Act 4. 8 Series de tiempo

Series de tiempo

0. Conceptos

Una serie de tiempo es una colección de observaciones sobre un determinado fenómeno efectuadas en monetos 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.

1. Instalar paquetes y llamar librerías

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

2. Crear la serie de tiempo

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


# Paso 2. Agregar los valores anteriores a 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   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 (diferenciación)
# q = orden de promedio móvil 

# ¿Cúando se usa?
  #Cuando las estimaciones futuras, se explican por los datos de 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 -0.5073047

El error MAPE indica el error en %

4. Realizar el modelo

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 indicadoreesa través de la librería WBI.

1. Instalar paquetes y llamar librerías

#install.packages("WDI")
#install.packages("wbstats")
#install.packages("tidyverse")

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

2. Crear la serie de tiempo

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


gdp_data <- gdp_data %>%
  select(4,5)


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

## 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

# 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 (diferenciación)
# q = orden de promedio móvil 

# ¿Cúando se usa?
  #Cuando las estimaciones futuras, se explican por los datos de pasado. 
  #y no por variables independientes. 
  #Ejemplo: Tipo de Cambio. 

modelo <- auto.arima(serie_BM)

summary(modelo)

## Series: serie_BM 
## 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

El error MAPE indica el error en %

4. Realizar el modelo (5Y)

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

##      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)