Series de Tiempo
Carlos Sedas - A01552300
2023-10-02
Series de Tiempo
0. Concepto
Una serie de tiempo es una colección de observaciones sobre un determinado fenómeno efectuadas en momentos de tiempo sucesivos, usualmenteequiespaciados.
Ejemplos de series de tiempo:
1. Precio de acciones.
2. Niveles de inventario.
3. Rotación de personal.
4. Ventas.
1. Insertar paquetes y llamar librerías
#install.packages("forecast")
library(forecast)## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoo2. Crear serie de tiempo
# Paso 1. Obtener valores dependientes.
produccion <- c(50,53,55,57,55,60)
# Paso 2. Agregar los valores anteriores su tiempo correspondiente.
serie_de_tiempo <- ts(data=produccion, start = 2020, frequency = 4)
serie_de_tiempo## Qtr1 Qtr2 Qtr3 Qtr4
## 2020 50 53 55 57
## 2021 55 60# Si queremos que arranque en un trimestre específio:
#serie_de_tiempo <- ts(data=produccion, start = c(2020, 3), frequency = 4)3. Crear modelo ARIMA
# ARIMA: AutoRegressive Integrated Moving Averag o Modelo Autorregresivo
# Integrado de Media Móvil
# ARIMA (p,d,q)
# p: orden de auto regresión.
# d: órden de integración o diferenciación.
# q: órden 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)
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=7.06summary(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 -0.50730473. Crear modelo ARIMA
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 70.92972plot(pronostico)
Banco Mundial
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. Insertar paquetes y llamar librerías
#install.packages("forecast")
#install.packages("WDI")
#install.packages("wbstats")
#library(forecast)
library(WDI)
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 errorslibrary(wbstats)2. Crear serie de tiempo
# Paso 1. Obtener valores dependientes.
gdp_data <- wb_data(country= "MX", indicator= "NY.GDP.MKTP.CD", start_date= 1973, end_date= 2022)
gdp_data <- select(gdp_data, date, NY.GDP.MKTP.CD)
view(gdp_data)
# Paso 2. Agregar los valores anteriores su tiempo correspondiente.
st <- ts(data=gdp_data$NY.GDP.MKTP.CD, start = 1973, frequency = 1)
st## Time Series:
## Start = 1973
## End = 2022
## Frequency = 1
## [1] 5.528021e+10 7.200018e+10 8.800000e+10 8.887679e+10 8.191250e+10
## [6] 1.026473e+11 1.345296e+11 2.055770e+11 2.638021e+11 1.846036e+11
## [11] 1.561675e+11 1.842312e+11 1.952414e+11 1.345561e+11 1.475426e+11
## [16] 1.816112e+11 2.214031e+11 2.612537e+11 3.131397e+11 3.631578e+11
## [21] 5.007334e+11 5.278106e+11 3.600725e+11 4.109730e+11 5.004160e+11
## [26] 5.264997e+11 6.002330e+11 7.079099e+11 7.567029e+11 7.721097e+11
## [31] 7.293350e+11 7.822429e+11 8.774769e+11 9.753834e+11 1.052697e+12
## [36] 1.109987e+12 9.000470e+11 1.057801e+12 1.180487e+12 1.201094e+12
## [41] 1.274444e+12 1.315356e+12 1.171870e+12 1.078493e+12 1.158912e+12
## [46] 1.222406e+12 1.269010e+12 1.090515e+12 1.272839e+12 1.414187e+12
## attr(,"label")
## [1] GDP (current US$)3. Crear modelo ARIMA
modelo2 <- auto.arima(st, D=1)
modelo2## Series: st
## ARIMA(0,1,0)
##
## sigma^2 = 7.381e+21: log likelihood = -1303.18
## AIC=2608.36 AICc=2608.44 BIC=2610.25summary(modelo2)## Series: st
## 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 -0.015191783. Crear modelo ARIMA
pronostico2 <- forecast(modelo2, level= c(95), h=5)
pronostico2## 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+12plot(pronostico2)