Pronóstico de series de tiempo con R

Preparar una serie para pronosticar. Con una regla escrita y común a la región, excluir los meses provisionales por inscripción tardía. Ajustar los nacimientos por días del mes y por mujeres de 15 a 49 años con las proyecciones del INEC para describir la tendencia. Elegir una transformación con guerrero() para una serie suelta, volver a conteos distinguiendo la media de la mediana, y justificar en qué escala se pronostica cuando hay que conciliar

Evaluar con honestidad. Construir sin map() al menos 12 orígenes que avanzan en una serie regional y al menos 6 en la jerarquía, comprobar que ningún dato de entrenamiento es posterior a su origen y que ningún mes evaluado es provisional. Informar el MASE, el RMSSE y el puntaje de habilidad en CRPS frente al ingenuo estacional, calculado por origen, aunque salga negativo, y la tabla de todos los modelos probados

Juzgar distribuciones, no solo cifras. Calcular a mano la cobertura empírica del intervalo del 80 % con hilo() y unpack_hilo(), y combinarla con el puntaje de Winkler y el CRPS para elegir entre un intervalo que cubre y uno que sirve

Diagnosticar residuos sin valores p. Leer gg_tsresiduals() y contar cuántas autocorrelaciones quedan fuera de la banda de 199 permutaciones, sabiendo cuántas se esperan fuera por azar

Ajustar e interpretar las familias clásicas. Ajustar ETS (con tendencia amortiguada y estacionalidad), ARIMA estacional, TSLM() y regresión con errores ARIMA, con Semana Santa, feriados y términos de Fourier. Elegir dentro de una familia por AICc y entre familias por validación con orígenes. La regresión se evalúa en las formativas y en el proyecto paralelo, no en el proyecto principal

Tratar rupturas y decidir cuándo no pronosticar. Comparar tres tratamientos de una ruptura (intervención, entrenamiento recortado, exclusión) en orígenes posteriores, o mostrar que es despreciable. Aplicar el semáforo de seis preguntas a una serie real y declarar la salida elegida

Pronosticar muchas series. Ajustar modelos a decenas de cantones con la clave, describirlos con features() y decidir con un criterio escrito cuáles se suman a "resto de la región" o se pronostican por trimestre

Conciliar una jerarquía. Construir país → región → cantón con aggregate_key(), conciliar con bottom_up() y min_trace(method = "mint_shrink") conservando la distribución, comprobar con near() que los cantones suman su región en cada mes y evaluar en todos los niveles

Decidir con el pronóstico. Elegir el percentil de planificación según el costo de quedarse corto, medirlo con quantile_score() y auditar el error y la cobertura por región y por bandera territorial

Comunicar sin vender certezas. Publicar en Quarto, sin red, un abanico con origen, horizonte y nivel; la frase del intervalo; un mapa del ancho del intervalo; y la ficha del pronóstico con sus usos no recomendados, sin conteos observados de 1 a 9