Actividad 4.9
Karla Castillo
2023-10-02
Series de tiempo
0. Concepto
Una serie de tiempo es una colección de
observaciones sobre un determinado fenómeno efectuados en momentos de
tiempo sucesivos, usualmente equiespaciados.
Ejempos de series de tiempo son:
1. Precio de acciones.
2. Niveles de inventario.
3. Rotación de colaboradores.
4. Ventas
1. Instalar paquetes y llamar librerÃas
# install.packages("forecast")
library(forecast)## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoo2. Crear la serie de tiempo
# 1. Obtener los valores dependientes
produccion <- c(50,53,55,57,55,60)
# 2. Agregar a los valores anteriores su tiempo correspondiente
serie_de_tiempo <- ts(data=produccion, start =c(2020,1), frequency = 4)
serie_de_tiempo## Qtr1 Qtr2 Qtr3 Qtr4
## 2020 50 53 55 57
## 2021 55 603. Crear modelo ARIMA
# ARIMA: Auti Regressive Integrated Moving Average o Modelo Autorregresivo integrando de media movill
# ARIMA (p,d,q)
# p = orden de auto regresion
# d = orden de integración (diferenciación)
# q = orden de promedio movil
# ¿Cuándo se usa?: cuando las estimaciones futuras se explican por los datos del pasado y no por variables independientes.
# Ejemplo: tipo de cambio
modelo <- auto.arima(serie_de_tiempo, D=1)
summary(modelo)## Series: serie_de_tiempo
## ARIMA(0,0,0)(0,1,0)[4] with drift
##
## Coefficients:
## drift
## 1.5000
## s.e. 0.1768
##
## sigma^2 = 2.01: log likelihood = -2.84
## AIC=9.68 AICc=-2.32 BIC=7.06
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 0.03333332 0.5787923 0.3666667 0.03685269 0.6429133 0.06111111
## ACF1
## Training set -0.50730474. Realizar el pronóstico
pronostico <- forecast(modelo, level = c(95), h=5)
pronostico## Point Forecast Lo 95 Hi 95
## 2021 Q3 61 58.22127 63.77873
## 2021 Q4 63 60.22127 65.77873
## 2022 Q1 61 58.22127 63.77873
## 2022 Q2 66 63.22127 68.77873
## 2022 Q3 67 63.07028 70.92972plot(pronostico)
Ejercicio
0. Concepto
El banco mundial es un organismo multinacional especialidado en finanzas. En R se puede accesar a sus ndicadores a través de llaves.
1. Instalar paquetes y llamar librerÃas
# install.packages("WDI")
library(WDI)
# install.packages("wbstats")
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.3 ✔ readr 2.1.4
## ✔ forcats 1.0.0 ✔ stringr 1.5.0
## ✔ ggplot2 3.4.2 ✔ tibble 3.2.1
## ✔ lubridate 1.9.2 ✔ tidyr 1.3.0
## ✔ purrr 1.0.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(wbstats)2. Crear la serie de tiempo
# 1. Obtener los valores dependientes
gdp_data <- wb_data(country = "MX", indicator = "NY.GDP.MKTP.CD",start_date = 1973, end_date = 2022)
gdp_data <- select(gdp_data,"NY.GDP.MKTP.CD")
# 2. Agregar a los valores anteriores su tiempo correspondiente
serie_de_tiempo1 <- ts(data=gdp_data, start = c(1973,1), frequency = 1)
serie_de_tiempo1## Time Series:
## Start = 1973
## End = 2022
## Frequency = 1
## NY.GDP.MKTP.CD
## [1,] 5.528021e+10
## [2,] 7.200018e+10
## [3,] 8.800000e+10
## [4,] 8.887679e+10
## [5,] 8.191250e+10
## [6,] 1.026473e+11
## [7,] 1.345296e+11
## [8,] 2.055770e+11
## [9,] 2.638021e+11
## [10,] 1.846036e+11
## [11,] 1.561675e+11
## [12,] 1.842312e+11
## [13,] 1.952414e+11
## [14,] 1.345561e+11
## [15,] 1.475426e+11
## [16,] 1.816112e+11
## [17,] 2.214031e+11
## [18,] 2.612537e+11
## [19,] 3.131397e+11
## [20,] 3.631578e+11
## [21,] 5.007334e+11
## [22,] 5.278106e+11
## [23,] 3.600725e+11
## [24,] 4.109730e+11
## [25,] 5.004160e+11
## [26,] 5.264997e+11
## [27,] 6.002330e+11
## [28,] 7.079099e+11
## [29,] 7.567029e+11
## [30,] 7.721097e+11
## [31,] 7.293350e+11
## [32,] 7.822429e+11
## [33,] 8.774769e+11
## [34,] 9.753834e+11
## [35,] 1.052697e+12
## [36,] 1.109987e+12
## [37,] 9.000470e+11
## [38,] 1.057801e+12
## [39,] 1.180487e+12
## [40,] 1.201094e+12
## [41,] 1.274444e+12
## [42,] 1.315356e+12
## [43,] 1.171870e+12
## [44,] 1.078493e+12
## [45,] 1.158912e+12
## [46,] 1.222406e+12
## [47,] 1.269010e+12
## [48,] 1.090515e+12
## [49,] 1.272839e+12
## [50,] 1.414187e+123. Crear modelo ARIMA
modelo1 <- auto.arima(serie_de_tiempo1)
modelo1## Series: serie_de_tiempo1
## ARIMA(0,1,0)
##
## sigma^2 = 7.381e+21: log likelihood = -1303.18
## AIC=2608.36 AICc=2608.44 BIC=2610.25summary(modelo1)## Series: serie_de_tiempo1
## ARIMA(0,1,0)
##
## sigma^2 = 7.381e+21: log likelihood = -1303.18
## AIC=2608.36 AICc=2608.44 BIC=2610.25
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 27179245230 85046847387 67623045592 4.943879 14.05421 0.980016
## ACF1
## Training set -0.015191784. Realizar el pronóstico
pronostico1 <- forecast(modelo1, level = c(95), h=5)
pronostico1## Point Forecast Lo 95 Hi 95
## 2023 1.414187e+12 1.245806e+12 1.582568e+12
## 2024 1.414187e+12 1.176060e+12 1.652314e+12
## 2025 1.414187e+12 1.122543e+12 1.705832e+12
## 2026 1.414187e+12 1.077425e+12 1.750949e+12
## 2027 1.414187e+12 1.037676e+12 1.790699e+12plot(pronostico1)