── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ lubridate::interval() masks tsibble::interval()
✖ dplyr::lag() masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(tsibbledata)library(fpp3)library(plotly)
Attaching package: 'plotly'
The following object is masked from 'package:ggplot2':
last_plot
The following object is masked from 'package:stats':
filter
The following object is masked from 'package:graphics':
layout
Vemos que la serie tiene seasonalidad y tendencia, por lo que podemos concordar en que no es estacionaria.
#Creamos nuestro traintrain <- aus_retail |>filter(Industry =="Takeaway food services", State =="Queensland") |>filter_index("1982 Apr"~"2018 Jan")#Fiteamos los modelosaus_fit <- train |>model(Mean =MEAN(Turnover),`Naïve`=NAIVE(Turnover),`Seasonal naïve`=SNAIVE(Turnover),Drift =RW(Turnover ~drift()),`ETS_auto`=(ETS(Turnover ~error("A") +trend("A") +season("A"))) )#Creamos pronostico a 3 añosaus_fc <- aus_fit |>forecast(h=36)#Ploteamos aus_fc |>autoplot(train, level =NULL) +xlab("Year") +ylab("") +ggtitle("pronostico de venta de comida en queensland") +guides(colour=guide_legend(title="Forecast"))
takeaway_ts |>autoplot(Turnover)
Vemos que el modelo que mas se acerca a modelar la realidad es el de ets, seguido del seasonal naive
accuracy(aus_fc, takeaway_food_services)
Warning: The future dataset is incomplete, incomplete out-of-sample data will be treated as missing.
25 observations are missing between 2019 ene. and 2021 ene.
# A tibble: 5 × 12
.model State Industry .type ME RMSE MAE MPE MAPE MASE RMSSE
<chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 Drift Quee… Takeawa… Test -2.99 21.1 15.8 -1.44 5.16 1.24 1.23
2 ETS_auto Quee… Takeawa… Test -11.6 15.2 12.7 -3.86 4.16 0.995 0.889
3 Mean Quee… Takeawa… Test 154. 155. 154. 48.7 48.7 12.0 9.08
4 Naïve Quee… Takeawa… Test 1.01 22.6 18.0 -0.201 5.79 1.41 1.32
5 Seasonal … Quee… Takeawa… Test 5.01 8.87 6.90 1.50 2.14 0.540 0.518
# ℹ 1 more variable: ACF1 <dbl>
Aunque nuestro modelo ETS_auto da mejor acercamiento en la grafica, las metricas salen un poco mejores en el Seasonal Naive.
Vamos a aplicar un modelo de descomposición STL para modelar la serie en dos componentes, uno para la componente estacional y otro para la serie desestacionalizada, usando una suavización exponencial simple.
Warning: The future dataset is incomplete, incomplete out-of-sample data will be treated as missing.
10 observations are missing between 2019 ene. and 2019 oct.
# A tibble: 4 × 12
.model State Industry .type ME RMSE MAE MPE MAPE MASE RMSSE
<chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 Descomposic… Quee… Takeawa… Test -2.78 9.13 7.88 -1.05 2.55 0.617 0.533
2 Descomposic… Quee… Takeawa… Test 0.784 9.77 7.87 0.0609 2.50 0.616 0.571
3 Seasonal na… Quee… Takeawa… Test 5.01 8.87 6.90 1.50 2.14 0.540 0.518
4 ETS automát… Quee… Takeawa… Test 10.2 15.6 12.7 3.03 3.88 0.992 0.908
# ℹ 1 more variable: ACF1 <dbl>
Encontramos que ahora los modelos con menor MPE y ME (que consideramos mas importantes para este problema), es el de Descomposición + SE, es decir SIN tendencia NI estacionalidad, no los manuales ni el seasonal naive.