Señales

Cargar datos

install.packages("readxl")

## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.3'
## (as 'lib' is unspecified)

library(readxl)
datos <- read_excel("Ejemplo señales EVIEWS.xlsx")

## New names:
## • `` -> `...1`

Declarar la base de datos en serie de tiempo

ocup<-ts(datos$OCUP_HOTEL_C, frequency=12, start=c(2012,1))
ipir<-ts(datos$IPIR_V, frequency=12, start=c(2012,1))

Instalar y cargar librerias necesarias para el proceso

install.packages("forecast")

## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.3'
## (as 'lib' is unspecified)

library(forecast)

## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo

install.packages("tseries")

## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.3'
## (as 'lib' is unspecified)

library(tseries)
install.packages("TSA")

## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.3'
## (as 'lib' is unspecified)

library(TSA)

## 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

install.packages("urca")

## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.3'
## (as 'lib' is unspecified)

library(urca)
install.packages("ggplot2")

## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.3'
## (as 'lib' is unspecified)

library(ggplot2)
install.packages("dplyr")

## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.3'
## (as 'lib' is unspecified)

library(dplyr)

## 
## 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

install.packages("stats")

## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.3'
## (as 'lib' is unspecified)

## Warning: package 'stats' is a base package, and should not be updated

library(stats)
install.packages("seasonal")

## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.3'
## (as 'lib' is unspecified)

library(seasonal)

Graficar las series de tiempo y análisis exploratorio general de la serie

Las variables de análisis son la ocupación hotelera en Colombia y el Índice de producción Industrial para Colombia (IPIR). Son datos en frecuencia mensual, disponibles desde enero 2012 hasta diciembre 2023.

De acuerdo a la figura 1 y 2, se puede apreciar que tanto la ocupación hotelera como la industria nacional en los tres últimos años se vieron fuertemente afectados por dos choques sin precedentes: la pandemia del Covid-19 y el paro nacional. Principalmente se ve un mayor efecto de la pandemia sobre la ocupación hotelera en abril de 2020 y en cuanto la producción nacional esta se vio mayormente afectada por el paro nacional en mayo de 2021.

autoplot(ocup,frequency=12,xlab="Años",ylab="IPC",main="Figura 1. Ocupación hotelera en Colombia")

## Warning in ggplot2::geom_line(na.rm = TRUE, ...): Ignoring unknown parameters:
## `frequency`

autoplot(ipir,frequency=12,xlab="Años",ylab="IPIR",main="Figura 2. Indice de Produccion Industrial")

## Warning in ggplot2::geom_line(na.rm = TRUE, ...): Ignoring unknown parameters:
## `frequency`

Extracción de señales

Al analizar la tendencia de la ocupación hotelera durante el periodo comprendido entre 2012 y 2020, se observa un comportamiento generalmente estable. Sin embargo, en 2020 se registró una marcada disminución, atribuida a las medidas de confinamiento implementadas debido a la pandemia de COVID-19. Posteriormente, se ha evidenciado una notable recuperación progresiva de la ocupación hotelera hasta el año 2022. No obstante, en 2023 se registró nuevamente una disminución, según se desprende de la tendencia graficada.

Al examinar la estacionalidad de la ocupación hotelera, se identifica un patrón consistente en aumentos periódicos hacia finales de año, especialmente asociados con la temporada navideña, así como incrementos más moderados en la primera mitad del año, coincidiendo con la Semana Santa. A lo largo del periodo estudiado, se observan eventos irregulares que generan fluctuaciones en la ocupación, destacando especialmente la marcada caída ocasionada por la pandemia en el año 2020.

ocup_decomp<- decompose(ocup)
ipir_decomp <- decompose(ipir)

par(mfrow = c(2, 2)) 
plot(ocup_decomp$x, main = "Ocupación hotelera original", col = "black", ylab = "Serie de tiempo")
plot(ocup_decomp$trend, main = "Tendencia", col = "blue", ylab = "Valores")
plot(ocup_decomp$seasonal, main = "Estacionalidad", col = "red", ylab = "Valores")
plot(ocup_decomp$random, main = "Irregularidad", col = "green", ylab = "Valores")

par(mfrow = c(2, 2))
plot(ipir_decomp$x, main = "IPIR-Original", col = "black", ylab = "Serie de tiempo")
plot(ipir_decomp$trend, main = "Tendencia", col = "blue", ylab = "Valores")
plot(ipir_decomp$seasonal, main = "Estacionalidad", col = "red", ylab = "Valores")
plot(ipir_decomp$random, main = "Irregularidad", col = "green", ylab = "Valores")