Module II · Chapter 1 — Methods for Measuring Time · Pattern Edition

Black-box rule of the chapter

Regla de caja negra del capítulo

Assume that an ESS has declared temporal evidence as Required or eligible Conditional for an explicit ordered process, lagged relationship, repeated sequence, forecast target, or temporal-state architecture. Asumir que un ESS declaró evidencia temporal como Requerida o Condicional elegible para un proceso ordenado, relación rezagada, secuencia repetida, objetivo de pronóstico o arquitectura de estados temporales explícita.

The chapter does not yet know the implementation. Its responsibility is to determine whether the ESS asks for memory, lagged association, forecasting, seasonal structure, latent-state evolution, dynamic-system representation, or temporal-shape similarity.

El capítulo todavía no conoce la implementación. Su responsabilidad es determinar si el ESS solicita memoria, asociación rezagada, pronóstico, estructura estacional, evolución de estados latentes, representación de sistema dinámico o similitud de forma temporal.

Boundary: temporal order can support precedence and forecasting. It does not automatically establish causality, mechanism, or intervention effect. Frontera: el orden temporal puede sustentar precedencia y pronóstico. No establece automáticamente causalidad, mecanismo ni efecto de intervención.

Chapter learning objectives

Objetivos de aprendizaje del capítulo

Define temporal evidence Definir evidencia temporal Separate order, memory, lag, seasonality, forecast, regime, and shape. Separar orden, memoria, rezago, estacionalidad, pronóstico, régimen y forma.

Validate temporal eligibility Validar elegibilidad temporal Confirm event time, spacing, sequence integrity, repetition, and leakage control. Confirmar tiempo del evento, espaciado, integridad de secuencia, repetición y control de fuga.

Match method to temporal question Alinear método con pregunta temporal Distinguish memory, lagged co-movement, forecast, seasonal forecast, states, and sequence similarity. Distinguir memoria, co-movimiento rezagado, pronóstico, pronóstico estacional, estados y similitud de secuencias.

Select conditionally Seleccionar condicionalmente Choose the method whose temporal assumptions and output match the ESS. Elegir el método cuyos supuestos temporales y salida correspondan con el ESS.

1. What does it mean to produce temporal evidence?

1. ¿Qué significa producir evidencia temporal?

Producing temporal evidence means using valid ordering to characterize how present states relate to past states, how one process leads or follows another, how patterns repeat, how hidden regimes evolve, or how future values can be anticipated.

Producir evidencia temporal significa utilizar un orden válido para caracterizar cómo los estados presentes se relacionan con estados pasados, cómo un proceso antecede o sigue a otro, cómo se repiten patrones, cómo evolucionan regímenes ocultos o cómo pueden anticiparse valores futuros.

MemoryMemoriaDoes the process depend on its own history?¿El proceso depende de su propia historia?

Lagged relationRelación rezagadaDoes X at an earlier time relate to Y later?¿X en un tiempo anterior se relaciona con Y después?

TrendTendenciaDoes the process move systematically over time?¿El proceso se mueve sistemáticamente en el tiempo?

SeasonalityEstacionalidadDoes a pattern repeat at a stable period?¿Un patrón se repite en un periodo estable?

RegimeRégimenDoes the process switch among latent states?¿El proceso cambia entre estados latentes?

ForecastPronósticoCan future values be anticipated from validated temporal structure?¿Pueden anticiparse valores futuros desde estructura temporal validada?

Shape similaritySimilitud de formaAre two sequences similar despite local timing distortions?¿Dos secuencias son similares pese a distorsiones locales de tiempo?

2. What does temporal evidence require?

2. ¿Qué requiere la evidencia temporal?

