Series de tiempo

Concepto

Una serie de tiempo es una colecciĂ³n de observaciones sobre un determinado fenĂ³meno efectuadas en momentos de tiempo sucesivos, usualmente equiespaciados.

Ejemplos de series de tiempo:
1. Precio de acciones.
2. Niveles de inventario.
3. Rotaciön de personal.
4. Ventas.

Instalar paquetes y llamar librerĂ­as 

# install.packages("forecast")
library(forecast)
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo

Crear la serie de tiempo 

# Paso 1. Obtener los 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)
serie_de_tiempo
##      Qtr1 Qtr2 Qtr3 Qtr4
## 2020   50   53   55   57
## 2021   55   60

Crear modelo ARIMA 

# ARIMA: AutoRegressive Integrated Moving Average o Modelo Autoregresivo
# Integrado de Media MĂ³vil
# ARIMA (p,d,q)
# p = orden de auto-regresiĂ³n
# d = orden de integraciĂ³n (diferenciaciĂ³n)
# q = orden del promedio
# ¿CuĂ¡ndo 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)
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

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

Concepto

El Banco Mundial es un organismo multinacional especializado en finanzas.
En R se puede acceder a sus indicadores a través de la libraria WDI.

Instalar paquetes y llamar librerĂ­as 

# install.packages("WDI")
# install.packages("wbstats")
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     1.0.1     
## ── 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

