Un SARIMA con d = 1 y D = 1 modela w = diff(12).diff(), no los pasajeros. Su pronóstico de w hay que deshacerlo, mes a mes, para volver a pasajeros. Aquí la serie se corta en febrero de 2025 y se pronostican los doce meses siguientes, que sí se conocen, con dos pronósticos de w: el SARIMA(0,1,0)(0,1,1)₁₂ ajustado hasta el corte y ŵ = 0.
2. Integre paso a paso
1
ŷ(t) = y(t−1) + y(t−12) − y(t−13) + ŵ(t), en millones de pasajeros. En cursiva, los valores que ya son pronóstico. El ŵ del SARIMA sale de get_forecast(12) de statsmodels, calculado fuera de la página; la integración se hace aquí y coincide con la de statsmodels hasta el redondeo.
Lo que hace la integración
Integrar es sumar al último nivel conocido el cambio pronosticado, y desde h = 2 ese último nivel ya es un pronóstico: los errores de un mes pasan al siguiente. Con ŵ = 0 lo que queda es el mismo mes del año anterior más el crecimiento de los últimos doce meses, una línea base que no estima nada. El SARIMA de este corte tiene Θ = −0,99: con Θ tan cerca de −1, el patrón de cada mes que usa es casi un promedio de todos los años de entrenamiento, 2020 y 2021 incluidos, y en estos doce meses pierde contra las dos líneas base. Es un solo origen; la comparación que decide es la del backtest con origen móvil y la tabla de métricas.