RequirementRequisito	Why it mattersPor qué importa
True event timeTiempo real del evento	Record creation time is not always the time of the phenomenon.El tiempo de creación del registro no siempre es el tiempo del fenómeno.
Valid orderingOrden válido	Temporal methods fail when sequences are shuffled, duplicated, or incorrectly aligned.Los métodos temporales fallan cuando secuencias están mezcladas, duplicadas o mal alineadas.
Sampling intervalIntervalo de muestreo	Regular versus irregular spacing changes model eligibility.Espaciado regular frente a irregular cambia elegibilidad del modelo.
Sufficient temporal depthProfundidad temporal suficiente	Lags, seasonality, hidden states, and forecasts require enough repeated periods.Rezagos, estacionalidad, estados ocultos y pronósticos requieren periodos repetidos suficientes.
Stationarity or change strategyEstrategia de estacionariedad o cambio	Many methods assume stable statistical structure or require explicit treatment of trend and breaks.Muchos métodos asumen estructura estable o requieren tratamiento explícito de tendencias y rupturas.
Leakage-safe validationValidación sin fuga	Future observations cannot inform past training or feature construction.Observaciones futuras no pueden informar entrenamiento pasado ni construcción de variables.
Missing-time strategyEstrategia de tiempos faltantes	Gaps, interpolation, and irregular observations can alter temporal dependence.Huecos, interpolación y observaciones irregulares pueden alterar dependencia temporal.
Forecast horizonHorizonte de pronóstico	A method suitable for one-step prediction may fail at longer horizons.Un método útil a un paso puede fallar en horizontes mayores.

3. Method-selection map by temporal configuration

3. Mapa de selección por configuración temporal

Evidence configurationConfiguración evidencial	Primary candidatesCandidatos principales
Self-memory at different lagsMemoria propia en distintos rezagos	Autocorrelation
Lagged co-movement between two seriesCo-movimiento rezagado entre dos series	Cross-Correlation
Univariate linear forecasting with autoregressive and moving-average structurePronóstico lineal univariado con estructura autorregresiva y de media móvil	ARIMA
Forecasting with stable seasonal repetitionPronóstico con repetición estacional estable	SARIMA
Business-style trend, multiple seasonality, holidays, and changepointsTendencia de negocio, estacionalidad múltiple, feriados y puntos de cambio	Prophet
Dynamic latent-state and measurement architectureArquitectura dinámica de estado latente y medición	State Space Models
Discrete hidden regimes generating observationsRegímenes ocultos discretos que generan observaciones	Hidden Markov Models
Sequence-shape similarity under local timing distortionsSimilitud de forma bajo distorsiones temporales locales	Dynamic Time Warping

No timestamp shortcut: a timestamp column alone does not justify ARIMA, HMM, or forecasting. The ESS must validate sequence meaning, repetition, horizon, and temporal depth. No existe atajo por timestamp: una columna temporal por sí sola no justifica ARIMA, HMM ni pronóstico. El ESS debe validar significado secuencial, repetición, horizonte y profundidad temporal.

4. Standard method card

4. Ficha estándar del método

Method Name
Scientific Purpose
Evidence Produced
Best Evidence Configuration
Data Requirements
Supported Temporal Structure
Strengths
Weaknesses
Assumptions
Limitations
Computational Cost
Interpretability
Robustness
Critical Parameters
Validation Metrics
Acceptance Interpretation
Failure Modes
Complementary Methods
Module III Selection Status

5. Autocorrelation

5. Autocorrelación

Scientific purposePropósito científico	Measure how a time series relates to lagged versions of itself.Medir cómo una serie temporal se relaciona con versiones rezagadas de sí misma.
Evidence producedEvidencia producida	Lag-specific evidence of memory, persistence, periodicity, or alternating structure.Evidencia específica por rezago de memoria, persistencia, periodicidad o estructura alternante.
Best configurationMejor configuración	Ordered scalar series with regular spacing or a defensible lag definition.Series escalares ordenadas con espaciado regular o definición defendible de rezago.
StrengthsFortalezas	Simple, interpretable by lag, useful for diagnosing persistence and seasonality.Simple, interpretable por rezago y útil para diagnosticar persistencia y estacionalidad.
WeaknessesDebilidades	Trend and seasonality can create misleading persistence; linear dependence only in classical form.Tendencia y estacionalidad pueden crear persistencia engañosa; en forma clásica mide dependencia lineal.
AssumptionsSupuestos	Meaningful ordering, stable lag definition, and appropriate treatment of trend, mean, and missing values.Orden significativo, definición estable de rezago y tratamiento adecuado de tendencia, media y faltantes.
RobustnessRobustez	Moderate; sensitive to outliers, nonstationarity, short series, and structural breaks.Moderada; sensible a valores extremos, no estacionariedad, series cortas y rupturas.
Critical outputsSalidas críticas	ACF by lag, confidence bands, effective sample size, detrending rule.
Failure modesModos de fallo	Spurious persistence from trend, seasonal aliasing, irregular spacing, and too many tested lags.Persistencia espuria por tendencia, aliasing estacional, espaciado irregular y demasiados rezagos probados.
Complementary methodsMétodos complementarios	Partial autocorrelation, ARIMA diagnostics, spectral analysis.

