Una serie de tiempo es una colección de observaciones sobre un determinaod fenómeno efectuadas en momentos de tiempo sucesivos, usualmente equiespaciados.
Ejemplos de series de tiempo son:
#install.packages("forecast")
library(forecast)
## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoo
# Paso 1. Obtener lso valores dependientes.
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 = c(2020, 4), frequency=4)
serie_de_tiempo
## Qtr1 Qtr2 Qtr3 Qtr4
## 2020 50
## 2021 53 55 57 55
## 2022 60
# Arima: Auto Regresive Integrated Moving Avarage
# ARIMNA (p,d,q)
# P = orden de auto regresion
# d = orden de integracion
# 1 = orden del promedio movil
# Cuando se usa?
# lauando 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)
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
pronostico <- forecast(modelo, level = c(95), h=5)
pronostico
## Point Forecast Lo 95 Hi 95
## 2022 Q2 61 58.22127 63.77873
## 2022 Q3 63 60.22127 65.77873
## 2022 Q4 61 58.22127 63.77873
## 2023 Q1 66 63.22127 68.77873
## 2023 Q2 67 63.07028 70.92972
plot(pronostico)
El banco mundial (WB) es un organismo multinacional especializado en finanzas. En R se puede acceder a sus indicadores a teaves de la libreria WBI
library(WDI)
library(wbstats)
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 3.4.2 ✔ 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
# paso 1. obtener los valores dependientes
gdp_data <- wb_data(country = "Mx", indicator = "NY.GDP.MKTP.CD",
start_date = 1937, end_date = 2022)
# Paso 2. agregar a los valores anteriores su tiempo correspondiente.
serie_de_tiempo <- ts(data=gdp_data$NY.GDP.MKTP.CD, start =c(1973,1),frequency=1)
serie_de_tiempo
## Time Series:
## Start = 1973
## End = 2035
## Frequency = 1
## [1] 1.304000e+10 1.416000e+10 1.520000e+10 1.696000e+10 2.008000e+10
## [6] 2.184000e+10 2.432000e+10 2.656000e+10 2.936000e+10 3.248000e+10
## [11] 3.552000e+10 3.920000e+10 4.519992e+10 5.528021e+10 7.200018e+10
## [16] 8.800000e+10 8.887679e+10 8.191250e+10 1.026473e+11 1.345296e+11
## [21] 2.055770e+11 2.638021e+11 1.846036e+11 1.561675e+11 1.842312e+11
## [26] 1.952414e+11 1.345561e+11 1.475426e+11 1.816112e+11 2.214031e+11
## [31] 2.612537e+11 3.131397e+11 3.631578e+11 5.007334e+11 5.278106e+11
## [36] 3.600725e+11 4.109730e+11 5.004160e+11 5.264997e+11 6.002330e+11
## [41] 7.079099e+11 7.567029e+11 7.721097e+11 7.293350e+11 7.822429e+11
## [46] 8.774769e+11 9.753834e+11 1.052697e+12 1.109987e+12 9.000470e+11
## [51] 1.057801e+12 1.180487e+12 1.201094e+12 1.274444e+12 1.315356e+12
## [56] 1.171870e+12 1.078493e+12 1.158912e+12 1.222406e+12 1.269010e+12
## [61] 1.090515e+12 1.272839e+12 1.414187e+12
## attr(,"label")
## [1] GDP (current US$)
modelo <- auto.arima(serie_de_tiempo, D=1)
modelo
## Series: serie_de_tiempo
## ARIMA(0,1,0)
##
## sigma^2 = 5.836e+21: log likelihood = -1641.64
## AIC=3285.29 AICc=3285.36 BIC=3287.42
pronostico <- forecast(modelo, level = c(95), h=5)
pronostico
## Point Forecast Lo 95 Hi 95
## 2036 1.414187e+12 1.264453e+12 1.563921e+12
## 2037 1.414187e+12 1.202432e+12 1.625943e+12
## 2038 1.414187e+12 1.154841e+12 1.673534e+12
## 2039 1.414187e+12 1.114720e+12 1.713655e+12
## 2040 1.414187e+12 1.079372e+12 1.749002e+12
plot(pronostico)