

Protocolo de validación y evaluación del rendimiento

La validación de un modelo de series temporales con IA debe seguir principios más estrictos que los aplicados en el aprendizaje automático convencional, debido a la dependencia temporal de los datos. Las principales consideraciones son:

División temporal del conjunto de datos

La validación cruzada estándar (k-fold) viola la dependencia temporal y produce estimaciones de rendimiento infladas. Se debe usar validación cruzada con origen rodante (rolling-origin cross-validation o expanding window), que respeta el orden cronológico de los datos. La proporción típica es 80% entrenamiento / 20% prueba, pero en tesis doctorales con series cortas se recomienda describir y justificar cualquier desviación de este criterio.

Métricas de evaluación

Las métricas de referencia incluyen: Error Cuadrático Medio (RMSE), Error Absoluto Medio (MAE) y Error Porcentual Absoluto Medio (MAPE). En contextos donde los errores grandes tienen consecuencias asimétricas (medicina, medio ambiente), se deben reportar también métricas de cobertura de los intervalos de predicción. Hyndman y Koehler (2006) proponen el MASE (Mean Absolute Scaled Error) como métrica robusta para comparar modelos en series de distinta escala.

Pruebas de diagnóstico

Los residuos del modelo deben examinarse con las pruebas de Ljung-Box (ausencia de autocorrelación) y Jarque-Bera (normalidad). Un modelo que supera las métricas de precisión pero cuyos residuos presentan estructura sistemática no ha capturado toda la información disponible.

Implementación práctica: flujo de trabajo en Python y R

El ecosistema tecnológico para el análisis de series temporales con IA en 2026 está dominado por Python, con librerías como statsmodels, sktime, darts, neuralforecast y pytorch-forecasting. En el ecosistema R, los paquetes fable, modeltime y tseries ofrecen alternativas sólidas, especialmente para investigadores formados en estadística clásica.

Un flujo de trabajo metodológicamente riguroso para una tesis doctoral incluye las siguientes fases:

Exploración y limpieza: visualización de la serie, detección de valores atípicos, análisis de la función de autocorrelación (ACF) y autocorrelación parcial (PACF).
Pruebas de estacionariedad: Augmented Dickey-Fuller (ADF), KPSS. Diferenciar si es necesario.
Construcción de línea base: un modelo Naïve (persistencia) o ARIMA sirve como referencia mínima. Ningún modelo de IA complejo puede justificarse si no supera la línea base.
Entrenamiento del modelo de IA: con validación cruzada temporal, búsqueda de hiperparámetros (Optuna, Ray Tune) y registro del experimento (MLflow, Weights & Biases).
Evaluación y diagnóstico: métricas, residuos, intervalos de predicción.
Interpretación de resultados: conexión explícita entre los hallazgos del modelo y las hipótesis de investigación.

La reproducibilidad del flujo de trabajo es un requisito no negociable. Se recomienda publicar el código en un repositorio versionado (GitHub, Zenodo) y los datos en un repositorio institucional o en plataformas como conformes con los principios de ciencia abierta descritos en esta guía metodológica. La herramienta Tesify facilita la documentación metodológica de estos pasos en el contexto de una tesis doctoral.

Transparencia, reproducibilidad y cumplimiento del AI Act

El Reglamento (UE) 2024/1689 —AI Act— clasifica determinados sistemas de IA en educación y formación como sistemas de alto riesgo (Anexo III, Categoría 3). Aunque el análisis de series temporales en tesis doctorales no es, en sí mismo, un sistema de IA de alto riesgo en el sentido del reglamento, los investigadores que trabajan con datos de salud, datos financieros o datos con impacto en políticas públicas deben documentar:

La finalidad del sistema de IA y la naturaleza de los datos de entrenamiento.
Las métricas de rendimiento y sus limitaciones.
Las medidas de supervisión humana (human oversight) implementadas.
La gestión de riesgos y sesgos potenciales en los datos de entrada.

Esta documentación debe integrarse en el capítulo metodológico de la tesis, no tratarse como un anexo técnico opcional. La guía sobre privacidad, RGPD y AI Act en tesis doctorales ofrece orientaciones complementarias sobre obligaciones legales específicas.