6. Cross-Correlation

6. Correlación Cruzada

Scientific purposePropósito científico	Measure lagged linear association between two ordered series.Medir asociación lineal rezagada entre dos series ordenadas.
Evidence producedEvidencia producida	A lag profile showing where one series leads, aligns with, or follows another.Un perfil de rezagos que muestra dónde una serie antecede, coincide o sigue a otra.
Best configurationMejor configuración	Two aligned series with stable sampling intervals and a defined lead–lag question.Dos series alineadas con intervalos estables y una pregunta definida de antecedencia-rezago.
StrengthsFortalezas	Direct lag visualization and useful exploratory lead–lag evidence.Visualización directa de rezagos y evidencia exploratoria útil de antecedencia.
WeaknessesDebilidades	Common trends, autocorrelation, seasonality, and shared drivers can generate misleading peaks.Tendencias comunes, autocorrelación, estacionalidad y causas compartidas pueden generar picos engañosos.
AssumptionsSupuestos	Aligned timing, comparable sampling, and adequate prewhitening or detrending when needed.Tiempo alineado, muestreo comparable y preblanqueo o eliminación de tendencia cuando corresponda.
RobustnessRobustez	Low to moderate without preprocessing and lag-multiplicity control.Baja a moderada sin preparación y control por multiplicidad de rezagos.
Critical outputsSalidas críticas	CCF by lag, peak lag, uncertainty bands, preprocessing rule.
Failure modesModos de fallo	Spurious lead–lag from trends, phase shifts, common seasonality, wrong alignment, and causal overstatement.Antecedencia espuria por tendencias, desfase, estacionalidad común, alineación incorrecta y exageración causal.
Complementary methodsMétodos complementarios	Transfer Entropy, Granger-style prediction, prewhitened residual analysis.

7. ARIMA

Scientific purposePropósito científico	Model and forecast a univariate series through autoregression, differencing, and moving-average error structure.Modelar y pronosticar una serie univariada mediante autorregresión, diferenciación y estructura de errores de media móvil.
Evidence producedEvidencia producida	A linear temporal model, residual diagnostics, and future forecasts with uncertainty intervals.Un modelo temporal lineal, diagnósticos de residuos y pronósticos futuros con intervalos de incertidumbre.
Best configurationMejor configuración	Univariate series where differencing can produce a stable linear dependence structure.Series univariadas donde diferenciación puede producir estructura lineal estable.
StrengthsFortalezas	Well-understood, interpretable, strong baseline, and effective for many short-to-medium horizon series.Bien comprendido, interpretable, línea base sólida y efectivo en muchos horizontes cortos o medios.
WeaknessesDebilidades	Primarily linear, sensitive to specification, structural breaks, and changing variance.Principalmente lineal, sensible a especificación, rupturas y varianza cambiante.
AssumptionsSupuestos	Residuals approximately uncorrelated, stable transformed structure, valid differencing, and no leakage.Residuos aproximadamente no correlacionados, estructura transformada estable, diferenciación válida y sin fuga.
Critical parametersParámetros críticos	`(p,d,q)`, transformation, drift, forecast horizon.
Validation metricsMétricas de validación	MAE, RMSE, MASE, interval coverage, residual autocorrelation, AIC/BIC for model comparison.
RobustnessRobustez	Moderate when rolling validation and residual diagnostics are strong.Moderada cuando validación rodante y diagnósticos residuales son sólidos.
Failure modesModos de fallo	Over-differencing, under-differencing, unstable parameters, missed seasonality, future leakage, and choosing only by in-sample fit.Diferenciación excesiva o insuficiente, parámetros inestables, estacionalidad omitida, fuga futura y elegir solo por ajuste interno.
Complementary methodsMétodos complementarios	SARIMA, State Space Models, naïve forecast baselines.

