library(fpp2)
library(TSA)
#Cargar datos
series<-uschange
autoplot(uschange[,c(2,5)])
series
#plot de serie de datos
ts.plot(series[,c(2,5)], xlab="Tiempo",col=c(1,2))
a <- VARselect(uschange[,c(2,5)], lag.max=15,type="const")
a$selection
modelo1<-VAR(uschange[,c(2,5)],p=5,type=c("const"))
summary(modelo1,equation="Income")
summary(modelo1,equation="Unemployment")
GrangerIncome <-causality(modelo1, cause = 'Income')
GrangerIncome
GrangerUnemployment <-causality(modelo1, cause = 'Unemployment')
GrangerUnemployment
serial.test(modelo1, lags.pt=10, type="PT.asymptotic")
normality.test(modelo1, multivariate.only=FALSE)
arch<-arch.test(modelo1, lags.multi = 12, multivariate.only = FALSE)
arch
stab<-stability(modelo1, type = "OLS-CUSUM")
par(mar=c(1,1,1,1))
plot(stab)
UnemploymentIRF <- irf(modelo1, impulse = "Income", response="Unemployment", n.ahead = 30, boot = T )
plot(UnemploymentIRF, ylab = "Unemployment", main = "Shock desde Income")
IncomeIRF <- irf(modelo1, impulse = "Unemployment", response="Income", n.ahead = 30, boot = T )
plot(IncomeIRF, ylab = "Income", main = "Shock desde Unemployment")
FEVD1 <- fevd(modelo1, n.ahead = 10)
plot(FEVD1)
fore<-predict(modelo1, n.ahead = 10, ci=0.95)
fanchart(fore)
modelo1$varresult$Income$coefficients
modelo1$varresult$Unemployment$coefficients
autoplot(forecast(modelo1))
#El modelo generado VAR con p=5 y se llevo a cabo también pruebas de causalidad
#de Granger para ambas variables,asimismo, se realizan pruebas de serialidad, normalidad
#y heterocedasticidad para evaluar la validez del modelo.
#Los gráficos generados para poder visualizar la estabilidad del modelo y las funciones
#de respuesta al impulso. se realizan pronósticos de 10 periodos con un
#intervalo de confianza del 95%, se obtienen los coeficientes del modelo y se grafica
#el pronóstico de la serie usando la función "autoplot".
#En conclusión, el análisis que se llevo a cabo muestra que el proceso de ajuste, evaluación y
#pronóstico de un modelo VAR con dos variables. Los resultados que se lograron otener permiten
#analizar la relación entre "Income" y "Unemployment" y realizar pronósticos de
#corto plazo para ambas variables.