1 Cargar paquetes necesarios
2 Cargar datos
df <- read.csv("DATA/Sample - Superstore.csv")
head(df)
## Row.ID Order.ID Order.Date Ship.Date Ship.Mode Customer.ID
## 1 1 CA-2016-152156 11/8/2016 11/11/2016 Second Class CG-12520
## 2 2 CA-2016-152156 11/8/2016 11/11/2016 Second Class CG-12520
## 3 3 CA-2016-138688 6/12/2016 6/16/2016 Second Class DV-13045
## 4 4 US-2015-108966 10/11/2015 10/18/2015 Standard Class SO-20335
## 5 5 US-2015-108966 10/11/2015 10/18/2015 Standard Class SO-20335
## 6 6 CA-2014-115812 6/9/2014 6/14/2014 Standard Class BH-11710
## Customer.Name Segment Country City State
## 1 Claire Gute Consumer United States Henderson Kentucky
## 2 Claire Gute Consumer United States Henderson Kentucky
## 3 Darrin Van Huff Corporate United States Los Angeles California
## 4 Sean O'Donnell Consumer United States Fort Lauderdale Florida
## 5 Sean O'Donnell Consumer United States Fort Lauderdale Florida
## 6 Brosina Hoffman Consumer United States Los Angeles California
## Postal.Code Region Product.ID Category Sub.Category
## 1 42420 South FUR-BO-10001798 Furniture Bookcases
## 2 42420 South FUR-CH-10000454 Furniture Chairs
## 3 90036 West OFF-LA-10000240 Office Supplies Labels
## 4 33311 South FUR-TA-10000577 Furniture Tables
## 5 33311 South OFF-ST-10000760 Office Supplies Storage
## 6 90032 West FUR-FU-10001487 Furniture Furnishings
## Product.Name Sales
## 1 Bush Somerset Collection Bookcase 261.9600
## 2 Hon Deluxe Fabric Upholstered Stacking Chairs, Rounded Back 731.9400
## 3 Self-Adhesive Address Labels for Typewriters by Universal 14.6200
## 4 Bretford CR4500 Series Slim Rectangular Table 957.5775
## 5 Eldon Fold 'N Roll Cart System 22.3680
## 6 Eldon Expressions Wood and Plastic Desk Accessories, Cherry Wood 48.8600
## Quantity Discount Profit
## 1 2 0.00 41.9136
## 2 3 0.00 219.5820
## 3 2 0.00 6.8714
## 4 5 0.45 -383.0310
## 5 2 0.20 2.5164
## 6 7 0.00 14.1694
3 Construcción de variables
# La predicción que vamos hacer considera valores corrientes
df_mod <- df %>% # Llama la base de datos
filter(State == "Michigan") %>%
select(Order.Date, Sales) %>% # Selecciona dos columnas Order.Date y sales
mutate(Order.Date = mdy(Order.Date)) %>% # Cambio formato a fecha
mutate(Fecha = floor_date(Order.Date, unit = "month")) %>% # Asigna las fechas a primero de mes
group_by(Fecha) %>%
summarise(Ventas = sum(Sales)) %>%
mutate(Mes = seq_along(Fecha)) # Crear variable x para facilitar la regresión
head(df_mod)
## # A tibble: 6 × 3
## Fecha Ventas Mes
## <date> <dbl> <int>
## 1 2014-01-01 949. 1
## 2 2014-03-01 22.4 2
## 3 2014-04-01 855. 3
## 4 2014-05-01 104. 4
## 5 2014-06-01 930. 5
## 6 2014-08-01 1129. 6
4 Visualización del objetivo
df_mod %>%
ggplot(., aes(x=Mes, y=Ventas)) +
geom_point() +
geom_line() +
geom_smooth(method = "lm", formula = "y ~ x")
5 Graficas e caja y bigotes
# Esta grafica les sirve para detectar valores atípico
df_mod %>%
ggplot(., aes(x=Ventas)) +
geom_boxplot()
6 Analísis de normalidad
# Revisar que la variable y tenga una distribución más o menos normal
df_mod %>%
ggplot(., aes(x = Ventas)) +
geom_histogram(bins = 30, aes(y=..density..)) +
geom_density()