8. SARIMA

Scientific purposePropósito científico	Extend ARIMA to model stable seasonal autoregressive, differencing, and moving-average structure.Extender ARIMA para modelar estructura estacional autorregresiva, diferenciada y de media móvil.
Evidence producedEvidencia producida	Seasonally structured forecasts and residual evidence after accounting for repeated periods.Pronósticos con estructura estacional y evidencia residual después de considerar periodos repetidos.
Best configurationMejor configuración	Univariate series with clear and reasonably stable seasonal period.Series univariadas con periodo estacional claro y razonablemente estable.
StrengthsFortalezas	Interpretable seasonal extension and strong classical baseline.Extensión estacional interpretable y línea base clásica sólida.
WeaknessesDebilidades	Parameter search grows quickly; weak for changing or multiple seasonalities.La búsqueda de parámetros crece rápidamente; débil ante estacionalidad cambiante o múltiple.
AssumptionsSupuestos	Stable seasonal cycle, adequate repeated periods, residual independence, and appropriate differencing.Ciclo estacional estable, periodos repetidos suficientes, independencia residual y diferenciación apropiada.
Critical parametersParámetros críticos	`(p,d,q)(P,D,Q)m`, seasonal period `m`, transformation.
Validation metricsMétricas de validación	Seasonal naïve comparison, MASE, RMSE, interval coverage, residual seasonality.
Failure modesModos de fallo	Wrong seasonal period, too few cycles, changing seasonality, over-parameterization, and unstable long-horizon forecasts.Periodo estacional incorrecto, pocos ciclos, estacionalidad cambiante, sobreparametrización y pronósticos inestables.
Complementary methodsMétodos complementarios	Prophet, State Space Models, seasonal decomposition.

9. Prophet

Scientific purposePropósito científico	Forecast additive business-style time series with trend, changepoints, multiple seasonalities, and event effects.Pronosticar series de negocio aditivas con tendencia, puntos de cambio, múltiples estacionalidades y efectos de eventos.
Evidence producedEvidencia producida	Decomposed trend, seasonal, event, and forecast components with uncertainty.Componentes descompuestos de tendencia, estacionalidad, eventos y pronóstico con incertidumbre.
Best configurationMejor configuración	Operational series with calendar patterns, trend changes, missing dates, and known events.Series operativas con patrones de calendario, cambios de tendencia, fechas faltantes y eventos conocidos.
StrengthsFortalezas	Accessible decomposition, flexible changepoints, multiple seasonality, and event handling.Descomposición accesible, puntos de cambio flexibles, estacionalidad múltiple y manejo de eventos.
WeaknessesDebilidades	Not universally superior, can oversmooth or overfit changepoints, and may underperform on strongly autoregressive systems.No es universalmente superior, puede suavizar o sobreajustar cambios y rendir peor en sistemas fuertemente autorregresivos.
AssumptionsSupuestos	Additive or multiplicative decomposability, meaningful calendar structure, and stable future event definitions.Descomposición aditiva o multiplicativa, estructura de calendario significativa y eventos futuros definidos.
Critical parametersParámetros críticos	Changepoint prior, seasonality mode, Fourier order, event priors, growth mode.
Validation metricsMétricas de validación	Rolling-origin MAE/RMSE/MASE, interval coverage, component stability.
Failure modesModos de fallo	Automatic acceptance without baseline comparison, excessive changepoints, wrong future events, short history, and hidden autoregressive structure.Aceptación automática sin línea base, exceso de puntos de cambio, eventos futuros incorrectos, historia corta y estructura autorregresiva oculta.
Complementary methodsMétodos complementarios	SARIMA, State Space Models, seasonal naïve baseline.

