Series de Tiempo

0. Concepto

Una serie de tiempo es una colección de observaciones sobre un determinado fenómeno efectuadas en momentos de tiempo sucesivos, usualmente equiespaciados.

Ejemplos de series de tiempo son:

1. Precio de Acciones

2. Niveles de inventario

3. Rotación de personal.

4. Ventas.

5. PIB (GDP)

1. Cargar la librería

#install.packages("forecast")
library(forecast)

## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo

2. Crear la serie de tiempo

# Ejemplo: Los siguientes datos de producción trimestral inician en el primer trimestre de 2020. 
# Se busca pronosticar la producción de los siguientes 5 trimestres. 

produccion <- c(50, 53, 55, 57, 55, 60)
serie_de_tiempo <- ts(data = produccion, start = c(2020, 3), frequency = 4)
serie_de_tiempo

##      Qtr1 Qtr2 Qtr3 Qtr4
## 2020             50   53
## 2021   55   57   55   60

3. Crear el modelo ARIMA

“ARIMA”¨ significa “Auroregressive Integrated Moving Average” o “Modelo Autorregresivo Integrado de Promedio Móvil”

modelo <- auto.arima(serie_de_tiempo, D=1)
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

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 -0.5073047

4. Realizar el pronóstico

pronostico <- forecast(modelo, level = c(95), h=5)
pronostico

##         Point Forecast    Lo 95    Hi 95
## 2022 Q1             61 58.22127 63.77873
## 2022 Q2             63 60.22127 65.77873
## 2022 Q3             61 58.22127 63.77873
## 2022 Q4             66 63.22127 68.77873
## 2023 Q1             67 63.07028 70.92972

plot(pronostico)