Instalar/Cargar librerias necesarias para el análisis
#Cargar librerías necesarias
library(readxl) # Para leer archivos Excel
library(tseries) # Para pruebas de estacionariedad
library(forecast) # Para modelado ARIMA y pronósticos
library(ggplot2) # Para visualización de datos
library(plotly) # Para gráficos interactivos
library(timetk) #timetk simplifica y acelera el análisis exploratorio, visualización, y preparación de datos temporales para modelado. Es ideal para quienes trabajan con series temporales en un flujo de trabajo "tidy" y buscan integrar análisis visuales, detección de patrones y forecasting en un solo paquete.Cargar base de datos
library(readxl)
data_col <- read_excel("Base Caso2.xlsx", col_types = c("date",
"numeric", "numeric", "numeric", "numeric",
"numeric", "numeric", "numeric", "numeric",
"numeric", "numeric", "numeric", "numeric",
"numeric", "numeric", "numeric", "numeric",
"numeric", "numeric", "numeric", "numeric",
"numeric", "numeric", "numeric", "numeric",
"numeric", "numeric", "numeric", "numeric",
"numeric", "numeric", "numeric", "numeric",
"numeric", "numeric", "numeric", "numeric",
"numeric", "numeric", "numeric", "numeric",
"numeric", "numeric", "numeric", "numeric",
"numeric", "numeric", "numeric", "numeric",
"numeric", "numeric", "numeric", "numeric",
"numeric", "numeric", "numeric", "numeric",
"numeric", "numeric", "numeric", "numeric",
"numeric"))PASO INDISPENSABLE: Declarar la (s) variable (s) como serie (s) temporal (es):
Variable 1
# Convertir/declarar variable 1=ENER en serie de tiempo mensual
variable1_ts <- ts(data_col$ENER, start = c(2012, 1), frequency = 12)Variable 2
# Convertir/declarar el ISE en serie de tiempo mensual
variable2_ts <- ts(data_col$ISE, start = c(2012, 1), frequency = 12)Variable 3
# Convertir/declarar las exportaciones de combustibles en serie de tiempo mensual
variable3_ts <- ts(data_col$X_COMB, start = c(2012, 1), frequency = 12)Gráfico inicial de la variable 1 en niveles -Original
library(ggplot2)
library(plotly)
# Convertir la serie temporal a un vector numérico para lograr graficar con ggplot2
data_col$variable1 <- as.numeric(variable1_ts)
# Crear el gráfico
grafico_serie <- ggplot(data_col, aes(x = seq.Date(from = as.Date("2012-01-01"), by = "month", length.out = nrow(data_col)),
y = variable1)) +
geom_line(color = "grey", linewidth = 0.4) + # Cambiado 'size' por 'linewidth'
geom_point(color = "black", size = 0.1) +
ggtitle("Variable 1: Serie original") +
xlab("Tiempo") +
ylab("Unidad Variable 1") +
theme_minimal()
ggplotly(grafico_serie)La serie original de la Variable 1 (ENER) presenta una evolución temporal marcada por una fuerte volatilidad de corto plazo y ciclos estacionales recurrentes, lo que genera un comportamiento errático en los datos brutos. Estos picos y valles sistemáticos responden a patrones de calendario que pueden distorsionar la percepción del crecimiento real, evidenciando que la serie en niveles no es apta para una interpretación directa de la gestión. Por tanto, esta señal original requiere un tratamiento estadístico de desestacionalización para aislar la tendencia subyacente y permitir un diagnóstico preciso de la demanda energética real.
Extracción señales variable 1
# Cargar librerías necesarias
library(ggplot2)
library(plotly)
# Descomposición de la serie temporal
stl_decomp_var1 <- stl(variable1_ts, s.window = "periodic")
# Convertir la descomposición a un data frame para graficar con ggplot2
stl_df_var1 <- data.frame(
Time = rep(time(variable1_ts), 4), # Tiempo repetido para cada componente (son 4 componentes)
Value = c(stl_decomp_var1$time.series[, "seasonal"],
stl_decomp_var1$time.series[, "trend"],
stl_decomp_var1$time.series[, "remainder"],
variable1_ts),
Component = rep(c("Estacional", "Tendencia", "Residuo", "Serie Original"), each = length(variable1_ts))
)
# Crear gráfico con ggplot2
p <- ggplot(stl_df_var1, aes(x = Time, y = Value, color = Component)) +
geom_line() +
facet_wrap(~Component, scales = "free_y", ncol = 1) +
theme_minimal() +
labs(title = "Descomposición temporal de la variable 1",
x = "Tiempo",
y = "Valor")
# Convertir a gráfico interactivo con plotly
ggplotly(p)La descomposición revela una estructura dominada por ciclos estacionales de alta frecuencia, donde el consumo responde a patrones climáticos o de actividad operativa persistentes. Al extraer la tendencia, se observa la dirección real del consumo industrial y residencial a largo plazo, mientras que el componente de residuo pone de manifiesto la sensibilidad del sector eléctrico ante eventos climáticos extremos o fallas en el suministro que no corresponden al comportamiento habitual del mercado.
