Reseña

Si se desea predecir el comportamiento de un fenómeno complejo en el tiempo, se está hablando de datos longitudinales para estimar su tendencia. Por lo regular, se recurre a los modelos de series de tiempo, que deben cumplir los siguientes supuestos de inferencia: estacionariedad, normalidad y no autocorrelación entre los residuales. Para su aplicación, se requiere el cumplimiento total de dichos supuestos.
Uno de los principales problemas que puede enfrentar un modelo de serie de tiempo es el cumplimiento del supuesto de normalidad en los residuales, en gran medida, esto se debe la presencia de leptocúrtica o platicúrtica y, con esto, los datos no presentan uniformidad en la distribución, lo que genera cálculos erróneos en los parámetros estimados de la serie y hace ineficaz al modelo.
Ante esa problemática, en el presente trabajo de investigación se plantea una alternativa de modelado, como la Regresión Lineal Aditiva (GAM), cuyo objetivo es estimar la relación no lineal entre la variable dependiente (Y) y la variable dependiente, que, en este caso, es el tiempo (t).
Bajo este contexto, se plantea el caso de predecir el comportamiento del Índice de Actividad Humana (IAH) en el tiempo, que se elaboró mediante la técnica de Escalamiento Multidimensional dentro de la tesis titulada “Modelado Estadístico de la Temperatura Media del Planeta y de la Actividad Humana”, del Doctorado en Ciencias Actuariales de la Universidad Anáhuac México.
Con este ejercicio, es posible ver las bondades matemáticas y estadística que genera la Regresión Lineal Aditiva (GAM) dentro de una serie de tiempo, así como la interpretación de sus parámetros, a partir del cumplimiento de sus supuestos de inferencia.

Palabras claves: series de tiempo, regresión lineal aditiva y índice de actividad humana.