Actividad 1

Author

Diego Lozoya y José Melchor

library (tidyverse)
── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr     1.1.4     ✔ readr     2.1.5
✔ forcats   1.0.0     ✔ stringr   1.5.1
✔ ggplot2   3.4.4     ✔ tibble    3.2.1
✔ lubridate 1.9.3     ✔ 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
library(fpp3)
── Attaching packages ────────────────────────────────────────────── fpp3 0.5 ──
✔ tsibble     1.1.3     ✔ fable       0.3.3
✔ tsibbledata 0.4.1     ✔ fabletools  0.3.4
✔ feasts      0.3.1     
── Conflicts ───────────────────────────────────────────────── fpp3_conflicts ──
✖ lubridate::date()    masks base::date()
✖ dplyr::filter()      masks stats::filter()
✖ tsibble::intersect() masks base::intersect()
✖ tsibble::interval()  masks lubridate::interval()
✖ dplyr::lag()         masks stats::lag()
✖ tsibble::setdiff()   masks base::setdiff()
✖ tsibble::union()     masks base::union()

1

Tomando el PIB de cada país, GDP, contenido en la tabla global_economy, grafique el PIB per cápita a lo largo del tiempo. ¿Cómo ha sido la evolución de la economía de los países en el tiempo? ¿Cuál país tiene el mayor PIB per cápita? (Les recomiendo quitar la leyenda del gráfico, incluyendo theme(legend.position = “none”))

global_economy |> 
  autoplot(GDP / Population)+
  theme(legend.position = "none")
Warning: Removed 3242 rows containing missing values (`geom_line()`).

Países con mayor PIB per cápita de 2010 a 2017:

global_economy |> 
  mutate(gdp_per_capita = GDP/Population) |> 
  select(-c(Code, Growth:Exports)) |> 
  filter(Year %in% 2010:2017) |>
  as_tibble() |> 
  group_by(Country) |> 
  summarise(mean_gdppc = mean(gdp_per_capita, na.rm = TRUE)) |> 
  arrange(desc(mean_gdppc))
# A tibble: 263 × 2
   Country          mean_gdppc
   <fct>                 <dbl>
 1 Monaco              163978.
 2 Liechtenstein       162023.
 3 Luxembourg          108327.
 4 Norway               88913.
 5 Bermuda              86347.
 6 Switzerland          82544.
 7 Isle of Man          80996.
 8 Macao SAR, China     76201.
 9 Qatar                75931.
10 Australia            59099.
# ℹ 253 more rows

2

Grafique las siguientes series de tiempo y transfórmelas y/o ajústelas si lo considera necesario. ¿Qué efecto tuvo la transformación?

i

PIB de EEUU, de global_economy.

PIB_USA <- global_economy |> 
  filter(Code == "USA") |> 
  autoplot(GDP)+
  ggtitle("PIB Estados Unidos")

PIB_USA

Transformación logaritmica:

log_PIB_USA <- global_economy |> 
  filter(Code == "USA") |> 
  autoplot(log(GDP))+
  ggtitle("PIB Estados Unidos transformado logaritmicamente")

log_PIB_USA

Al aplicar una transformación logarítmica a los datos sobre el PIB de Estados Unidos, podemos ver un cambio en presentación de los datos. Sin la transformación los datos aparentan ser exponenciales, mientras que despues de aplicarles un logaritmo parece ser que los datos tienden a ser más lineales.

ii

PIB de México, también de global_economy.

PIB_MEX <- global_economy |> 
  filter(Code == "MEX") |> 
  autoplot(GDP)+
  ggtitle("PIB México")

PIB_MEX

Transformación logaritmica:

log_PIB_MEX <- global_economy |> 
  filter(Code == "MEX") |> 
  autoplot(log(GDP))+
  ggtitle("PIB México transformado logaritmicamente")

log_PIB_MEX

Al igual que con la gráfica del PIB de Estados Unidos, al aplicar una transformación logarítmica a los datos sobre el PIB de México, podemos ver un cambio en presentación de los datos. Sin la transformación los datos aparentan ser exponenciales, mientras que despues de aplicarles un logaritmo parece ser que los datos tienden a ser más lineales.

iii

Demanda de electricidad en el estado de Victoria (Australia), de vic_elec.

vic_elec |>
  autoplot(Demand)+
  ggtitle("Demanda de electricidad en el estado de Victoria")

Transformación logaritmica:

vic_elec |>
  autoplot(log(Demand))+
  ggtitle("Demanda de electricidad en el estado de Victoria transformados logaritmicamente")

Tras aplicar una transformación logaritmica a los datos de la demanda de electricidad en el estado de Victoria no se puede ver ningún cambio aparente en los datos. Lo único que sucede es un cambio de magnitud en el eje y, presentando una proporcion en varianza menor a la que mostraba en los datos originales.

