Series De tiempo

IAQC

Series De Tiempo

Concepto

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

Ejmplos de series de tiempo son: 1. Precio de Acciones 2. Niveles de Inventario 3. Rotación de Personal 4. Ventas

Instalar paquetes y llamar librerías

library(forecast)

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

Crear la serie de Tiempo

# Obtener los valores dependientes 

produccion<- c(50,53,55,57,55,60)

# Agregar su tiempo correspondiente
seriestiempo<- ts(data=produccion, start = c(2020,1), frequency = 4)

seriestiempo

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

Crear Modelo ARIMA

# ARIMA: Auto Regressive Integrated Moving Average o Modelo Autorregresivo Integrado de Media Móvil

# Arime (p, d, q) -> p= Orden de Auto-Regresión | d= Orden de Integración | q= Orden del Promedio Móvil

# ¿Cuando 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(seriestiempo,D=1)
modelo

## Series: seriestiempo 
## 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: seriestiempo 
## 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

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 70.92972

plot(pronostico)

Banco Mundial

Concepto

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

Librerías a Instalar

library(WDI)
library(wbstats)
library(tidyverse)

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.2     ✔ 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     1.0.1     
## ── 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

Concepto

# Paso 1 Obtener los valores dependientes 
gdpdata<-wb_data(country="MX",indicator="NY.GDP.MKTP.CD",start_date = 1973, end_date = 2022)

#Paso 2, Agregar a lso valores anteriores su tiempo correspondiente
gdpdata2<-gdpdata%>%select(NY.GDP.MKTP.CD)
seriestiempo_gd<- ts(data=gdpdata2, start = c(1973,1), frequency = 1)

seriestiempo_gd

## 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+12

modelo_gd<-auto.arima(seriestiempo_gd,seasonal=FALSE)
modelo_gd

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

summary(modelo_gd)

## Series: seriestiempo_gd 
## 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

pronostico_gd<-forecast(modelo_gd,level=c(95), h=5)
pronostico_gd

##      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_gd)