El Stanford Human-Centered AI Institute (HAI) y la OCDE recomiendan, en sus directrices de 2024, que los investigadores adopten prácticas de model cards —fichas de modelo estandarizadas que describen el propósito, los datos, las limitaciones y las evaluaciones de equidad del sistema— incluso en contextos académicos no comerciales (OECD, 2024; Stanford HAI, 2024).

Aplicaciones por disciplina: casos representativos

El siguiente mapa de aplicaciones ilustra la diversidad disciplinar del análisis de series temporales con IA en tesis doctorales españolas recientes:

Economía y finanzas: predicción de series de precios de activos, modelado de volatilidad con LSTM y comparación con modelos GARCH.
Epidemiología y salud pública: modelado de la incidencia de enfermedades infecciosas con Prophet, incorporando variables externas (temperatura, densidad poblacional).
Ciencias del clima: predicción de temperaturas extremas con redes Transformer, entrenadas sobre series ERA5 del Copernicus Climate Change Service.
Neurociencia cognitiva: análisis de series EEG con LSTM para clasificación de estados atencionales.
Ciencias de la educación: modelado de trayectorias de rendimiento académico longitudinal con modelos de crecimiento latente augmentados con IA.

En todos estos casos, la contribución del doctorando no consiste en replicar un modelo existente, sino en adaptar el marco analítico a la especificidad de sus datos y su pregunta de investigación, discutir las limitaciones del enfoque y conectar los hallazgos con la literatura teórica del campo. La triangulación metodológica con IA ofrece estrategias para combinar este tipo de análisis cuantitativo con aproximaciones cualitativas.

Errores metodológicos frecuentes y cómo evitarlos

La revisión de tesis doctorales que incorporan IA en series temporales revela una serie de errores recurrentes que los comités evaluadores identifican con facilidad:

Data leakage temporal: incluir en el entrenamiento datos posteriores al período de predicción. Este error invalida completamente los resultados reportados.
Ausencia de línea base: presentar un modelo LSTM sin compararlo con un ARIMA o un modelo Naïve equivale a no haber establecido que la complejidad añadida está justificada.
Overfitting no detectado: un modelo con RMSE muy bajo en entrenamiento y alto en prueba presenta sobreajuste. Reportar solo métricas de entrenamiento es una falta metodológica grave.
Confundir predicción con explicación causal: un modelo predictivo no puede, por sí solo, establecer relaciones causales. La inferencia causal requiere marcos adicionales (modelos causales estructurales, diseños cuasiexperimentales).
Falta de documentación del proceso de selección de hiperparámetros: los hiperparámetros del modelo deben reportarse íntegramente en la sección de métodos o en un apéndice técnico.

La guía sobre sesgos en IA generativa y sus implicaciones para tesis profundiza en los mecanismos de sesgo que afectan tanto a los datos de entrenamiento como a los modelos desplegados.

Preguntas frecuentes

¿Es suficiente con usar Prophet para el análisis de series temporales en una tesis doctoral?

Prophet es suficiente si el problema de investigación se ajusta a sus supuestos: series con estacionalidades múltiples conocidas, sin dependencias multivariadas complejas. En muchas tesis de ciencias sociales o salud pública, Prophet ofrece resultados sólidos y fácilmente interpretables. No obstante, si los datos presentan patrones no lineales complejos o el objetivo es la predicción de alta precisión, modelos LSTM o Transformer pueden aportar mayor valor. La elección debe justificarse explícitamente en el capítulo metodológico.

¿Cómo se declara el uso de IA en el análisis de series temporales según el AI Act?

El AI Act no impone obligaciones de declaración directa en tesis doctorales académicas, pero las universidades españolas —siguiendo las recomendaciones de CRUE— están incorporando cláusulas de declaración de uso de IA en sus reglamentos doctorales. La práctica recomendada es incluir en el apartado metodológico una subsección «Uso de inteligencia artificial» que especifique: herramientas utilizadas, tareas realizadas con IA, supervisión humana ejercida y limitaciones del enfoque.

¿Qué métricas debo reportar obligatoriamente en una tesis doctoral con modelos de series temporales?

