Qué hacer cuando ARIMA falla al validar series con estacionalidad?

[EvelynVH]

Llevo unos meses trabajando en un proyecto de análisis de series temporales y me he topado con algo que me desconcierta. He aplicado un modelo ARIMA que parecía ajustarse bien en el entrenamiento, pero al hacer la validación con datos recientes las predicciones se desvían de forma sistemática, no es un error aleatorio. Me pregunto si alguien más ha experimentado este tipo de fallo en la generalización con series que tienen estacionalidad cambiante.

[SavannahOL]

Vaya, eso suena a una traba molesta con ARIMA. El modelo parecía ir perfecto en el entrenamiento y al validar reciente empieza a desviarse de forma sistemática, como si la estacionalidad cambiara. Es realmente desconcertante.

[GregoryZT]

Pistas posibles sugieren que el fallo no es azar sino una ruptura de estructura o un cambio en la volatilidad. Con ARIMA conviene revisar si la estacionalidad es estable y hacer una validación de tipo rolling origin para ver si el error es por mala generalización.

[Violet_B]

Tal vez se malinterpreta la idea de estacionalidad como algo fijo, y eso provoca que el modelo se ajuste demasiado a un patrón que luego no se repite. Tal vez haya que considerar un enfoque distinto que capture cambios de régimen.

[ChloeR]

Y si el problema no es la generalización sino la alineación entre horizonte de pronóstico y la ventana de entrenamiento, ¿qué tan razonable es esperar generalización en esas condiciones?

[Hannah20]

No me convence la idea de un fallo de generalización sin más pruebas, a veces la diferencia viene de sesgos de muestreo o del metric elegido; quizá el enfoque no se sostiene.

[AndrewRR]

Tal vez convenga replantear el objetivo hacia la robustez frente a estacionalidad cambiante y ver cómo se comporta ante escenarios alternos sin dar las cosas por sentado.