EXPORTACIONES

Extracción de señales

Variable en niveles -Original

Extracción señales

Serie original VS ajustada por estacionalidad

Tendencia

## [1] 156
## [1] 156
## [1] 156

Gráfico variable original y tendencia (tasa de crecimiento anual)

IMPORTACIONES

Extracción de señales

Variable en niveles -Original

Extracción señales

Serie original VS ajustada por estacionalidad

Tendencia

## [1] 156
## [1] 156
## [1] 156

Gráfico variable original y tendencia (tasa de crecimiento anual)

TASA REPRESENTATIVA DEL MERCADO

Extracción de señales

Variable en niveles -Original

Extracción señales

Serie original VS ajustada por estacionalidad

Tendencia

## [1] 156
## [1] 156
## [1] 156

Gráfico variable original y tendencia (tasa de crecimiento anual)

Modelo ARIMA

## [1] 2012    1
## [1] 2025    9
## [1] 2025   10
## [1] 2025   12

Modelo ARIMA automático normal (sin tener en cuenta el factor estacional)

Identificación automática del modelo ARIMA

## Series: train_ts 
## ARIMA(2,1,1) 
## 
## Coefficients:
##           ar1      ar2     ma1
##       -1.2824  -0.4874  0.8122
## s.e.   0.1202   0.0738  0.1181
## 
## sigma^2 = 1.554e+11:  log likelihood = -2344.51
## AIC=4697.02   AICc=4697.27   BIC=4709.42
## 
## Training set error measures:
##                     ME     RMSE      MAE        MPE     MAPE      MASE
## Training set -3645.865 389452.8 307055.3 -0.8266321 8.344048 0.4784984
##                     ACF1
## Training set -0.02206553

Estimación del modelo identificado automatico y validación de Significancia de coeficientes

## 
## z test of coefficients:
## 
##      Estimate Std. Error  z value  Pr(>|z|)    
## ar1 -1.282418   0.120248 -10.6648 < 2.2e-16 ***
## ar2 -0.487433   0.073813  -6.6036 4.013e-11 ***
## ma1  0.812237   0.118118   6.8765 6.134e-12 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## Series: train_ts 
## ARIMA(2,1,1) 
## 
## Coefficients:
##           ar1      ar2     ma1
##       -1.2824  -0.4874  0.8122
## s.e.   0.1202   0.0738  0.1181
## 
## sigma^2 = 1.554e+11:  log likelihood = -2344.51
## AIC=4697.02   AICc=4697.27   BIC=4709.42
## 
## Training set error measures:
##                     ME     RMSE      MAE        MPE     MAPE      MASE
## Training set -3645.865 389452.8 307055.3 -0.8266321 8.344048 0.4784984
##                     ACF1
## Training set -0.02206553

Validación de residuales o errores del modelo ARIMA

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(2,1,1)
## Q* = 25.426, df = 21, p-value = 0.2292
## 
## Model df: 3.   Total lags used: 24

Pronóstico modelo ARIMA automático dentro de muestra o en el set de prueba

##     Tiempo Observado Pronosticado
## 1 2025.750   4300486      4415593
## 2 2025.833   4016568      4299613
## 3 2025.917   4540519      4548616
##     Tiempo Pronostico
## 1 2025.750    4415593
## 2 2025.833    4299613
## 3 2025.917    4548616
## 4 2026.000    4285822
## [1] "Pronóstico para enero 2025: 2026 = 4285822.34232345"

Modelo SARIMA

## Series: train_ts 
## ARIMA(2,1,1)(0,0,1)[12] 
## 
## Coefficients:
##           ar1      ar2     ma1    sma1
##       -1.3297  -0.4768  0.8826  0.2102
## s.e.   0.1086   0.0721  0.1020  0.0820
## 
## sigma^2 = 1.499e+11:  log likelihood = -2341.24
## AIC=4692.47   AICc=4692.85   BIC=4707.97
## Series: train_ts 
## ARIMA(2,1,1)(0,0,1)[12] 
## 
## Coefficients:
##           ar1      ar2     ma1    sma1
##       -1.3297  -0.4768  0.8826  0.2102
## s.e.   0.1086   0.0721  0.1020  0.0820
## 
## sigma^2 = 1.499e+11:  log likelihood = -2341.24
## AIC=4692.47   AICc=4692.85   BIC=4707.97
## 
## Training set error measures:
##                    ME     RMSE      MAE        MPE     MAPE      MASE
## Training set -2180.97 381223.7 299551.2 -0.6833631 8.126041 0.4668045
##                     ACF1
## Training set -0.02941358

Validación de residuales del modelo automatico SARIMA

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(2,1,1)(0,0,1)[12]
## Q* = 19.198, df = 20, p-value = 0.509
## 
## Model df: 4.   Total lags used: 24

Pronóstico con el modelo SARIMA dentro del set de prueba-Gráfico líneas

Pronóstico del modelo automático SARIMA en el set de prueba-Tabla

##     Tiempo Observado Pronosticado
## 1 2025.750   4300486      4456307
## 2 2025.833   4016568      4334644
## 3 2025.917   4540519      4601426

Pronóstico del modelo automático SARIMA fuera de muestra, es decir, en enero 2026

Es decir, le sumamos al periodo de prueba una observación más. Es decir, se estan pronosticando 4 observaciones o meses.

##     Tiempo Pronostico
## 1 2025.750    4456307
## 2 2025.833    4334644
## 3 2025.917    4601426
## 4 2026.000    4252543
## [1] "Pronóstico para enero 2025: 2026 = 4252542.90403434"