Laboratorio 7

7.1. Ejemplo1

uu = "https://raw.githubusercontent.com/vmoprojs/DataLectures/master/CAEMP.DAT"
datos = read.csv(url(uu),sep=",",header=T)
d2s = ts(datos,st=1962,fr=4)
plot(d2s)

interpretacion Esta serie no es estacionaria, por que no tiene tendencia

7.1.1 Estacionaridad

acf(d2s)

library(tseries)

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

adf.test(d2s)

## 
##  Augmented Dickey-Fuller Test
## 
## data:  d2s
## Dickey-Fuller = -2.6391, Lag order = 5, p-value = 0.3106
## alternative hypothesis: stationary

basada en la prueba de Dickey Fuller la serie no es estacionario ademas la funcion de autocorrelacion muestar un decenso suabe en los 12 primeros rezagos.

d2sd=diff(d2s)
acf(d2sd)

adf.test(d2sd)

## Warning in adf.test(d2sd): p-value smaller than printed p-value

## 
##  Augmented Dickey-Fuller Test
## 
## data:  d2sd
## Dickey-Fuller = -4.0972, Lag order = 5, p-value = 0.01
## alternative hypothesis: stationary

el p-valor de la prueba de Dickey Fuller me endica que la serie es estacionario, por es monor que alfa=0.05

7.1.3 Modelo ARIMA

acf(d2sd)

pacf(d2sd)

m1=arima(d2s,order = c(0,1,2))
m1$aic

## [1] 488.5535

m2=arima(d2s,order = c(1,1,0))
m2$aic

## [1] 485.4119

m3=arima(d2s,order = c(1,1,2))
m3$aic

## [1] 489.1799

De los 3 modelos presentes se escoje el valor mas bajo del indicador de AIC en esye caso el modelo 2(AIC=485.41)

7.1.4. Pronostico

d2sp=predict(m2,3)
d2sp

## $pred
##          Qtr1     Qtr2     Qtr3
## 1996 92.17202 92.24426 92.27748
## 
## $se
##          Qtr1     Qtr2     Qtr3
## 1996 1.437907 2.544385 3.499883

7.1.5. Exportacion de datos

start(d2s)

## [1] 1962    1

end(d2s)

## [1] 1995    4

start(d2sp)

## [1] 1 1

end(d2sp)

## [1] 2 1

inicio=1962.
final=1996.5
fecha=seq(inicio,final,by=0.25)
length(fecha)

## [1] 139

desempleo=c(d2s,d2sp)
length(desempleo)

## [1] 138

data=c(rep("real",136),rep("pronostico",3))
length(data)

## [1] 139

#datosd=data.frame((fecha,desempleo,data))