Reproduccion de resultados (IVAE)

Descomposición de series temporales (Enfoque Tradicional)

Descomposición de serie temporal general

Se usará en este apartado como datos de ejemplo, la serie del Indice de Volumen de la Actividad Económica [IVAE], para el periodo 2009-2022[marzo].

library(forecast)
library(tidyr)
library(dplyr)
library(readxl)
IVAE_03_22 <- read_excel("C:/Users/geole/OneDrive/Documentos/Econometria/IVAE_03_22.xlsx", 
    col_names = FALSE, skip = 6, n_max = 10)

data.ivae<-pivot_longer(data = IVAE_03_22[1,],names_to = "vars",cols = 2:160,values_to = "indice") %>% select("indice")
data.ivae.ts<- data.ivae %>% ts(start = c(2009,1),frequency = 12)
data.ivae.ts %>% 
  autoplot(main ="IVAE, ENE 2009 - MAR 2022",
           xlab="Años/Meses",
           ylab="Indice")

Modelo Aditivo

Componente de Tendencia

Se procede a estimar el componente de Tendencia-Ciclo a través de medias móviles:

ma2_12 <- ma(data.ivae.ts, 12, centre = TRUE)
autoplot(data.ivae.ts,main = "IVAE, El Salvador 2009-2022[marzo]",
           xlab = "Años/Meses",
           ylab = "Indice")+
  autolayer(ma2_12,series = "Tt")

Cálculo de los Factores Estacionales

library(magrittr)
library(forecast)
Yt <- data.ivae.ts #Serie original general
Tt <- ma2_12 #Media móvil centrada (2x12-MA) como componente de Tendencia Ciclo
SI <- Yt - Tt #Diferencia que contiene componentes Estacional e Irregular

St <- tapply(SI, cycle(SI), mean, na.rm = TRUE) #Promediando los resultados de cada mes
#Los factores estacionales deben sumar "0" en el modelo aditivo
St <- St - sum(St) / 12 
#Generar la serie de factores para cada valor de la serie original
St <-
  rep(St, len = length(Yt)) %>% ts(start = c(2009, 1), frequency = 12)
autoplot(St,
         main = "Factores Estacionales",
         xlab = "Años/Meses",
         ylab = "Factor Estacional")

Cálculo del Componente Irregular

library(forecast)
It<-Yt-Tt-St
autoplot(It,
         main = "Componente Irregular",
         xlab = "Años/Meses",
         ylab = "It")

Descomposición Aditiva (usando la libreria stats)

library(forecast)
#Descomposición aditiva
descomposicion_aditiva<-decompose(data.ivae.ts,type = "additive")
#Gráfico de la serie original 
Yt<-descomposicion_aditiva$x
TC<-descomposicion_aditiva$trend
autoplot(descomposicion_aditiva,main="Descomposición Aditiva",xlab="Años/Meses")

autoplot(TC, main = "Descomposición Aditiva TC, General", xlab = "Años/Meses")

Descomposición de la serie temporal: Agricultura, Ganadería, Silvicultura y Pesca

data.ivae.agri<-pivot_longer(data = IVAE_03_22[2,],names_to = "vars",cols = 2:160,values_to = "indice") %>% select("indice")
data.ivae.ts.agri<- data.ivae.agri %>% ts(start = c(2009,1),frequency = 12)
data.ivae.ts.agri %>% 
  autoplot(main ="IVAE, AGRICULTURA ENE 2009 - MAR 2022",
           xlab="Años/Meses",
           ylab="Indice")

Modelo Aditivo

Componente de Tendencia

Se procede a estimar el componente de Tendencia-Ciclo a través de medias móviles:

ma2_12_agri <- ma(data.ivae.ts.agri, 12, centre = TRUE)
autoplot(data.ivae.ts.agri,main = "IVAE, El Salvador, Agricultura 2009-2022[marzo]",
           xlab = "Años/Meses",
           ylab = "Indice")+
  autolayer(ma2_12_agri,series = "Tt")

Cálculo de los Factores Estacionales

library(magrittr)
library(forecast)
Yt <- data.ivae.ts.agri #Serie del componente Agricultura
Tt <- ma2_12_agri #Media móvil centrada (2x12-MA) como componente de Tendencia Ciclo
SI <- Yt - Tt #Diferencia que contiene componentes Estacional e Irregular