3

¿Es útil realizar una transformación de Box-Cox a los datos canadian_gas? ¿Por qué sí o por qué no?

canadian_gas |> 
  autoplot()+
  ggtitle("Demanda de gas en Canada")
Plot variable not specified, automatically selected `.vars = Volume`

Transformación Box-Cox:

(lambda <- canadian_gas |> 
  features(Volume, features = guerrero) |> 
  pull(lambda_guerrero))
[1] 0.5767648
canadian_gas |> 
  autoplot(box_cox(Volume, lambda))+
  ggtitle("Demanda de gas en Canada transformados con Box-Cox")

Una transformación Box-Cox a los datos de consumo de gas en canada no tienen ningun efecto significativo, ya que el proposito de una tranformación es el de evitar que la varianza de los datos sea tan acentuada. Aunque numéricamente, la transformación, disminuye la asentuación en la estacionalidad, ésta se sigue mostrando en una proporción igual a la de los datos originales, por lo que se puede concluir que la transformación Box-Cox no tiene ninguna utlidad.

4

El dataset fma::plastics tiene información de las ventas mensuales (medidas en miles) del producto A para un productor de plásticos, a lo largo de cinco años.

i

Grafique la serie de tiempo para el producto A. ¿Identifica algún componente de tendencia-ciclo y/o estacional?

fma::plastics |> 
  autoplot()+
  ggtitle("Ventas mensuales de producto A en miles")
Registered S3 method overwritten by 'quantmod':
  method            from
  as.zoo.data.frame zoo 

La grafica muestra una tendencia aparentemente lineal y positiva. Además, muestra una estacionalidad anual, donde el punto más alto de ventas está a mediados de año, encontrandose al rededor de los meses de agosto y septiembre.

ii

Utilice una descomposición clásica multiplicativa para calcular el componente de tendencia y estacional.

plastics_tsbl <- as_tsibble(fma::plastics)

plastics_decomp <- plastics_tsbl |> 
  model(
    clasica = classical_decomposition(value,
                                      type = "multiplicative")
  )

plastics_components <- plastics_decomp |> 
  components()

plastics_components
# A dable: 60 x 7 [1M]
# Key:     .model [1]
# :        value = trend * seasonal * random
   .model      index value trend seasonal random season_adjust
   <chr>       <mth> <dbl> <dbl>    <dbl>  <dbl>         <dbl>
 1 clasica 0001 ene.   742   NA     0.767 NA              967.
 2 clasica 0001 feb.   697   NA     0.710 NA              981.
 3 clasica 0001 mar.   776   NA     0.777 NA              999.
 4 clasica 0001 abr.   898   NA     0.910 NA              986.
 5 clasica 0001 may.  1030   NA     1.04  NA              986.
 6 clasica 0001 jun.  1107   NA     1.16  NA              957.
 7 clasica 0001 jul.  1165  977.    1.16   1.02          1001.
 8 clasica 0001 ago.  1216  977.    1.23   1.02           992.
 9 clasica 0001 sep.  1208  977.    1.23   1.00           981.
10 clasica 0001 oct.  1131  978.    1.19   0.972          951.
# ℹ 50 more rows
plastics_components |> 
  autoplot()
Warning: Removed 6 rows containing missing values (`geom_line()`).

iii

¿Los resultados coinciden con su respuesta al inciso i)?

  • El componente de tendencia confirma la afirmación hecha sobre la linealidad y positividad de la misma.
  • El componente estacional verifica de igual manera la afirmación. Hay una estacionalidad anual, la cual se repite con un intervalo de 1 año, llegando a un punto máximo al rededor de agosto-septiembre de cada año.

iv

Calcule y grafique los datos desestacionalizados.

plastics_seasonally_adjusted <- plastics_components |>
  select(index, season_adjust)

plastics_seasonally_adjusted |> 
  autoplot()+
  ggtitle("Ventas mensuales de producto A en miles desestacionalizados")
Plot variable not specified, automatically selected `.vars = season_adjust`

v

Cambie, manualmente, una observación para que sea un outlier (p. ej., sume 500 a una observación). Vuelva a estimar los datos desestacionalizados. ¿Cuál fue el efecto de ese outlier?