Extracción señales variable 2
# Cargar librerías necesarias
library(ggplot2)
library(plotly)
# Descomposición de la serie temporal
stl_decomp_var2 <- stl(variable2_ts, s.window = "periodic")
# Convertir la descomposición a un data frame para graficar con ggplot2
stl_df_var2 <- data.frame(
Time = rep(time(variable2_ts), 4), # Tiempo repetido para cada componente
Value = c(stl_decomp_var2$time.series[, "seasonal"],
stl_decomp_var2$time.series[, "trend"],
stl_decomp_var2$time.series[, "remainder"],
variable2_ts),
Component = rep(c("Estacional", "Tendencia", "Residuo", "Serie Original"), each = length(variable2_ts))
)
# Crear gráfico con ggplot2
p <- ggplot(stl_df_var2, aes(x = Time, y = Value, color = Component)) +
geom_line() +
facet_wrap(~Component, scales = "free_y", ncol = 1) +
theme_minimal() +
labs(title = "Descomposición temporal de la variable 2",
x = "Tiempo",
y = "Valor")
# Convertir a gráfico interactivo con plotly
ggplotly(p)El análisis permite separar el crecimiento orgánico de las fluctuaciones temporales causadas por el calendario comercial. La tendencia-ciclo de esta variable es el indicador más crítico para un analista, ya que depura el impacto de picos festivos o bajas estacionales para mostrar la verdadera salud de la actividad económica; simultáneamente, el panel de residuos captura con precisión el impacto de choques externos o crisis sociopolíticas, cuantificando qué tanto se desvió la economía de su senda esperada debido a factores imprevistos.
Extracción señales variable 3
# Cargar librerías necesarias
library(ggplot2)
library(plotly)
# Descomposición de la serie temporal
stl_decomp_var3 <- stl(variable3_ts, s.window = "periodic")
# Convertir la descomposición a un data frame para graficar con ggplot2
stl_df_var3 <- data.frame(
Time = rep(time(variable3_ts), 4), # Tiempo repetido para cada componente
Value = c(stl_decomp_var3$time.series[, "seasonal"],
stl_decomp_var3$time.series[, "trend"],
stl_decomp_var3$time.series[, "remainder"],
variable3_ts),
Component = rep(c("Estacional", "Tendencia", "Residuo", "Serie Original"), each = length(variable3_ts))
)
# Crear gráfico con ggplot2
p <- ggplot(stl_df_var3, aes(x = Time, y = Value, color = Component)) +
geom_line() +
facet_wrap(~Component, scales = "free_y", ncol = 1) +
theme_minimal() +
labs(title = "Descomposición temporal de la variable 3",
x = "Tiempo",
y = "Valor")
# Convertir a gráfico interactivo con plotly
ggplotly(p)La serie original muestra una señal “ruidosa” con picos bruscos que no necesariamente responden a la capacidad productiva instalada, sino a choques de demanda global. Mediante la extracción de señales, se logra aislar la tendencia-ciclo, permitiendo observar si la senda exportadora del país es sostenible en el largo plazo o si el crecimiento reportado es meramente transitorio debido a un aumento coyuntural en los precios del crudo. En el análisis de residuos, esta variable suele registrar las mayores desviaciones, lo que evidencia la vulnerabilidad de la balanza comercial ante eventos externos imprevistos.
