Series Temporales en Tu TFG: Guía Práctica para 2026
El análisis de series temporales permite estudiar cómo evolucionan variables a lo largo del tiempo. Es una metodología habitual en TFGs de economía, finanzas, epidemiología, ciencias ambientales y marketing. Si tus datos tienen una dimensión temporal y quieres identificar tendencias, estacionalidad o hacer predicciones, este es tu método.
¿Qué es una serie temporal?
Una serie temporal es un conjunto de observaciones de una variable cuantitativa registradas en instantes sucesivos de tiempo a intervalos regulares. La clave es el orden: cada observación está asociada a un momento específico y ese orden importa para el análisis.
Ejemplos habituales en TFGs: precio del petróleo mensual durante 10 años, número de contagios diarios durante una epidemia, ventas trimestrales de una empresa, temperatura media anual en una región.
Componentes de una serie temporal
Toda serie temporal puede descomponerse en cuatro componentes:
- Tendencia (T): Movimiento a largo plazo de la serie, ascendente, descendente o estable.
- Estacionalidad (S): Fluctuaciones periódicas que se repiten con un patrón regular (anual, mensual, semanal).
- Ciclo (C): Oscilaciones a largo plazo relacionadas con ciclos económicos u otros factores de largo alcance.
- Componente irregular o residual (I): Variaciones aleatorias no explicadas por los otros componentes.
La descomposición de la serie es el primer paso del análisis. En Python, statsmodels.tsa.seasonal.seasonal_decompose() genera automáticamente los cuatro componentes.
Modelos más usados en TFG
ARIMA (Autoregressive Integrated Moving Average)
El modelo estándar para series temporales univariadas estacionarias. Se define por tres parámetros: p (orden autoregresivo), d (diferenciación para hacerla estacionaria) y q (orden de medias móviles). La selección de parámetros se hace con los gráficos ACF/PACF o con el criterio AIC.
SARIMA (ARIMA Estacional)
Extensión de ARIMA para series con estacionalidad. Añade parámetros estacionales P, D, Q y el periodo estacional m. Adecuado para datos mensuales o trimestrales con patrones estacionales claros.
Regresión con variable tiempo
La opción más sencilla: incluir el tiempo como variable independiente en una regresión lineal. Adecuada cuando solo quieres modelar la tendencia y no la dinámica temporal compleja. Válida para TFGs con análisis descriptivos.
Herramientas para el análisis
| Herramienta | Ventaja para TFG | Curva de aprendizaje |
|---|---|---|
| Python (statsmodels) | Más flexible, código reproducible | Media |
| R (forecast, tseries) | Más tradicional en estadística académica | Media-alta |
| Excel + Análisis de datos | Sin programación, suficiente para modelos simples | Baja |
Fuentes de datos para series temporales en España
- INE (Instituto Nacional de Estadística): Series macroeconómicas, demografía, IPC, paro. Acceso gratuito con API.
- Banco de España: Series financieras, tipos de interés, crédito. Descarga directa en CSV.
- EUROSTAT: Datos europeos comparados. Útil para TFGs con componente comparativa.
- FRED (Federal Reserve Economic Data): Series económicas internacionales, acceso gratuito.
- Yahoo Finance: Precios de acciones, índices bursátiles. Descargables directamente con Python (
yfinance).
Preguntas frecuentes
¿Cuántos datos necesito para un análisis de series temporales en mi TFG?
Para modelos ARIMA básicos, se recomienda un mínimo de 50 observaciones. Para modelos estacionales, necesitas al menos 3-4 ciclos completos. Para datos anuales esto implica más de 30 años de historia; para datos mensuales, 4-5 años son suficientes. Con datos diarios, semanas o meses de historia ya permiten análisis útiles.
¿Qué diferencia hay entre análisis de series temporales y regresión lineal?
La regresión lineal asume que las observaciones son independientes entre sí. En series temporales, las observaciones están correlacionadas en el tiempo (la observación de hoy depende de la de ayer). Si aplicas regresión lineal a datos temporales sin tener en cuenta esta dependencia, los errores estándar serán incorrectos y las inferencias, inválidas. Los modelos ARIMA incorporan explícitamente esa dependencia temporal.
Leave a Reply