A continuación se muestra el código necesario para la realización del taller.
Código del Desarrollo del Punto 5
install.packages("tseries")
install.packages("forecast")
install.packages("lmtest")
library(xts)
library(tseries)
library(forecast)
library(lmtest)
library(readxl)
library(stargazer)
y <- read_excel("C:/Programacion en R/5. ECONOMETRIA 2/ECO-EJ4/commoditie.xlsx")
cbind(y)
par(mfrow=c(1,1))
ts.plot(y,main="Gráfica de la Serie de Tiempo", col="darkgreen")
MEAN <- mean(y)
MEAN
#|-------------------->>| METHODOLOGY BOX-JENKINS ARMA |<<--------------------|#
#| PASO 1. IDENTIFICACIÓN
par(mfrow=c(1,2))
FACS <- acf(y, main="FACS", lag.max = 10, ylim=c(-1,1))
FACP <- pacf(y, main="FACP", lag.max = 10, ylim=c(-1,1))
FACS
FACP
#| PASO 2. ESTIMACIÓN
mod1 <- arima(y, order=c(1,0,1))
mod1
stargazer(mod1, type="text", out="mod1.doc")
#| PASO 3. DIAGNOSTICO
#| Nivel de Significancia
coeftest(mod1)
coeftest(mod2)
#| No Autocorrelación [Error Estandarizado, FACS, Valores P]
tsdiag(mod1) #| No AC
Box.test(mod1$residuals,lag=1) #| lag = 1 [Rezago = 1] Probabilidad por Rezagos
tsdiag(mod2) #| No AC
Box.test(mod2$residuals,lag=1) #| lag = 1 [Rezago = 1] Probabilidad por Rezagos
#| Normalidad
jarque.bera.test(mod1$residuals) #| Normal
jarque.bera.test(mod2$residuals) #| Normal
#| Estacionariedad e Invertibilidad
autoplot(mod1) #| Estacionario e Invertible
autoplot(mod2) #| Estacionario e Invertible
#| Criterio de Información Akaike
AIC(mod1)
AIC(mod2)
#| Criterio de Información Bayesiano
BIC(mod1)
BIC(mod2)
#| PASO 4. USO DEL MODELO - PRONOSTICAR
y.f <- forecast(mod1, h=2, fan=TRUE)
y.f
plot(y.f)
plot(y.f, xlim=c(2000,2020))Código del Desarrollo del Punto 8
n<-1000000
e <- rnorm(n,0,1)
y<-e
for(t in 3:n) y[t]<-1+0.2*y[t-1]+0.2*e[t-1]+e[t]
ARMA11<-ts(y)
#ts.plot(ARMA11, main="Proceso ARMA(1,1)", col='red')
summary(ARMA11)
var(ARMA11)
sd(ARMA11)
par(mfrow=c(1,2))
FACS <- acf(ARMA11, main="FACS", lag.max = 10, ylim=c(-1,1))
FACP <- pacf(ARMA11, main="FACP", lag.max = 10, ylim=c(-1,1))
FACS
FACP