SERIES DE TIEMPO
Merlos Gonzalez Brenda
EJERCICIO 1
Introducción
Caracteristicas
Energía > Producción de petroquímicos por entidad federativa y principales productos
La serie presenta una frecuencia mensual, y la unidad de medida se presenta en toneladas.
Fuente de información: Enlace a Banco de Información Financiera
Grafica
La serie presenta una tendencia decreciente, un ciclo y no tiene estacionalidad.
prodp <- read.csv('D:\\basest.csv')
prodp<-ts(prodp$Total, frequency = 12, start= c(2010,1))
plot(prodp, col = "darkblue")
Estacionalidad
No presenta estacionalidad
En el mes de marzo, incremento la produccion;y en septiembre,octubre, noviembre y diciembre presenta decremento.
Grafica
\[ ggseasonplot(prodp) \]
EJERCICIO 2
Medias -moviles
+ggtitle(“Produccion de Petroquimicos”)
Descomposicion
fit<-decompose(prodp, type='additive')
plot(fit, col = "darkblue")
Evidencia de estacionalidad
EJERCICIO 4
Tendencias
Modelo de regresion
Regresion
\[
mes. <-season(prodp)
\]
\[
modelo1<- lm(prodp~mes.+ time(prodp)+I(time(prodp)^2))
\]
\[ summary(modelo1) \]
Interpretacion de Coeficientes
La serie presenta que los coeficientes estimados mas significativos son: El intercepto (enero), noviembre, el coeficiente en funcion del tiempo, y la cuadratica.
Significancia Estadistica:
Su R cuadrada es de: 0.8495
Y su ajuste es de: 0.8259
Lo que se interpreta como que su bondad de medida de ajuste la regresion se ajusta a la variable real,que explica aproximadamente el 84.95% y ya que no hay tanta variacion con la R cuadrada ajustada, no penaliza la inclusion de variables.
Graficas
El grafico de residuos tiende a comportarse como ruido blanco, son valores aleatorios, y presenta una tendencia.
GraficA Rstandard
\[ plot(y=rstandard(modelo1),x=time(prodp)) \]
GraficA qqnorm
\[ qqnorm(rstandard(modelo1)); qqline(rstandard(modelo1)) \]
Histograma
\[ hist(rstandard(modelo1), breaks = 10, col = "lightblue", border = "black") \]
Prueba Shapiro-Wilk
La prueba de Shapiro-Wilk tiene valor de: p-value = 0.001307
La hipotesis nula es rechazada, debido a que los datos no vienen de una distribucion normal.
Prueba S-W
\[ shapiro.test(rstandard(modelo1)) \]
GraficA Acf
\[ ggAcf(rstandard(modelo1)) \]
Regresion Final
\[ \beta_0+\beta_1+\beta_2^2+meses+\mu \]