10. State Space Models

10. Modelos de Espacio de Estados

Scientific purposePropósito científico	Represent an observed process as measurements generated from evolving latent states.Representar un proceso observado como mediciones generadas por estados latentes en evolución.
Evidence producedEvidencia producida	Filtered and smoothed latent-state estimates, transition dynamics, forecasts, and uncertainty.Estimaciones filtradas y suavizadas de estados latentes, dinámica de transición, pronósticos e incertidumbre.
Best configurationMejor configuración	Dynamic systems with measurement noise, latent trend, changing states, missing observations, or multivariate structure.Sistemas dinámicos con ruido de medición, tendencia latente, estados cambiantes, observaciones faltantes o estructura multivariada.
StrengthsFortalezas	Flexible, probabilistic, handles latent states and uncertainty naturally.Flexible, probabilístico y maneja naturalmente estados latentes e incertidumbre.
WeaknessesDebilidades	Specification can be complex; identifiability and estimation may be difficult.La especificación puede ser compleja; identificación y estimación pueden ser difíciles.
AssumptionsSupuestos	A defensible transition model, observation model, noise structure, and initial-state distribution.Modelo de transición, modelo de observación, estructura de ruido y distribución inicial defendibles.
Critical parametersParámetros críticos	Transition matrix, observation matrix, process noise, measurement noise, initial state.
Validation metricsMétricas de validación	Predictive log-likelihood, forecast error, interval calibration, residual whiteness, state plausibility.
Failure modesModos de fallo	Non-identifiable states, unrealistic noise assumptions, poor initialization, model mismatch, and overinterpreting latent states.Estados no identificables, supuestos irreales de ruido, mala inicialización, modelo incompatible y sobreinterpretar estados latentes.
Complementary methodsMétodos complementarios	Kalman filtering variants, ARIMA, HMM, dynamic regression.

11. Hidden Markov Models (HMM)

11. Modelos Ocultos de Markov (HMM)

Scientific purposePropósito científico	Model sequences generated by transitions among unobserved discrete states.Modelar secuencias generadas por transiciones entre estados discretos no observados.
Evidence producedEvidencia producida	Latent-state probabilities, transition structure, decoded regimes, and sequence likelihood.Probabilidades de estados latentes, estructura de transición, regímenes decodificados y verosimilitud de secuencia.
Best configurationMejor configuración	Sequences where observations appear to arise from a finite set of hidden regimes.Secuencias donde observaciones parecen surgir de un conjunto finito de regímenes ocultos.
StrengthsFortalezas	Clear regime representation, probabilistic transitions, and interpretable state sequences when well specified.Representación clara de regímenes, transiciones probabilísticas y secuencias interpretables cuando está bien especificado.
WeaknessesDebilidades	State count and emission assumptions are sensitive; local optima and label switching may occur.Número de estados y supuestos de emisión son sensibles; pueden ocurrir óptimos locales y cambio de etiquetas.
AssumptionsSupuestos	Markov dependence at the state level, conditionally independent emissions given state, and stable transition structure unless extended.Dependencia Markov a nivel de estado, emisiones condicionalmente independientes dado el estado y transición estable salvo extensiones.
Critical parametersParámetros críticos	Number of states, transition probabilities, emission distributions, initialization.
Validation metricsMétricas de validación	Log-likelihood, AIC/BIC, out-of-sample likelihood, state persistence, decoding stability.
Failure modesModos de fallo	Too many states, unstable labels, short sequences, misspecified emissions, and treating statistical regimes as physical truth.Demasiados estados, etiquetas inestables, secuencias cortas, emisiones mal especificadas y tratar regímenes estadísticos como verdad física.
Complementary methodsMétodos complementarios	State Space Models, changepoint analysis, clustering of temporal features.

12. Dynamic Time Warping (DTW)

Scientific purposePropósito científico	Measure similarity between sequences that may be locally stretched or compressed in time.Medir similitud entre secuencias que pueden estar localmente estiradas o comprimidas en el tiempo.
Evidence producedEvidencia producida	An alignment path and distance representing temporal-shape similarity.Una trayectoria de alineación y distancia que representa similitud de forma temporal.
Best configurationMejor configuración	Sequence matching, clustering, anomaly comparison, and pattern recognition under timing distortions.Emparejamiento de secuencias, clustering, comparación de anomalías y reconocimiento de patrones bajo distorsiones temporales.
StrengthsFortalezas	Flexible local alignment and intuitive temporal-shape matching.Alineación local flexible y emparejamiento intuitivo de forma temporal.
WeaknessesDebilidades	Can create pathological alignments, is sensitive to scaling, and may be computationally expensive.Puede crear alineaciones patológicas, es sensible a escala y puede ser costoso.
AssumptionsSupuestos	A meaningful local cost function, comparable scaling, and defensible warping constraints.Función de costo local significativa, escala comparable y restricciones de deformación defendibles.
Critical parametersParámetros críticos	Local distance, warping window, step pattern, normalization.
Validation metricsMétricas de validación	DTW distance stability, alignment plausibility, nearest-neighbor accuracy, clustering validity.
Failure modesModos de fallo	Over-warping, incompatible scales, noise alignment, length effects, and interpreting similarity as dependence or causality.Deformación excesiva, escalas incompatibles, alineación de ruido, efectos de longitud e interpretar similitud como dependencia o causalidad.
Complementary methodsMétodos complementarios	Euclidean distance, derivative DTW, shape-based distance, temporal clustering.

