analisis producto nuevo

A traves del diagrama de cajas y bigotes la serie de tiempo no presenta outliers en su comportamiento.

ggAcf(analisis_pdtonuevo, lag.max = 40)

# Las ventas de producto nuevo presenta un comportamiento en el correlograma anterior. Para definir cual es el comportamiento de esta serie procedemos a descomponerla.

autoplot(mstl(analisis_pdtonuevo))

# Se puede observar de manera clara que la serie presenta una tendencia de crecimiento durante el periodo evaluado.

Por lo tanto procedemos a ajecutar la tecnica de Suavizacion Exponencial Doble o Metodo de Holt para establecer el forecast en los proximos periodos.

FOR_DEM <- holt(analisis_pdtonuevo)
summary(FOR_DEM)
## 
## Forecast method: Holt's method
## 
## Model Information:
## Holt's method 
## 
## Call:
##  holt(y = analisis_pdtonuevo) 
## 
##   Smoothing parameters:
##     alpha = 1e-04 
##     beta  = 1e-04 
## 
##   Initial states:
##     l = 423.2541 
##     b = 9.1944 
## 
##   sigma:  57.9488
## 
##      AIC     AICc      BIC 
## 439.7782 441.7137 447.8328 
## 
## Error measures:
##                     ME     RMSE      MAE       MPE     MAPE      MASE
## Training set -6.969302 54.72688 40.81303 -2.531501 7.576909 0.6585698
##                    ACF1
## Training set 0.05140246
## 
## Forecasts:
##    Point Forecast    Lo 80    Hi 80    Lo 95    Hi 95
## 38       771.6753 697.4109 845.9397 658.0977 885.2529
## 39       780.8440 706.5796 855.1084 667.2664 894.4216
## 40       790.0126 715.7482 864.2770 676.4350 903.5902
## 41       799.1813 724.9169 873.4457 685.6037 912.7589
## 42       808.3499 734.0855 882.6144 694.7723 921.9276
## 43       817.5186 743.2542 891.7830 703.9410 931.0962
## 44       826.6873 752.4228 900.9517 713.1096 940.2649
## 45       835.8559 761.5915 910.1204 722.2782 949.4336
## 46       845.0246 770.7601 919.2891 731.4468 958.6023
## 47       854.1932 779.9287 928.4578 740.6154 967.7710

Pudimos observar que la tecnica de Holt asigna de manera automatica los valores para las constantes de los componentes estacionarios y de tendencia. En el cuadro nos muestra los pronosticos para los proximos periodos y nos establece que tendremos un error de pronostico de +/- 7.57 unidades para cada periodo pronosticado.

autoplot(FOR_DEM) + autolayer(fitted(FOR_DEM))

ERRORES <- residuals(FOR_DEM)
ERRORES
## Time Series:
## Start = 1 
## End = 37 
## Frequency = 1 
##  [1]  -20.44849716   18.36114959  -55.83492121  -68.01798799  -22.19303445
##  [6]  -26.37044459   83.45520013   20.26151543 -108.92787537 -105.09345284
## [11]   54.75109567  -60.42581725   15.41483148  -13.75364621    9.08216865
## [16]   29.91479145  -14.25766077 -103.42426946    6.42838208  -79.73059574
## [21]  -12.87298352  -21.02077050  155.83435949   70.65621833    0.47953024
## [26]  -35.69018734   19.14728152   -0.02264873  -16.19065952  -85.35543423
## [31]   36.49524397    1.33008615   41.16831224   -7.00156283   48.83407980
## [36]  -27.34074524   14.49478217
autoplot(ERRORES)

checkresiduals(ERRORES)
## Warning in modeldf.default(object): Could not find appropriate degrees of
## freedom for this model.