Análisis estadístico del modelo de Holt-Winters: Aplicación a la contaminación de aire por pm2.5 de Lima, Perú
Résumé
Se analizó los datos de monitoreo de material particulado (pm2.5) del Programa Nacional de Vigilancia Sanitaria de Calidad del Aire, Lima – Callao, utilizando el modelo de Holt-Winters y el análisis estadístico propuesto en Bermúdez et al. (2007). Esta metodología se basa en la estimación de los parámetros de suavizado y las condiciones iniciales mediante el método de máximo verosimilitud, además de los pronósticos puntuales y los intervalos de predicción, teniendo en cuenta algunos aspectos relativos a la distribución normal multivariante.
Palabras clave: Holt-Winters aditivo, material particulado, pronóstico de series de tiempo, suavizado exponencial.
Références
Bedoya, J., & Martínez, E. (2009). Calidad del aire en el Valle de Aburrá Antioquia-Colombia. Dyna , 7-15.
Bermúdez, J., Vercher, E., & Segura, J. (2007). Holt-Winters forecasting: an alternative formulation applied to UK air passenger data. Journal Applied Statistics, 34 (9), 1075-1090.
Chatfield, C., &Yar, M. (1991). Prediction intervals for multiplicative Holt–Winters. Int J Forecast , 7, 31-37.
García, E. J. (2012). Estadística bayesiana y su naturaleza continúa en la estimación de niveles contaminantes por material particulado pm10 en control y monitoreo de calidad del aire en Trujillo (La Libertad). Conocimiento para el desarrollo, 3 (1), 93-100.
Gardner, J. (2006). Exponential smoothing: The state of the art-part II. Int J Forecast (22), 637-666.
Hyndman, R., Koehler, A., Ord, K., & Snyder, R. (2008). Forecasting with Exponential Smoothing: The State Space Approach. Berlin: Springer.
Jiménez, J. F., Gázquez, J. C., & Sánchez, R. (2006). La capacidad predictiva en los métodos Box-Jenkins y Holt-Winters: una aplicación al sector público. Revista Europea de Dirección y Economía de la Empresa, 15 (3), 185-192.
Ochoa, A., & Jiménez, J. (2011). Ciclo diurno de PM10 en el Valle de Aburra. IX Congreso Colombiano de Meteorología. Bogotá D.C.
Ord, J. K., Koehler, A. B., & Snyder, R. D. (1997).Estimation and Prediction for a Class of Dynamic Nonlinear Statistical Models. Journal of the American Statistical Association (92), 1621-1629.
R Core Team (2013). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL http://www.Rproject.org/.
Spiro, T. G., & Stigliani, W. M. (1996). Química Medioambiental. Madrid: Pearson Prentice Hall.