13. Conditional ranking of the top temporal methods

13. Ranking condicional de los principales métodos temporales

Rank within configurationPosición dentro de la configuración	MethodMétodo	Best forMejor para	Main limitationLimitación principal	Robustness profilePerfil de robustez
1A	Autocorrelation	Self-memory and periodicity diagnosticsMemoria propia y periodicidad	Trend and linearity sensitivitySensibilidad a tendencia y linealidad	★★★☆☆
1B	Cross-Correlation	Lead–lag explorationExploración antecedencia–rezago	Spurious peaks and common driversPicos espurios y causas comunes	★★☆☆☆
1C	ARIMA	Linear univariate forecastingPronóstico lineal univariado	Specification and structural breaksEspecificación y rupturas	★★★★☆
1D	SARIMA	Stable seasonal forecastingPronóstico estacional estable	Changing or multiple seasonalityEstacionalidad cambiante o múltiple	★★★★☆
1E	Prophet	Calendar-rich operational forecastingPronóstico operativo con calendario	Not universally superiorNo es universalmente superior	★★★☆☆
1F	State Space	Latent dynamic systemsSistemas dinámicos latentes	Complex specificationEspecificación compleja	★★★★☆
1G	HMM	Discrete hidden regimesRegímenes ocultos discretos	State identifiabilityIdentificación de estados	★★★☆☆
1H	DTW	Temporal-shape similaritySimilitud de forma temporal	Pathological alignmentAlineación patológica	★★★☆☆

Ranks 1A–1H identify the preferred method inside different temporal questions. They do not define a universal ranking. Las posiciones 1A–1H identifican el método preferido dentro de preguntas temporales distintas. No definen un ranking universal.

14. Validation metrics and acceptance interpretation

14. Métricas de validación e interpretación de aceptación

Validation dimensionDimensión de validación	Required evidenceEvidencia requerida
Temporal integrityIntegridad temporal	Correct order, event-time meaning, no leakage, stable alignment, and documented gaps.Orden correcto, significado temporal, sin fuga, alineación estable y huecos documentados.
Out-of-time validationValidación fuera del tiempo	Rolling, expanding, or blocked validation consistent with the intended forecast horizon.Validación rodante, expansiva o por bloques consistente con el horizonte.
Baseline comparisonComparación con línea base	Naïve, seasonal-naïve, or persistence baselines appropriate to the process.Líneas base naïve, estacional o de persistencia apropiadas al proceso.
Forecast errorError de pronóstico	MAE, RMSE, MASE, or other metric matched to scale, asymmetry, and use.MAE, RMSE, MASE u otra métrica alineada con escala, asimetría y uso.
Interval calibrationCalibración de intervalos	Prediction intervals achieve approximately intended coverage and useful width.Intervalos logran cobertura aproximada y ancho útil.
Residual structureEstructura residual	Residuals should not retain major unexplained temporal dependence.Los residuos no deben conservar dependencia temporal importante sin explicar.
Parameter and regime stabilityEstabilidad de parámetros y regímenes	Results remain defensible across windows, initializations, and plausible hyperparameters.Resultados defendibles entre ventanas, inicializaciones e hiperparámetros plausibles.

No universal “excellent” forecast metric: acceptable error depends on horizon, scale, baseline, cost asymmetry, volatility, and decision consequence. No existe métrica universal de pronóstico “excelente”: el error aceptable depende de horizonte, escala, línea base, asimetría de costo, volatilidad y consecuencia decisional.

