Actividad Integradora

1 Importamos las librerías

library(forecast)
library(plm)
library(dplyr)
library(maps)

2 Cargar datos

datos<-read.csv("historical_state_population_by_year.csv")
colnames(datos)<-c("Estado","Año","Poblacion")

3 Serie de Tiempo

3.1 Construcción del Modelo

Realizaremos un loop para poder hacer la predicción de todos los estados

# Ordenar los datos por año
datos <- datos[order(datos$Año), ]
# Dividir los datos en una lista por estado
panel_list <- split(datos, datos$Estado)
# Inicializar una lista para almacenar los modelos ARIMA
arima_models <- list()

# Iterar sobre cada estado para ajustar un modelo ARIMA y hacer pronósticos
for (state in names(panel_list)) {
  state_data <- panel_list[[state]]
  ts_state <- ts(data = state_data$Poblacion, start = min(state_data$Año), frequency = 1)
  arima_model <- auto.arima(ts_state)
  forecast_values <- forecast(arima_model, h = 60)  # Hacemos pronósticos hasta el año 2070
  clean_state_name <- state
  arima_models[[clean_state_name]] <- list(model = arima_model, forecast = forecast_values)
  
  plot(forecast_values, main = paste("Pronóstico de población en", state))
}

3.2 Exportación de datos predichos

Generamos una dataframe distinto para poder graficar los mapas

# Crear un dataframe vacío para almacenar los pronósticos en forma de panel
forecast_panel <- data.frame(state = character(), year = numeric(), prediction = numeric())

# Iterar sobre los nombres en panel_list
for (state in names(panel_list)) {
  # Acceder al pronóstico correspondiente en arima_models
  forecast <- arima_models[[state]]$forecast
  # Crear un dataframe temporal para el estado actual
  state_forecast <- data.frame(state = rep(state, length(forecast)), year = seq(2020, 2079), prediction = forecast)
  # Agregar el dataframe temporal al dataframe forecast_panel
  forecast_panel <- rbind(forecast_panel, state_forecast)
}

# Seleccionar y renombrar columnas pertinentes
forecast_panel <- forecast_panel %>% select(1:3)
colnames(forecast_panel) <- c("Estado", "Año", "Poblacion")

3.3 Construcción de Mapas

Nuevamente crearemos un loop para la creación de los mapas

# Definir años específicos para el análisis
anios <- c(2030, 2040, 2050, 2060, 2070)

# Iterar sobre los años para generar mapas
for (i in anios) {
  # Filtrar el dataframe de pronósticos para el año actual
  df2 <- forecast_panel %>% filter(Año == i)
  
  # Calcular los cuartiles y asignar colores correspondientes
  df2 <- within(df2, quartile <- as.integer(cut(Poblacion, quantile(Poblacion, probs = 0:4/4), include.lowest = TRUE)))
  df2$col[df2$quartile == 1] <- 'cadetblue2'
  df2$col[df2$quartile == 2] <- 'cadetblue3'
  df2$col[df2$quartile == 3] <- 'cadetblue'
  df2$col[df2$quartile == 4] <- 'cadetblue4'
  
  # Renombrar los estados con códigos a nombres completos
  df2$Estado[df2$Estado == 'TX'] <- 'Texas'
  df2$Estado[df2$Estado == 'ND'] <- 'North Dakota'
  df2$Estado[df2$Estado == 'SD'] <- 'South Dakota'
  df2$Estado[df2$Estado == 'KS'] <- 'Kansas'
  df2$Estado[df2$Estado == 'IA'] <- 'Iowa'
  df2$Estado[df2$Estado == 'VT'] <- 'Vermont'
  df2$Estado[df2$Estado == 'PA'] <- 'Pennsylvania'
  df2$Estado[df2$Estado == 'KY'] <- 'Kentucky'
  df2$Estado[df2$Estado == 'WV'] <- 'West Virginia'
  df2$Estado[df2$Estado == 'VA'] <- 'Virginia'
  df2$Estado[df2$Estado == 'TN'] <- 'Tennessee'
  df2$Estado[df2$Estado == 'NC'] <- 'North Carolina'
  df2$Estado[df2$Estado == 'SC'] <- 'South Carolina'
  df2$Estado[df2$Estado == 'GA'] <- 'Georgia'
  df2$Estado[df2$Estado == 'LA'] <- 'Louisiana'
  
  # Generar mapa con los colores asignados
  map(database = 'state')
  map(database = 'state', regions = df2$state, col = df2$col, fill = TRUE, add = TRUE)
  title(paste("Mapa del año", i))
}