5. Métodos de Suavización
FRANCO
2024-11-18
5. Métodos de Suavización
##
## Adjuntando el paquete: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric## Warning: package 'quantmod' was built under R version 4.4.2## Cargando paquete requerido: xts## Warning: package 'xts' was built under R version 4.4.2## Cargando paquete requerido: TTR## Warning: package 'TTR' was built under R version 4.4.2## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoo##
## ######################### Warning from 'xts' package ##########################
## # #
## # The dplyr lag() function breaks how base R's lag() function is supposed to #
## # work, which breaks lag(my_xts). Calls to lag(my_xts) that you type or #
## # source() into this session won't work correctly. #
## # #
## # Use stats::lag() to make sure you're not using dplyr::lag(), or you can add #
## # conflictRules('dplyr', exclude = 'lag') to your .Rprofile to stop #
## # dplyr from breaking base R's lag() function. #
## # #
## # Code in packages is not affected. It's protected by R's namespace mechanism #
## # Set `options(xts.warn_dplyr_breaks_lag = FALSE)` to suppress this warning. #
## # #
## #################################################################################
## Adjuntando el paquete: 'dplyr'## The following objects are masked from 'package:xts':
##
## first, last## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union## Warning: package 'ggplot2' was built under R version 4.4.1## Warning: package 'forecast' was built under R version 4.4.2## Warning: package 'lubridate' was built under R version 4.4.2##
## Adjuntando el paquete: 'lubridate'## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, union## Warning: ^MXX contains missing values. Some functions will not work if objects
## contain missing values in the middle of the series. Consider using na.omit(),
## na.approx(), na.fill(), etc to remove or replace them.## [1] "MXX"## Jan Feb Mar Apr May
## 2010 -0.0722535466 0.0245456895 0.0472621570 -0.0285765829 -0.0025566448
## 2011 -0.0420548847 -0.0159072978 0.0182881917 -0.0215075501 -0.0207643108
## 2012 NA 0.0028386096 0.0391179105 -0.0112141179 -0.0435501246
## 2013 0.0219818287 -0.0359963823 0.0018495230 -0.0379909707 -0.0119194884
## 2014 -0.0310203206 -0.0324962461 0.0500010441 0.0059685398 0.0096310044
## 2015 -0.0276594482 0.0629731211 -0.0035989045 0.0085842527 -0.0118228506
## 2016 0.0360232024 0.0144443134 0.0376930221 -0.0060385302 -0.0054349912
## 2017 0.0285798037 -0.0032487607 0.0226175639 0.0090591199 -0.0161406970
## 2018 0.0084387234 -0.0623274792 -0.0309787442 0.0552412199 -0.0658320639
## 2019 0.0406140160 -0.0209075701 0.0155340858 0.0211865836 -0.0352783529
## 2020 -0.0074019436 -0.0826415945 -0.1805360593 0.0824599446 -0.0068104562
## 2021 -0.0384150847 0.0169670826 0.0549672163 -0.0048943651 0.0492242373
## 2022 -0.0304142309 0.0312447667 0.0633427515 -0.0917084011 -0.0026005797
## 2023 0.1137102067 -0.0410922637 0.0080514531 0.0227263470 -0.0442767891
## 2024 0.0068851750 -0.0417457782 0.0329998710 -0.0160485370 -0.0264271425
## Jun Jul Aug Sep Oct
## 2010 -0.0028438795 0.0356348296 -0.0346371260 0.0306472776 0.0520813221
## 2011 0.0324072864 -0.0217761754 -0.0002689388 -0.0598963620 0.0913297650
## 2012 0.0811454353 0.0066668045 -0.0339109543 0.0250307349 0.0120463869
## 2013 -0.0114739407 -0.0082308938 -0.0566454262 0.0014002679 -0.0071759806
## 2014 0.0190873562 0.0220384646 0.0373295227 -0.0099559513 0.0149342765
## 2015 0.0065593608 -0.0039082045 -0.0263225908 -0.0065011146 0.0432601358
## 2016 0.0089749860 0.0096812528 0.0156830879 -0.0066761305 0.0085574590
## 2017 0.0153935316 0.0180148886 0.0003021535 -0.0143849005 -0.0371403132
## 2018 0.0588734587 0.0652575029 0.0019866409 0.0003168351 -0.1183536143
## 2019 0.0012236588 -0.0592829852 