Instale estas librerías
install.packages(“forecast”) install.packages(“TSA”) install.packages(“tseries”) install.packages(“urca”) install.packages(“seasonal”)
library(seasonal)
## Warning: package 'seasonal' was built under R version 4.3.3
library(forecast)
## Warning: package 'forecast' was built under R version 4.3.3
## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoo
library(tseries)
## Warning: package 'tseries' was built under R version 4.3.3
library(TSA)
## Warning: package 'TSA' was built under R version 4.3.3
## Registered S3 methods overwritten by 'TSA':
## method from
## fitted.Arima forecast
## plot.Arima forecast
##
## Attaching package: 'TSA'
## The following objects are masked from 'package:stats':
##
## acf, arima
## The following object is masked from 'package:utils':
##
## tar
library(urca)
## Warning: package 'urca' was built under R version 4.3.3
library(ggplot2)
## Warning: package 'ggplot2' was built under R version 4.3.2
library(dplyr)
## Warning: package 'dplyr' was built under R version 4.3.2
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(stats)
library(seasonal)
Importar datos
library(readxl)
## Warning: package 'readxl' was built under R version 4.3.2
remesas_torreon <- read_excel("C:/DATA/MI_DISCO/matriz_2023/1_UADEC/TERCER_SEMESTRE/CIENCIA_DATOS/r_markdown/remesas_torreon.xlsx")
View(remesas_torreon)
## Dar forma a la serie
remesas_ts=ts(remesas_torreon$`Remittance Amount`,freq=4,start=c(2013,1))
plot(remesas_ts, xlab= "Tiempo", ylab = "Remesas en usd", main = "Tendencia de las Remesas")
descomp = decompose(remesas_ts)
plot(descomp)
par(mfrow = c(2, 2))
plot(descomp$x, main = "Original", col = "black")
plot(descomp$trend, main = "Tendencia", col = "green")
plot(descomp$seasonal, main = "Estacionalidad", col = "red")
plot(descomp$random, main = "Irregular", col = "blue")
Se debe realizar un análisis de estacionalidad, dado que el modelo a estimar puede ser un SARIMA
###Estacionalidad
remesa_estacion =seasadj(descomp)
par(mfrow = c(1, 1))
plot(remesas_ts)
lines(remesa_estacion, col = "red")
Para modelar la serie se debe analizar que esta sea ruido blanco o estacionaria:
##Análisis de estacionariedad
#Prueba de Dickey- Fuller aumentada
test1 = adf.test(remesas_ts)
## Warning in adf.test(remesas_ts): p-value greater than printed p-value
print(test1)
##
## Augmented Dickey-Fuller Test
##
## data: remesas_ts
## Dickey-Fuller = 0.13811, Lag order = 3, p-value = 0.99
## alternative hypothesis: stationary
## Se debe diferencias la serie
primera_diferencia = diff(remesas_ts)
Prueba de Dickey- Fuller aumentada para la primera diferencia
test2 = adf.test(primera_diferencia)
print(test2)
##
## Augmented Dickey-Fuller Test
##
## data: primera_diferencia
## Dickey-Fuller = -3.1094, Lag order = 3, p-value = 0.1363
## alternative hypothesis: stationary
plot(primera_diferencia)
segunda_diferencia = diff(remesas_ts, differences = 2)
plot(segunda_diferencia)
test3 = adf.test(segunda_diferencia)
## Warning in adf.test(segunda_diferencia): p-value smaller than printed p-value
print(test3)
##
## Augmented Dickey-Fuller Test
##
## data: segunda_diferencia
## Dickey-Fuller = -6.2505, Lag order = 3, p-value = 0.01
## alternative hypothesis: stationary
Podemos elegir cualquiera de las dos diferencias. Analicemos la primera:
##1 . Análisis de los correlogramas
"El valor de q se observa en el correlograma total"
## [1] "El valor de q se observa en el correlograma total"
acf(segunda_diferencia)
"El valor de p se observa en el correlograma parcial"
## [1] "El valor de p se observa en el correlograma parcial"
pacf(segunda_diferencia)
El modelo es un ARIMA el cual podría tener una estructura del tipo (1,2,1). Sin embargo, no se ha usado la serie con estacionalidad. Ojo, en los correlogramas (pacf) se puede observar una potencial estacionalidad. ¿En qué momentos se puede percibir un incremento de las remesas?
Podemos ver que el código auto.arima puede otorgar rápidamente los valores de la estructura del ARIMA que debemos usar. Llamaremos al modelo final “seleccion”:
seleccion = auto.arima(remesas_ts)
summary(seleccion)
## Series: remesas_ts
## ARIMA(0,1,0)(0,1,1)[4]
##
## Coefficients:
## sma1
## -0.6220
## s.e. 0.1561
##
## sigma^2 = 1.232e+13: log likelihood = -627.1
## AIC=1258.19 AICc=1258.53 BIC=1261.47
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set 465330.3 3256085 2406804 0.8735814 6.002355 0.4231948 -0.1927625
¡El modelo es un ARIMA estacional! Ahora debemos observar si los residuos del modelo se comportan como Ruido Blanco
#Análisis de correlación entre los residuos
Box.test(seleccion$residuals, lag = 12, type = "Ljung-Box")
##
## Box-Ljung test
##
## data: seleccion$residuals
## X-squared = 7.0571, df = 12, p-value = 0.8538
# Los residuos no están correlacionados.
#Análisis de normalidad de los residuos
shapiro.test(seleccion$residuals)
##
## Shapiro-Wilk normality test
##
## data: seleccion$residuals
## W = 0.97562, p-value = 0.4842
# Los residuos se distribuyen como una normal.
hist(seleccion$residuals)
Ahora se puede pronosticar.
forecast_2=forecast(seleccion,level= c(95), h=2)
plot(forecast_2)
print(forecast_2)
## Point Forecast Lo 95 Hi 95
## 2023 Q4 76836067 69956087 83716046
## 2024 Q1 69880632 60150872 79610392
forecast_8=forecast(seleccion,level= c(95), h=8)
plot(forecast_8)
print(forecast_8)
## Point Forecast Lo 95 Hi 95
## 2023 Q4 76836067 69956087 83716046
## 2024 Q1 69880632 60150872 79610392
## 2024 Q2 76907487 64991069 88823904
## 2024 Q3 80424908 66665046 94184769
## 2024 Q4 84149769 67439806 100859732
## 2025 Q1 77194335 57982049 96406620
## 2025 Q2 84221189 62796974 105645404
## 2025 Q3 87738610 64310378 111166842
#################################################