Act. 4.8 Series de Tiempo

Series de Tiempo

0. Concepto

Una Serie de Tiempo es una colecció de observaciones sobre un feterminado 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 persona.
4. Ventas.

1. Instalar paquetes y llamar librerías

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

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

2. Crear la Serie de Tiempo

# Paso 1. Obtener los valores dependeintes
produccion <- c(50,53,55,57,55,60)

#Paso 2. Agregar a los valores anteriores su tiempo correspondiente
serie_de_tiempo <-  ts(data = produccion, start = 2020, frequency = 4) #aquí lo hizo por trimestre 
serie_de_tiempo

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

serie_de_tiempo_ej <-  ts(data = produccion, start = c(2020, 4), frequency = 12) #aquí le puso 4 para que arranque en el mes 4 del 2020 
#la frecuencia es el num de veces x año; por ej 12 = a 12 veces o sea mensual , 6 veces = bimestre 
serie_de_tiempo_ej

##      Apr May Jun Jul Aug Sep
## 2020  50  53  55  57  55  60

3. Crear modelo ARIMA

# ARIMA: AutoRegressive Integrated Moving Average o Modelo Autorregresivo Integrado de Media Móvil. 
#ARIMA (p, d, q)
# p = orden de auto-regresión
# d = orden de integración (o diferenciación)
# q = orden del promedio móvil

# ¿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) #agg D porque la gráfica iba para arriba y el pronóstico no 
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 pronósticoA

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 70.92972

plot(pronostico)

Banco mundial

0. Concepto

El Banco mundial (WB) es un organismo multinacional especializado en finanzas. En R se puede acceder a sus indicadores a través de la librería WDI.

1. Instalar paquetes y llamar librerías

#install.packages("forecast")
library(forecast)
#install.packages("WDI")
library(WDI)
#install.packages("wbstats")
library(wbstats)
#install.packages("tidyverse")
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   3.4.3     ✔ 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 errors

2. Crear la Serie de Tiempo

# Paso 1. Obtener los valores dependeintes
gdp_data <- wb_data(country = "MX", indicator = "NY.GDP.MKTP.CD", start_date = 1973, end_date = 2022)
gdp_data <- gdp_data%>%select(date, NY.GDP.MKTP.CD)

#Paso 2. Agregar a los valores anteriores su tiempo correspondiente
serie_de_tiempo_gdp <-  ts(data = gdp_data$NY.GDP.MKTP.CD, start = c(1973, 1), frequency = 1) 
serie_de_tiempo_gdp

## Time Series:
## Start = 1973 
## End = 2022 
## Frequency = 1 
##  [1] 5.528021e+10 7.200018e+10 8.800000e+10 8.887679e+10 8.191250e+10
##  [6] 1.026473e+11 1.345296e+11 2.055770e+11 2.638021e+11 1.846036e+11
## [11] 1.561675e+11 1.842312e+11 1.952414e+11 1.345561e+11 1.475426e+11
## [16] 1.816112e+11 2.214031e+11 2.612537e+11 3.131397e+11 3.631578e+11
## [21] 5.007334e+11 5.278106e+11 3.600725e+11 4.109730e+11 5.004160e+11
## [26] 5.264997e+11 6.002330e+11 7.079099e+11 7.567029e+11 7.721097e+11
## [31] 7.293350e+11 7.822429e+11 8.774769e+11 9.753834e+11 1.052697e+12
## [36] 1.109987e+12 9.000470e+11 1.057801e+12 1.180487e+12 1.201094e+12
## [41] 1.274444e+12 1.315356e+12 1.171870e+12 1.078493e+12 1.158912e+12
## [46] 1.222406e+12 1.269010e+12 1.090515e+12 1.272839e+12 1.414187e+12
## attr(,"label")
## [1] GDP (current US$)

3. Crear modelo ARIMA

# Tipo de cambio
modelo_gdp <- auto.arima(serie_de_tiempo_gdp,  D=1) 
modelo_gdp

## Series: serie_de_tiempo_gdp 
## ARIMA(0,1,0) 
## 
## sigma^2 = 7.381e+21:  log likelihood = -1303.18
## AIC=2608.36   AICc=2608.44   BIC=2610.25

summary(modelo_gdp)

## Series: serie_de_tiempo_gdp 
## 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 -0.01519178

4. Realizar pronóstico

pronostico_gdp <- forecast(modelo_gdp, level = c(95), h=5)
pronostico_gdp

##      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+12

plot(pronostico_gdp)