Como mínimo, debes reportar RMSE o MAE para comparabilidad, junto con la métrica más relevante para tu disciplina (MAPE en economía, AUC en clasificación clínica). También debes incluir pruebas de diagnóstico de residuos (Ljung-Box), la comparación con una línea base y los resultados sobre el conjunto de prueba, no solo de entrenamiento.

¿Pueden los modelos LSTM establecer causalidad en una tesis doctoral?

No directamente. Los modelos LSTM son herramientas predictivas, no causales. Para inferencia causal en series temporales, se requieren marcos adicionales como la causalidad de Granger, los modelos de vectores autorregresivos con restricciones estructurales (SVAR) o los modelos causales graficos. La confusión entre predicción y causalidad es uno de los errores más frecuentes en tesis doctorales que usan IA.

¿Cómo garantizo la reproducibilidad del análisis de series temporales con IA?

La reproducibilidad requiere: (1) publicar el código completo en un repositorio versionado (GitHub, GitLab) con la semilla aleatoria fijada (random seed); (2) documentar el entorno de ejecución con un archivo requirements.txt o un contenedor Docker; (3) publicar los datos o, si no es posible por confidencialidad, proporcionar datos sintéticos representativos; (4) registrar todos los experimentos con herramientas como MLflow o Neptune.

¿Qué herramientas de XAI son más útiles para explicar modelos de series temporales en tesis doctorales?

Las técnicas de explicabilidad más empleadas en series temporales son: SHAP (SHapley Additive exPlanations) para cuantificar la contribución de cada variable o paso temporal a la predicción; LIME para aproximaciones locales interpretables; y la atención (attention weights) en los modelos Transformer, que indica qué pasos temporales pasados han influido más en la predicción actual. Estas técnicas deben reportarse junto con los resultados cuantitativos.

¿Puede Tesify ayudarme a documentar el proceso metodológico de mis análisis de series temporales?

Sí. Tesify está específicamente diseñado para acompañar al doctorando en la estructuración y documentación metodológica de su tesis. Puede asistirte en la redacción del capítulo de métodos, en la revisión de la coherencia entre la pregunta de investigación y la elección del modelo, y en la preparación de la sección de declaración de uso de IA requerida por los nuevos reglamentos universitarios.

¿Cómo cito en APA 7 un modelo de IA utilizado en el análisis de series temporales?

Para citar el modelo original, se cita el artículo académico que lo describe. Por ejemplo: Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. Para citar el software utilizado, se cita la librería con su versión: Salinas, D., Flunkert, V., Gasthaus, J., & Januschowski, T. (2020). DeepAR: Probabilistic forecasting with autoregressive recurrent networks. International Journal of Forecasting, 36(3), 1181–1191.

Referencias

European Parliament. (2024). Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). Official Journal of the European Union.
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
Hyndman, R. J., & Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679–688. https://doi.org/10.1016/j.ijforecast.2006.03.001
Nie, Y., Nguyen, N. H., Sinthong, P., & Kalagnanam, J. (2023). A time series is worth 64 words: Long-term forecasting with transformers. International Conference on Learning Representations (ICLR 2023).
OECD. (2024). Recommendation of the Council on Artificial Intelligence (OECD/LEGAL/0449). OECD Publishing. https://doi.org/10.1787/eedfee77-en
Stanford HAI. (2024). AI Index Report 2024. Stanford University Human-Centered AI Institute. https://aiindex.stanford.edu
Taylor, S. J., & Letham, B. (2018). Forecasting at scale. The American Statistician, 72(1), 37–45. https://doi.org/10.1080/00031305.2017.1380080
Zhou, H., Zhang, S., Peng, J., Zhang, S., Li, J., Xiong, H., & Zhang, W. (2021). Informer: Beyond efficient transformer for long sequence time-series forecasting. Proceedings of the AAAI Conference on Artificial Intelligence, 35(12), 11106–11115.
UNESCO. (2023). Recommendation on the Ethics of Artificial Intelligence. United Nations Educational, Scientific and Cultural Organization.
Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and practice (3rd ed.). OTexts. https://otexts.com/fpp3/