plastics_outlier_tsbl <- plastics_tsbl |> 
  mutate(value = value + 500 * (value == 1349)) #Uso de chat-GPT

plastics_outlier_decomp <- plastics_outlier_tsbl |> 
  model(
    clasica = classical_decomposition(value,
                                      type = "multiplicative")
  )

plastics_outlier_components <- plastics_outlier_decomp |> 
  components()

plastics_outlier_components
# A dable: 60 x 7 [1M]
# Key:     .model [1]
# :        value = trend * seasonal * random
   .model      index value trend seasonal random season_adjust
   <chr>       <mth> <dbl> <dbl>    <dbl>  <dbl>         <dbl>
 1 clasica 0001 ene.   742   NA     0.760 NA              976.
 2 clasica 0001 feb.   697   NA     0.704 NA              990.
 3 clasica 0001 mar.   776   NA     0.769 NA             1009.
 4 clasica 0001 abr.   898   NA     0.902 NA              996.
 5 clasica 0001 may.  1030   NA     1.03  NA              995.
 6 clasica 0001 jun.  1107   NA     1.15  NA              966.
 7 clasica 0001 jul.  1165  977.    1.15   1.03          1011.
 8 clasica 0001 ago.  1216  977.    1.33   0.939          918.
 9 clasica 0001 sep.  1208  977.    1.22   1.01           990.
10 clasica 0001 oct.  1131  978.    1.18   0.981          960.
# ℹ 50 more rows
plastics_outlier_components |> 
  autoplot()
Warning: Removed 6 rows containing missing values (`geom_line()`).

plastics_outlier_seasonally_adjusted <- plastics_outlier_components |>
  select(index, season_adjust)

plastics_outlier_seasonally_adjusted |> 
  autoplot()+
  ggtitle("Ventas mensuales de producto A en miles desestacionalizados con valor atipico")
Plot variable not specified, automatically selected `.vars = season_adjust`

El haber agregado un valor atipico tuvo un efecto en la tendencia. Esta presento un pequeño incremento repentino en su linealidad, el cuál después decrementa, continuando con la tendencia normal. Tuvo un cambio en el patrón de estacionalidad de manera posterior, es decir, con un único dato fue suficiente para afectar al resto de patrones.También se nota este cambio en la gráfica de los datos desestacionalizados, ya que claramente hay una inconsistencia en lugar donde se encuentra el valor atípico. Este llega casi hasta los valores máximos de la serie.

vi

¿Hace alguna diferencia que el outlier se encuentre cerca del final de la serie o más alrededor del centro?

plastics_outlier_tsbl_2 <- plastics_tsbl |> 
  mutate(value = value + 500 * (value == 1420))

plastics_outlier_decomp_2 <- plastics_outlier_tsbl_2 |> 
  model(
    clasica = classical_decomposition(value,
                                      type = "multiplicative")
  )

plastics_outlier_components_2 <- plastics_outlier_decomp_2 |> 
  components()

plastics_outlier_components_2
# A dable: 60 x 7 [1M]
# Key:     .model [1]
# :        value = trend * seasonal * random
   .model      index value trend seasonal random season_adjust
   <chr>       <mth> <dbl> <dbl>    <dbl>  <dbl>         <dbl>
 1 clasica 0001 ene.   742   NA     0.768 NA              966.
 2 clasica 0001 feb.   697   NA     0.712 NA              980.
 3 clasica 0001 mar.   776   NA     0.778 NA              998.
 4 clasica 0001 abr.   898   NA     0.908 NA              989.
 5 clasica 0001 may.  1030   NA     1.04  NA              992.
 6 clasica 0001 jun.  1107   NA     1.15  NA              963.
 7 clasica 0001 jul.  1165  977.    1.17   1.02           999.
 8 clasica 0001 ago.  1216  977.    1.23   1.01           991.
 9 clasica 0001 sep.  1208  977.    1.23   1.00           979.
10 clasica 0001 oct.  1131  978.    1.19   0.971          950.
# ℹ 50 more rows
plastics_outlier_components_2 |> 
  autoplot()
Warning: Removed 6 rows containing missing values (`geom_line()`).

plastics_outlier_seasonally_adjusted_2 <- plastics_outlier_components_2 |>
  select(index, season_adjust)

plastics_outlier_seasonally_adjusted_2 |> 
  autoplot()+
  ggtitle("Ventas mensuales de producto A en miles desestacionalizados con valor atipico")
Plot variable not specified, automatically selected `.vars = season_adjust`

Si el dato atípico se encuentra al final de la serie en lugar de al principio, no hay un cambio considerable en la tendencia. Por la forma de calcular la tendencia si un dato atipico se encentra al final o principio de la serie, no tiene un efecto tan grande como si el dato estuvira por la mitad.