Series de Tiempo

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 esquiespacios.

Ejemplos de series de tiempo son: 1. Precio de acciones 2. Niveles de inventario 3. Rotación de personal 4. Ventas 5. PIB (GDP)

1. Instalar paquetes y llamar librerías

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(2020,1),frequency=4)
serie_de_tiempo

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

3. Crear el modelo ARIMA

ARIMA significa AutoRegressive Integrated Moving Average o Modelo Autorregresivo Integrado de Promedio Movil.

modelo <- auto.arima(serie_de_tiempo)
modelo

## Series: serie_de_tiempo 
## ARIMA(0,1,0) 
## 
## sigma^2 = 9.2:  log likelihood = -12.64
## AIC=27.29   AICc=28.62   BIC=26.89

summary(modelo)

## Series: serie_de_tiempo 
## ARIMA(0,1,0) 
## 
## sigma^2 = 9.2:  log likelihood = -12.64
## AIC=27.29   AICc=28.62   BIC=26.89
## 
## Training set error measures:
##                 ME    RMSE      MAE      MPE     MAPE      MASE       ACF1
## Training set 1.675 2.76895 2.341667 2.933747 4.145868 0.3902778 -0.5152989

4. Realizar el pronóstico

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

##         Point Forecast    Lo 95    Hi 95
## 2021 Q3             60 54.05497 65.94503
## 2021 Q4             60 51.59246 68.40754
## 2022 Q1             60 49.70291 70.29709
## 2022 Q2             60 48.10995 71.89005
## 2022 Q3             60 46.70652 73.29348

plot(pronostico)