Actividad 4.8

Series de Tiempo

0. Concepto

Una Serie de Tiempo es una colección de observaciónes sobre un determinado fenómeno efectuadas en sucesivos o 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. Llamar librerias

library(forecast)

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

2. Crear la serie de tiempo

#Paso 1. Obtener 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(2020,1), frequency=4)
#La coma despues del 2020, divide en que freqcuencia se quiere empezar

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-regresion
# d= orden de integracion (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)
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

4. 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

0. Concepto

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

2. Llamar librerias

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   3.4.3     ✔ 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

3. Obtener la serie de tiempo

PIB <- wb_data(country="MX", indicator="NY.GDP.MKTP.CD", start_date=1973, end_date = 2022)

4. Crear Serie de Tiempo a 5 años

PIB2 <- PIB%>%
  select("NY.GDP.MKTP.CD")
ts <- ts(data=PIB2, start= 1973, frequency=1)

3. Crear modelo ARIMA

modelo2 <- auto.arima(ts, D=1)
summary(modelo2)

## Series: ts 
## 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

6. Realizar el pronóstico

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+12

plot(pronostico2)