St <- tapply(SI, cycle(SI), mean, na.rm = TRUE) #Promediando los resultados de cada mes
#Los factores estacionales deben sumar "0" en el modelo aditivo
St <- St - sum(St) / 12 
#Generar la serie de factores para cada valor de la serie original
St <-
  rep(St, len = length(Yt)) %>% ts(start = c(2009, 1), frequency = 12)
autoplot(St,
         main = "Factores Estacionales, Agricultura",
         xlab = "Años/Meses",
         ylab = "Factor Estacional")

Descomposición Aditiva (usando la libreria stats)

library(forecast)
#Descomposición aditiva
descomposicion_aditiva_agri<-decompose(data.ivae.ts.agri,type = "additive")

#Gráfico del componente Agricultura 
Yt<-descomposicion_aditiva$x
TC<-descomposicion_aditiva_agri$trend
autoplot(descomposicion_aditiva_agri,main="Descomposición Aditiva, Agricultura",xlab="Años/Meses")

autoplot(TC, main = "Descomposición Aditiva TC, Agricultura", xlab = "Años/Meses")

Descomposición de la serie temporal: Índice de Producción Industrial (IPI): Industrias Manufactureras, Explotación de Minas y Canteras y Otras Actividades Industriales

data.ivae.ipi<-pivot_longer(data = IVAE_03_22[3,],names_to = "vars",cols = 2:160,values_to = "indice") %>% select("indice")
data.ivae.ts.ipi<- data.ivae.ipi %>% ts(start = c(2009,1),frequency = 12)
data.ivae.ts.ipi %>% 
  autoplot(main ="IVAE IPI, ENE 2009 - MAR 2022",
           xlab="Años/Meses",
           ylab="Indice")

Modelo Aditivo

Componente de Tendencia

Se procede a estimar el componente de Tendencia-Ciclo a través de medias móviles:

ma2_12_ipi <- ma(data.ivae.ts.ipi, 12, centre = TRUE)
autoplot(data.ivae.ts.ipi,main = "IVAE, El Salvador, IPI 2009-2022 [marzo]",
           xlab = "Años/Meses",
           ylab = "Indice")+
  autolayer(ma2_12_ipi,series = "Tt")

Cálculo de los Factores Estacionales

library(magrittr)
library(forecast)
Yt <- data.ivae.ts.ipi #Serie del componente Índice de Producción Industrial
Tt <- ma2_12_ipi #Media móvil centrada (2x12-MA) como componente de Tendencia Ciclo
SI <- Yt - Tt #Diferencia que contiene componentes Estacional e Irregular

St <- tapply(SI, cycle(SI), mean, na.rm = TRUE) #Promediando los resultados de cada mes
#Los factores estacionales deben sumar "0" en el modelo aditivo
St <- St - sum(St) / 12 
#Generar la serie de factores para cada valor de la serie original
St <-
  rep(St, len = length(Yt)) %>% ts(start = c(2009, 1), frequency = 12)
autoplot(St,
         main = "Factores Estacionales, Produc. Industrial",
         xlab = "Años/Meses",
         ylab = "Factor Estacional")

Descomposición Aditiva (usando la libreria stats)

library(forecast)
#Descomposición aditiva
descomposicion_aditiva_ipi<-decompose(data.ivae.ts.ipi,type = "additive")

#Gráfico del componente Índice de Producción Industrial 
Yt<-descomposicion_aditiva$x
TC<-descomposicion_aditiva_ipi$trend
autoplot(descomposicion_aditiva_ipi,main="Descomposición Aditiva, Produc.Industrial",xlab="Años/Meses")

autoplot(TC, main = "Descomposición Aditiva TC, Produc. Industrial", xlab = "Años/Meses")

Descomposición de la serie temporal: Construcción

data.ivae.constr<-pivot_longer(data = IVAE_03_22[4,],names_to = "vars",cols = 2:160,values_to = "indice") %>% select("indice")
data.ivae.ts.constr<- data.ivae.constr %>% ts(start = c(2009,1),frequency = 12)
data.ivae.ts.constr %>% 
  autoplot(main ="IVAE CONSTRUCCIÓN, ENE 2009 - MAR 2022",
           xlab="Años/Meses",
           ylab="Indice")