Después de la descomposición temporal de cada variable, se extrae la variable ajustada por estacionalidad para graficarla junto con la serie original:
Se crea la variable1 ajustada por estacionalidad
# Extraer los componentes de la descomposición
variable1_sa <- variable1_ts - stl_decomp_var1$time.series[, "seasonal"]Se crea la variable2 ajustada por estacionalidad
# Extraer los componentes de la descomposición
variable2_sa <- variable2_ts - stl_decomp_var2$time.series[, "seasonal"]Se crea la variable3 ajustada por estacionalidad
# Extraer los componentes de la descomposición
variable3_sa <- variable3_ts - stl_decomp_var3$time.series[, "seasonal"]Ahora si se puede graficar las series originales versus la ajustada por estacionalidad
Gráfico serie original VS ajustada Variable 1
# Crear vector de fechas correctamente alineado con la serie
fechas_var1 <- seq.Date(from = as.Date("2012-01-01"), by = "month", length.out = length(variable1_ts))
# Gráfico mejorado con fechas en el eje X
grafico_ajustada_var1 <- ggplot() +
geom_line(aes(x = fechas_var1, y = variable1_ts), color = "grey", size = 0.5, linetype = "solid", name = "Serie Original") +
geom_line(aes(x = fechas_var1, y = variable1_sa), color = "black", size = 0.6, linetype = "solid", name = "Serie Ajustada") +
ggtitle("Variable 1:Serie Original vs Serie Ajustada por Estacionalidad") +
xlab("Tiempo") +
ylab("Unidad de medida variable 1") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) # Rotar etiquetas para mejor visualización
# Convertir a gráfico interactivo
ggplotly(grafico_ajustada_var1)La comparación entre la serie original (gris) y la serie ajustada por estacionalidad (negra) constituye el diagnóstico central del reporte, permitiendo aislar el desempeño económico real de las fluctuaciones convencionales del calendario. Mientras la serie original exhibe la volatilidad típica de los ciclos mensuales, la serie ajustada depura estos efectos para revelar si el crecimiento en un periodo determinado fue superior al promedio histórico o si obedeció meramente a factores estacionales. Este contraste es crítico para identificar quiebres estructurales y evaluar la velocidad de recuperación ante choques externos, proporcionando una métrica de control estratégica que, a diferencia de los datos brutos, fundamenta decisiones de inversión y planeación basadas en la tendencia genuina del mercado y no en variaciones transitorias.
Gráfico serie original VS ajustada Variable 2
# Crear vector de fechas correctamente alineado con la serie
fechas_var2 <- seq.Date(from = as.Date("2012-01-01"), by = "month", length.out = length(variable2_ts))
# Gráfico mejorado con fechas en el eje X
grafico_ajustada_var2 <- ggplot() +
geom_line(aes(x = fechas_var2, y = variable2_ts), color = "grey", size = 0.5, linetype = "solid", name = "Serie Original") +
geom_line(aes(x = fechas_var2, y = variable2_sa), color = "black", size = 0.6, linetype = "solid", name = "Serie Ajustada") +
ggtitle("Variable 2:Serie Original vs Serie Ajustada por Estacionalidad") +
xlab("Tiempo") +
ylab("Unidad de medida variable 2") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) # Rotar etiquetas para mejor visualización
# Convertir a gráfico interactivo
ggplotly(grafico_ajustada_var2)La comparación técnica entre la serie original y la serie ajustada por estacionalidad del Indicador de Seguimiento a la Economía (ISE) constituye la piedra angular para entender la salud macroeconómica del país. Esta distinción no es meramente estética; es la herramienta que permite a los analistas discernir entre el “ruido” estadístico y las señales reales de crecimiento o contracción.
Efectos de composición mensual: La variación en el número de días hábiles o fines de semana entre un año y otro.
Ciclos de consumo estacionales: Como las festividades decembrinas, las temporadas escolares o las vacaciones de mitad de año, que inflan artificialmente las cifras sin que ello implique una mejora en la productividad real.
Para un tomador de decisiones, confiar en la serie bruta puede llevar a diagnósticos erróneos: una caída en un mes de vacaciones podría interpretarse falsamente como una crisis, cuando en realidad la tendencia-ciclo muestra que la economía sigue fortaleciéndose.
Resiliencia y Evaluación de Choques Esta metodología es especialmente crítica en periodos de incertidumbre. La serie ajustada permite cuantificar con precisión la velocidad de recuperación tras eventos disruptivos (como crisis sociales, desastres climáticos o choques en las cadenas de suministro). Al aislar la estacionalidad, podemos observar qué tan rápido la economía regresa a su senda de crecimiento potencial una vez que el impacto externo se disipa.
Conclusión para la Planeación En última instancia, el uso de la Variable 2 ajustada proporciona un marco de control superior. Ofrece una base sólida para la planeación estratégica de largo plazo, permitiendo que el sector público y privado fundamenten sus políticas y presupuestos en la realidad del mercado y no en espejismos transitorios. En un entorno global volátil, esta capacidad de “ver a través del ruido” es lo que separa una gestión reactiva de una visión de futuro basada en datos objetivos