## Warning: The dot-dot notation (`..density..`) was deprecated in ggplot2 3.4.0.
## ℹ Please use `after_stat(density)` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
7 Análisis de correlación
# Calculamos el coeficiente de correlación de person
with(df_mod, cor.test(Mes, Ventas))
##
## Pearson's product-moment correlation
##
## data: Mes and Ventas
## t = 2.0954, df = 38, p-value = 0.04285
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.01147432 0.57563310
## sample estimates:
## cor
## 0.3218333
# La corelación va de -1 a 1
# Valores extremos indican correlación más fuerte
# Puede ser porsitiva(Suben o bajan juntas)
# o negativa (si una suba la otra baja y vicversa)
8 Modelo de regresión
modelo_lineal <- lm(Ventas ~ Mes, data = df_mod)
stargazer(modelo_lineal, type = "text")
##
## ===============================================
## Dependent variable:
## ---------------------------
## Ventas
## -----------------------------------------------
## Mes 72.425**
## (34.564)
##
## Constant 422.025
## (813.171)
##
## -----------------------------------------------
## Observations 40
## R2 0.104
## Adjusted R2 0.080
## Residual Std. Error 2,523.404 (df = 38)
## F Statistic 4.391** (df = 1; 38)
## ===============================================
## Note: *p<0.1; **p<0.05; ***p<0.01
# El modelo que buscamos estimar es: y = a + bx
# En este caso
# Constant = a
# Pendienten = b
# Mes = x
9 Coeficientes del modelo
# Obtener los coeficientes del modelo, es decir a y b
Coeficientes <- coef(modelo_lineal)
intercepto <- Coeficientes ["(Intercept)"]
pendiente <- Coeficientes["Mes"]
# Crear el texto de la ecuación
ecuacion <- paste0("y = ",
round(intercepto, 2),
" + ",
round(pendiente, 2),
"x")
ecuacion
## [1] "y = 422.02 + 72.43x"
10 Generacion de predicción
# Vamos a extender la serie temporal 6 meses
df_futuro <- data.frame(Fecha = seq.Date(from = max(df_mod$Fecha) + months(1),
by = "month",
length.out = 6),
Mes =seq(from = 49, to = 54, by = 1))
# Generara las predicciones para 6 con intervalos de confianza
predicciones <- predict(modelo_lineal,
newdata = df_futuro,
interval = "confidence")
predicciones
## fit lwr upr
## 1 3970.857 1819.319 6122.395
## 2 4043.282 1826.735 6259.829
## 3 4115.707 1833.858 6397.556
## 4 4188.132 1840.712 6535.553
## 5 4260.557 1847.318 6673.797
## 6 4332.983 1853.697 6812.268
11 Juntar datos
# Convertir predicciones a un data frame
df_predicciones <- as.data.frame(predicciones)
colnames(df_predicciones) <- c("Ventas", "Bajo", "Alto")
# Unir las predicciones con las fechas
df_futuro <- cbind(df_futuro, df_predicciones) # Unir por columnas
# Unir con la base de datos original
df_total <- bind_rows(df_mod, df_futuro)
tail(df_total, 7)
## # A tibble: 7 × 5
## Fecha Ventas Mes Bajo Alto
## <date> <dbl> <dbl> <dbl> <dbl>
## 1 2017-12-01 4040. 40 NA NA
## 2 2018-01-01 3971. 49 1819. 6122.
## 3 2018-02-01 4043. 50 1827. 6260.
## 4 2018-03-01 4116. 51 1834. 6398.
## 5 2018-04-01 4188. 52 1841. 6536.
## 6 2018-05-01 4261. 53 1847. 6674.
## 7 2018-06-01 4333. 54 1854. 6812.
12 visualización
df_total %>%
ggplot(., aes(x = Fecha, y = Ventas)) +
geom_point(data = df_mod) +
geom_line(data = df_mod) +
geom_smooth(method = "lm", formula = "y ~ x", color = "blue", data = df_mod) +
geom_ribbon(data = df_futuro, aes(ymin = Bajo, ymax = Alto),
fill = "lightblue") +
geom_point(data = df_futuro, aes(y = Ventas), color = "red") + # Valores predichos
geom_line(data = df_futuro, aes(y = Ventas, color = "red", linetype = "dashed")) +
labs(title = " predicción de ventas enero-junio 2018",
x = "Mes",
y = "Ventas")