0.0564034614 0.0214456664 0.0093187601
## 2020 0.0198907838 -0.0159514492 -0.0188029289 -0.0007815003 0.0098768339
## 2021 -0.0085288152 0.0097550619 0.0478726692 -0.0158954268 0.0048920645
## 2022 -0.0773053187 0.0084028746 -0.0520283383 -0.0166810607 0.0988900617
## 2023 0.0152126136 0.0077197823 -0.0219447887 -0.0427201722 -0.0428887295
## 2024 0.0122080419 0.0047816210 0.0094628648 -0.0003062886 -0.0079566041
## Nov Dec
## 2010 0.0306418339 0.0259025019
## 2011 0.0304001116 0.0139437705
## 2012 0.0026695396 0.0326527150
## 2013 0.0345553318 0.0194660119
## 2014 -0.0220050506 -0.0056786909
## 2015 -0.0426867285 -0.0229032798
## 2016 -0.0420128679 0.0168885248
## 2017 -0.0256961201 0.0441997174
## 2018 -0.0817229063 -0.0104917545
## 2019 -0.0226949969 0.0234316381
## 2020 0.1151115921 0.0273046469
## 2021 -0.0378396814 0.0652962744
## 2022 0.0161213055 -0.0581778837
## 2023 0.0858075363 0.0646517232
## 2024##Suavización de promedios móviles simple.
##Suavización de promedios móviles ponderado
Esto asigna más peso a los valores recientes, manteniendo una influencia
menor de los valores antiguos.
##Suavización de promedios móviles simples centrados (PSC)
##Suavización exponencial simple
## Warning in ets(x, "ANN", alpha = alpha, opt.crit = "mse", lambda = lambda, :
## Missing values encountered. Using longest contiguous portion of time series
## Warning in ets(x, "ANN", alpha = alpha, opt.crit = "mse", lambda = lambda, :
## Missing values encountered. Using longest contiguous portion of time series
## Warning in ets(x, "ANN", alpha = alpha, opt.crit = "mse", lambda = lambda, :
## Missing values encountered. Using longest contiguous portion of time series
###¿Cuál
es el papel de \(\alpha\) en la
estimación de valores pronostico? El parámetro \(\alpha\) determina cuánto peso se le da a
los valores recientes: valores más bajos de \(\alpha\) suavizan más, mientras que valores
altos de \(\alpha\) responden
rápidamente a cambios recientes. ##Suavización Holt
## Warning in ets(x, "AAN", alpha = alpha, beta = beta, phi = phi, damped =
## damped, : Missing values encountered. Using longest contiguous portion of time
## series
## Warning in ets(x, "AAN", alpha = alpha, beta = beta, phi = phi, damped =
## damped, : Missing values encountered. Using longest contiguous portion of time
## series
###¿Cuál es el papel de \(\beta\) en la
estimación de valores pronostico? El parámetro \(\beta\) en la suavización de Holt controla
el ajuste a la tendencia. Valores bajos de \(\beta\) suavizan la tendencia, mientras que
valores altos responden más rápidamente a cambios en la pendiente.
##Suavización Holt Winters
###Si usted esta interesado en describir su tendencia (no proyectar), argumente, ¿cuál método le podría ayudar más a esta tarea? El promedio móvil simple centrado (PSC) es útil para analizar la tendencia histórica eliminando fluctuaciones de corto plazo. ###Si usted esta interesado en encontrar un modelo que sea capaz de replicar en la mayor posible a su serie de tiempo (sin proyectar), argumente, ¿cuál método le podría ayudar más a esta tarea? El promedio móvil ponderado (PMP) de alto orden permite un ajuste a variaciones históricas, replicando bien la serie sin pronóstico. ###Si usted esta interesado en describir proyectar su tendencia, argumente, ¿cuál método le podría ayudar más a esta tarea? La suavización de Holt es útil, ya que captura la tendencia sin estacionalidad, ofreciendo una buena proyección a corto plazo. ###Si usted esta interesado en describir proyectar y dar valores a futuros, ¿cuál método sería más convieniente? Holt-Winters es el más conveniente, pues incorpora tanto tendencia como estacionalidad. ###Con el método seleccionado anteriormente proyecte dos años de información. Traten de parametrizar para que el resultado sea congruente.
