Practica 2, series temporales

Ejercicio 1

Realiza un breve análisis descriptivo numérico y gráfico. Convierte los datos en formato de serie temporal y dibuja la serie.

#Leemos la base de datos
desempleo<-scan("https://www.r-exercises.com/wp-content/uploads/2017/04/unemployment.csv", skip=1)

#Creamos la serie temporal
ST<-ts(desempleo, start = 2012, frequency = 12)

#Dibujamos la serie
plot(ST)

Ejercicio 2

Usa la función ses del paquete forecast para obtener la predicción basada en un suavizado esponencial simple para los próximos 12 meses, y dibuja esa predicción.

#Importamos la libreria
library(forecast)
##Realizamos un suavizado exponencial simple para los proximos 12 meses

suavizado<-ses(ST, h =12)

#Dibujamos la predicción 

plot(suavizado)

Ejercicio 3

Estima un modelo de suavizado exponencial usando la función ets con los parámetros por defecto. Luego pasa el modelo como input para una predicción (usa la funcion textsl{forecast}) de lso próximos 12 meses, y dibuja la predicción.

#Suavizado con ets
suavizadoets<-ets(ST)
#Modelo como input para una predicción
forecastets<-forecast(suavizadoets,h=12)
#Dibujando predicción
plot(forecastets)

Ejercicio 4

Realiza un “summary” del modelo estimado en el ejercicio anterior y encuentra la estructura de la estimación. ¿Incluye esta los componentes de tendcia y estacionalidad? Si estas componentes están presentes, ¿el modelo es aditivo o multiplicativo?

summary(suavizadoets)

## ETS(M,A,M) 
## 
## Call:
##  ets(y = ST) 
## 
##   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

#El modelo tiene tendencia y estacionalidad, ademas responde a un modelo aditivo.

Ejercicio 5

Usa la función ets para estimar dos modelos, uno con tendencia y otro sin capturar la tendencia de esta serie. Realiza la predicción para los próximos 12 meses y dibuja las predicciones de las estimaciones.

#Con Tendencia
suavizadoets1 <- ets(ST, damped = TRUE)
forecast_suavizadoets1 <- forecast(suavizadoets1, h = 12)
plot(forecast_suavizadoets1)