Tarea final 2do parcial
Mayolo Omar mendoza Hernandez
25 de octubre de 2018
1. Breve descripcion de la serie elegida, asi como su frecuencia, unidad de medida, fuente, etc.
Se escogio una base del precio del oro, teniendo dos variables, año-mes y precio, tomando en cuanta del año de 1997, meses Enero-Diciembre, hasta el año 2017,meses Enero-Diciembre, teniendo un total de 252 observaciones y 2 variables.
Fuente:
https://www.sgm.gob.mx/SINEMGobMx/precio_hist_metal.jsp https://www.sgm.gob.mx/SINEMGobMx/produccion_minera.jsp
2. Graficar los datos, analizar patrones y observaciones at´ipicas. Apoye su analisis con una descomposicion clasica.
library(TSA)##
## Attaching package: 'TSA'## The following objects are masked from 'package:stats':
##
## acf, arima## The following object is masked from 'package:utils':
##
## tarlibrary(ggplot2)
library(ggfortify)
library(forecast)
library(fpp2)## Loading required package: fma## Loading required package: expsmoothlibrary(forecast)
library(fma)
library(expsmooth)
library(seasonal)
library(urca)
library(seasonal)base <-read.csv(file.choose())
View(base)
porom<- ts(base$x2, frequency = 12, start = c(1997,1))
autoplot(porom)
ggseasonplot(porom) 
ggseasonplot(porom, polar=TRUE)
monthplot(porom)
poromde<-decompose(porom)
plot(poromde,col="Blue",ylab="eje y",xlab="eje x",lwd=.5,type="l",pch=5)
3. Si es necesario, utilizar transformación Box-Cox / logaritmos para estabilizar la varianza. Presentar grafica
BoxCox.ar(porom)## Warning in arima0(x, order = c(i, 0L, 0L), include.mean = demean): possible
## convergence problem: optim gave code = 1
## Warning in arima0(x, order = c(i, 0L, 0L), include.mean = demean): possible
## convergence problem: optim gave code = 1
4. En caso de estacionalidad, aplicar diferencias estacionales.
La serie no presenta estacionalidad
5. En caso de estacionalidad de la serie de tiempo, aplicar diferencias estacionales. Presentar grafica
poromdif<-autoplot(diff(porom))
autoplot(poromdif)+ ggtitle("tasa de desempleo")
6. Usar prueba Dickey-Fuller para evaluar el orden de integración de la serie. Diferenciar hasta que la serie sea estacionaria.
No presenta estacionalidad la base.
7. Usar herramientas ACF,PACF,EACF y/o criterios de Akaike/Bayes para construir propuestas de modelos.
eacf(porom)## AR/MA
## 0 1 2 3 4 5 6 7 8 9 10 11 12 13
## 0 x x x x x x x x x x x x x x
## 1 x o o o x o o x o o x o o o
## 2 x o o o o o o o o o x o o o
## 3 x x o o o o o o o o x o o o
## 4 x x o o o o o o o o x o o o
## 5 o x o x o o o o o o x o o o
## 6 x x x x x o o o o o x o o o
## 7 x o x o o x o o o o x o o oggAcf(porom)
ggPacf(porom)
ggtsdisplay(porom)
ljungb<-Arima(porom, order=c(1,1,0), seasonal = c(1,1,0))
checkresiduals(ljungb)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(1,1,0)(1,1,0)[12]
## Q* = 49.374, df = 22, p-value = 0.0007121
##
## Model df: 2. Total lags used: 24ljungb2<-Arima(porom, order=c(2,1,0), seasonal = c(1,1,0))
checkresiduals(ljungb2)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(2,1,0)(1,1,0)[12]
## Q* = 45.774, df = 21, p-value = 0.001369
##
## Model df: 3. Total lags used: 249. Usar la función auto.arima() y compare sus resultados con el inciso anterior.
ljungbauto<-auto.arima(porom)
checkresiduals(ljungbauto)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(0,1,1)
## Q* = 26.12, df = 23, p-value = 0.2952
##
## Model df: 1. Total lags used: 2410. Presente la ecuacion final y describa
11. Realizar el pronostico ARIMA para dos años.
12. Utilizando metodos de pronosticos simples y/o suavizamiento exponencial generar ´
un pronostico para dos años. Elegir el m ~ etodo que presente la raiz del error medio al cuadrado mas pequeño.
13. Usando el analisis de transferencia, modelar observaciones cambios estructurales ´
y/o observaciones at´ipicas en el contexto ARIMAX (punto extra, opcional).
14. Analizar un VAR, necesita incluir los puntos siguientes
a) Buscar otra variable (incluso mas variables) y redactar la teoria que se encuentra
detras de la relacion entre variables que propone. ´