---

Practica 2

Oscar Rodriguez Mompean

library("ggplot2")
library("forecast")

Cargamos la base de datos de la tasa de paro en Estados Unidos como porcentage del esfuerzo laboral para 2012-2017, creamos la serie temporal para esos datos y la representamos graficamente.

datos2<-read.csv("unemployment.csv")
datos2<-ts(datos2,start=c(2012,1), frequency = 12)
datos2

##      Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2012 8.8 8.7 8.4 7.7 7.9 8.4 8.6 8.2 7.6 7.5 7.4 7.6
## 2013 8.5 8.1 7.6 7.1 7.3 7.8 7.7 7.3 7.0 7.0 6.6 6.5
## 2014 7.0 7.0 6.8 5.9 6.1 6.3 6.5 6.3 5.7 5.5 5.5 5.4
## 2015 6.1 5.8 5.6 5.1 5.3 5.5 5.6 5.2 4.9 4.8 4.8 4.8
## 2016 5.3 5.2 5.1 4.7 4.5 5.1 5.1 5.0 4.8 4.7 4.4 4.5
## 2017 5.1 4.9 4.6

plot(datos2)

Con la funcion “ses” creamos la prediccion con un suavizado exponencial simple para los proximos 12 meses de la serie y la representamos graficamente.

ped<-ses(datos2,h=12)
plot(ped)

Estimamos un modelo de suavizado exponencial con la funcion “ets” y creamos una prediccion para los proximos 12 meses con la funcion “forecast”, y la representamos en un grafico.

mst<-ets(datos2)
pred<-forecast(mst,h=12)
plot(pred)

Hacemos un summary para comprobar que la serie incluye los componentes de tendencia y estacionalidad y que se trata de un modelo aditivo.

smea<-summary(mst)

## ETS(M,A,M) 
## 
## Call:
##  ets(y = datos2) 
## 
##   Smoothing parameters:
##     alpha = 0.5717 
##     beta  = 1e-04 
##     gamma = 1e-04 
## 
##   Initial states:
##     l = 8.4353 
##     b = -0.0564 
##     s=0.9567 0.9453 0.957 0.9669 1.0245 1.0591
##            1.0365 0.9642 0.9403 1.0224 1.0542 1.0729
## 
##   sigma:  0.021
## 
##      AIC     AICc      BIC 
## 37.38299 50.98299 73.81628 
## 
## Training set error measures:
##                        ME      RMSE      MAE        MPE     MAPE      MASE
## Training set -0.009791689 0.1271141 0.102154 -0.1209349 1.687472 0.1322298
##                    ACF1
## Training set 0.08649403

Vamos a estimar el modelo con tendencia y sin tendencia y representalos graficamente.

ct<-ets(datos2,model="MAM", damped=T)
contend<-forecast(ct, h=12)
st<-ets(datos2,model="MNM")
sintend<-forecast(st,h=12)
plot(contend)

plot(sintend)