Crear la serie de tiempo 

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

# Paso 2. Agregar a los valores anteriores su tiempo correspondiente
serie_BM <- ts(data=gdp_data, start = c(2020,1), frequency = 4)
serie_BM
##         iso2c iso3c country date NY.GDP.MKTP.CD unit obs_status footnote
## 2020 Q1     1     1       1 1973   5.528021e+10   NA         NA       NA
## 2020 Q2     1     1       1 1974   7.200018e+10   NA         NA       NA
## 2020 Q3     1     1       1 1975   8.800000e+10   NA         NA       NA
## 2020 Q4     1     1       1 1976   8.887679e+10   NA         NA       NA
## 2021 Q1     1     1       1 1977   8.191250e+10   NA         NA       NA
## 2021 Q2     1     1       1 1978   1.026473e+11   NA         NA       NA
## 2021 Q3     1     1       1 1979   1.345296e+11   NA         NA       NA
## 2021 Q4     1     1       1 1980   2.055770e+11   NA         NA       NA
## 2022 Q1     1     1       1 1981   2.638021e+11   NA         NA       NA
## 2022 Q2     1     1       1 1982   1.846036e+11   NA         NA       NA
## 2022 Q3     1     1       1 1983   1.561675e+11   NA         NA       NA
## 2022 Q4     1     1       1 1984   1.842312e+11   NA         NA       NA
## 2023 Q1     1     1       1 1985   1.952414e+11   NA         NA       NA
## 2023 Q2     1     1       1 1986   1.345561e+11   NA         NA       NA
## 2023 Q3     1     1       1 1987   1.475426e+11   NA         NA       NA
## 2023 Q4     1     1       1 1988   1.816112e+11   NA         NA       NA
## 2024 Q1     1     1       1 1989   2.214031e+11   NA         NA       NA
## 2024 Q2     1     1       1 1990   2.612537e+11   NA         NA       NA
## 2024 Q3     1     1       1 1991   3.131397e+11   NA         NA       NA
## 2024 Q4     1     1       1 1992   3.631578e+11   NA         NA       NA
## 2025 Q1     1     1       1 1993   5.007334e+11   NA         NA       NA
## 2025 Q2     1     1       1 1994   5.278106e+11   NA         NA       NA
## 2025 Q3     1     1       1 1995   3.600725e+11   NA         NA       NA
## 2025 Q4     1     1       1 1996   4.109730e+11   NA         NA       NA
## 2026 Q1     1     1       1 1997   5.004160e+11   NA         NA       NA
## 2026 Q2     1     1       1 1998   5.264997e+11   NA         NA       NA
## 2026 Q3     1     1       1 1999   6.002330e+11   NA         NA       NA
## 2026 Q4     1     1       1 2000   7.079099e+11   NA         NA       NA
## 2027 Q1     1     1       1 2001   7.567029e+11   NA         NA       NA
## 2027 Q2     1     1       1 2002   7.721097e+11   NA         NA       NA
## 2027 Q3     1     1       1 2003   7.293350e+11   NA         NA       NA
## 2027 Q4     1     1       1 2004   7.822429e+11   NA         NA       NA
## 2028 Q1     1     1       1 2005   8.774769e+11   NA         NA       NA
## 2028 Q2     1     1       1 2006   9.753834e+11   NA         NA       NA
## 2028 Q3     1     1       1 2007   1.052697e+12   NA         NA       NA
## 2028 Q4     1     1       1 2008   1.109987e+12   NA         NA       NA
## 2029 Q1     1     1       1 2009   9.000470e+11   NA         NA       NA
## 2029 Q2     1     1       1 2010   1.057801e+12   NA         NA       NA
## 2029 Q3     1     1       1 2011   1.180487e+12   NA         NA       NA
## 2029 Q4     1     1       1 2012   1.201094e+12   NA         NA       NA
## 2030 Q1     1     1       1 2013   1.274444e+12   NA         NA       NA
## 2030 Q2     1     1       1 2014   1.315356e+12   NA         NA       NA
## 2030 Q3     1     1       1 2015   1.171870e+12   NA         NA       NA
## 2030 Q4     1     1       1 2016   1.078493e+12   NA         NA       NA
## 2031 Q1     1     1       1 2017   1.158912e+12   NA         NA       NA
## 2031 Q2     1     1       1 2018   1.222406e+12   NA         NA       NA
## 2031 Q3     1     1       1 2019   1.269010e+12   NA         NA       NA
## 2031 Q4     1     1       1 2020   1.090515e+12   NA         NA       NA
## 2032 Q1     1     1       1 2021   1.272839e+12   NA         NA       NA
## 2032 Q2     1     1       1 2022   1.414187e+12   NA         NA       NA
##         last_updated
## 2020 Q1        19619
## 2020 Q2        19619
## 2020 Q3        19619
## 2020 Q4        19619
## 2021 Q1        19619
## 2021 Q2        19619
## 2021 Q3        19619
## 2021 Q4        19619
## 2022 Q1        19619
## 2022 Q2        19619
## 2022 Q3        19619
## 2022 Q4        19619
## 2023 Q1        19619
## 2023 Q2        19619
## 2023 Q3        19619
## 2023 Q4        19619
## 2024 Q1        19619
## 2024 Q2        19619
## 2024 Q3        19619
## 2024 Q4        19619
## 2025 Q1        19619
## 2025 Q2        19619
## 2025 Q3        19619
## 2025 Q4        19619
## 2026 Q1        19619
## 2026 Q2        19619
## 2026 Q3        19619
## 2026 Q4        19619
## 2027 Q1        19619
## 2027 Q2        19619
## 2027 Q3        19619
## 2027 Q4        19619
## 2028 Q1        19619
## 2028 Q2        19619
## 2028 Q3        19619
## 2028 Q4        19619
## 2029 Q1        19619
## 2029 Q2        19619
## 2029 Q3        19619
## 2029 Q4        19619
## 2030 Q1        19619
## 2030 Q2        19619
## 2030 Q3        19619
## 2030 Q4        19619
## 2031 Q1        19619
## 2031 Q2        19619
## 2031 Q3        19619
## 2031 Q4        19619
## 2032 Q1        19619
## 2032 Q2        19619

Crear modelo ARIMA 

# ARIMA: AutoRegressive Integrated Moving Average o Modelo Autoregresivo
# Integrado de Media MĂ³vil
# ARIMA (p,d,q)
# p = orden de auto-regresiĂ³n
# d = orden de integraciĂ³n (diferenciaciĂ³n)
# q = orden del promedio
# ¿CuĂ¡ndo 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)
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

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)

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