15. Method selection protocol for temporal evidence

15. Protocolo de selección para evidencia temporal

Read the ESS temporal question, explicit variables, sequence ID, and target horizon.
Leer la pregunta temporal, variables explícitas, ID de secuencia y horizonte del ESS.
Validate event time, ordering, spacing, repetition, missingness, and leakage control.
Validar tiempo del evento, orden, espaciado, repetición, faltantes y control de fuga.
Classify the need as memory, lead–lag, forecast, seasonal forecast, latent state, hidden regime, or shape similarity.
Clasificar la necesidad como memoria, antecedencia–rezago, pronóstico, pronóstico estacional, estado latente, régimen oculto o similitud de forma.
Assess trend, seasonality, stationarity, breaks, irregularity, and dimensionality.
Evaluar tendencia, estacionalidad, estacionariedad, rupturas, irregularidad y dimensionalidad.
Generate eligible candidate methods and baseline models.
Generar métodos candidatos elegibles y modelos de línea base.
Define rolling or blocked validation consistent with the operational horizon.
Definir validación rodante o por bloques consistente con el horizonte operativo.
Compare error, calibration, residual dependence, stability, interpretability, and cost.
Comparar error, calibración, dependencia residual, estabilidad, interpretabilidad y costo.
Record primary method, alternatives, temporal constraints, and implementation readiness in the MSS.
Registrar método principal, alternativas, restricciones temporales y preparación de implementación en el MSS.

16. Chapter workshop

16. Taller del capítulo

Case A: identify whether one series retains memory across lags Caso A: identificar si una serie conserva memoria entre rezagos

Primary candidate: Autocorrelation, with detrending, confidence bands, and lag-multiplicity control.Candidato principal: Autocorrelación, con eliminación de tendencia, bandas y control por múltiples rezagos.

Case B: forecast a stable monthly seasonal series Caso B: pronosticar una serie mensual estacional estable

Primary candidate: SARIMA, benchmarked against seasonal naïve and validated by rolling-origin evaluation.Candidato principal: SARIMA, comparado con línea base estacional y validado con origen rodante.

Case C: observations appear to switch among a few hidden regimes Caso C: observaciones parecen cambiar entre pocos regímenes ocultos

Primary candidate: HMM, conditional on defensible state count, emission family, and stable decoding.Candidato principal: HMM, condicionado a número de estados, familia de emisión y decodificación estable.

Case D: compare two sequences with similar shape but different local speed Caso D: comparar dos secuencias con forma similar pero velocidad local diferente

Primary candidate: DTW, with scaling, warping-window constraints, and alignment plausibility review.Candidato principal: DTW, con escalamiento, restricciones de ventana y revisión de plausibilidad.

17. Chapter 4 MSS handoff template

17. Plantilla de entrega MSS del Capítulo 4

METHOD SELECTION SUMMARY — TIME

ESS Temporal Relationship / Sequence ID:
Explicit Variables:
Event-Time Definition:
Sampling Interval:
Temporal Question:
Forecast Horizon:
Trend / Seasonality / Regime Structure:
Missingness / Irregularity Constraints:

Primary Selected Method:
Exact Variant:
Selection Status:
Scientific Justification:

Baseline Method:
Alternative Method 1:
Alternative Method 2:

Validation Architecture:
Required Error Metrics:
Required Calibration Metrics:
Required Residual Diagnostics:
Critical Parameters:
Critical Assumptions:
Critical Failure Modes:
Interpretation Boundary:

Module IV Implementation Readiness:
[READY / CONDITIONAL / RETURN TO MODULE II]

Chapter closing

Cierre del capítulo

Temporal-method selection begins by identifying the exact structure requested by the ESS. Autocorrelation measures memory. Cross-Correlation explores lagged co-movement. ARIMA and SARIMA forecast linear univariate structures. Prophet targets trend, calendar effects, and changepoints. State Space Models represent evolving latent systems. HMMs represent discrete hidden regimes. DTW measures sequence-shape similarity under local temporal distortion. None is universally best. The correct method is the one whose sequence assumptions, horizon, dynamics, validation, and interpretation match the ESS.

La selección de métodos temporales comienza identificando la estructura exacta solicitada por el ESS. Autocorrelación mide memoria. Correlación Cruzada explora co-movimiento rezagado. ARIMA y SARIMA pronostican estructuras lineales univariadas. Prophet aborda tendencia, calendario y puntos de cambio. Espacio de Estados representa sistemas latentes en evolución. HMM representa regímenes ocultos discretos. DTW mide similitud de forma bajo distorsión temporal local. Ninguno es universalmente superior. El método correcto es aquel cuyos supuestos secuenciales, horizonte, dinámica, validación e interpretación corresponden con el ESS.

Next: Chapter 5 — Methods for Measuring Space → Siguiente: Capítulo 5 — Métodos para Medir Espacio →