Modelo Aditivo

Componente de Tendencia

Se procede a estimar el componente de Tendencia-Ciclo a través de medias móviles:

ma2_12_constr <- ma(data.ivae.ts.constr, 12, centre = TRUE)
autoplot(data.ivae.ts.constr,main = "IVAE, El Salvador, Construcción 2009-2022 [marzo]",
           xlab = "Años/Meses",
           ylab = "Indice")+
  autolayer(ma2_12_constr,series = "Tt")

Cálculo de los Factores Estacionales

library(magrittr)
library(forecast)
Yt <- data.ivae.ts.constr #Serie del componente Construccion
Tt <- ma2_12_constr #Media móvil centrada (2x12-MA) como componente de Tendencia Ciclo
SI <- Yt - Tt #Diferencia que contiene componentes Estacional e Irregular

St <- tapply(SI, cycle(SI), mean, na.rm = TRUE) #Promediando los resultados de cada mes
#Los factores estacionales deben sumar "0" en el modelo aditivo
St <- St - sum(St) / 12 
#Generar la serie de factores para cada valor de la serie original
St <-
  rep(St, len = length(Yt)) %>% ts(start = c(2009, 1), frequency = 12)
autoplot(St,
         main = "Factores Estacionales, Construcción",
         xlab = "Años/Meses",
         ylab = "Factor Estacional")

Descomposición Aditiva (usando la libreria stats)

library(forecast)
#Descomposición aditiva
descomposicion_aditiva_constr<-decompose(data.ivae.ts.constr,type = "additive")

#Gráfico del componente Índice de Producción Industrial 
Yt<-descomposicion_aditiva$x
TC<-descomposicion_aditiva_constr$trend
autoplot(descomposicion_aditiva_constr,main="Descomposición Aditiva, Construcción",xlab="Años/Meses")

autoplot(TC, main = "Descomposición Aditiva TC, Construcción", xlab = "Años/Meses")

Descomposición de la serie temporal: Comercio, Transporte y Almacenamiento, Actividades de Alojamiento y de Servicio de Comidas

data.ivae.comercio<-pivot_longer(data = IVAE_03_22[5,],names_to = "vars",cols = 2:160,values_to = "indice") %>% select("indice")
data.ivae.ts.comercio<- data.ivae.comercio %>% ts(start = c(2009,1),frequency = 12)
data.ivae.ts.comercio %>% 
  autoplot(main ="IVAE COMERCIO, ENE 2009 - MAR 2022",
           xlab="Años/Meses",
           ylab="Indice")

Modelo Aditivo

Componente de Tendencia

Se procede a estimar el componente de Tendencia-Ciclo a través de medias móviles:

ma2_12_comercio <- ma(data.ivae.ts.comercio, 12, centre = TRUE)
autoplot(data.ivae.ts.comercio,main = "IVAE, El Salvador, Comercio 2009-2022 [marzo]",
           xlab = "Años/Meses",
           ylab = "Indice")+
  autolayer(ma2_12_comercio,series = "Tt")

Cálculo de los Factores Estacionales

library(magrittr)
library(forecast)
Yt <- data.ivae.ts.comercio #Serie del componente Comercio
Tt <- ma2_12_comercio #Media móvil centrada (2x12-MA) como componente de Tendencia Ciclo
SI <- Yt - Tt #Diferencia que contiene componentes Estacional e Irregular

St <- tapply(SI, cycle(SI), mean, na.rm = TRUE) #Promediando los resultados de cada mes
#Los factores estacionales deben sumar "0" en el modelo aditivo
St <- St - sum(St) / 12 
#Generar la serie de factores para cada valor de la serie original
St <-
  rep(St, len = length(Yt)) %>% ts(start = c(2009, 1), frequency = 12)
autoplot(St,
         main = "Factores Estacionales, Comercio",
         xlab = "Años/Meses",
         ylab = "Factor Estacional")

Descomposición Aditiva (usando la libreria stats)

library(forecast)
#Descomposición aditiva
descomposicion_aditiva_comercio<-decompose(data.ivae.ts.comercio,type = "additive")

#Gráfico del componente Comercio 
Yt<-descomposicion_aditiva$x
TC<-descomposicion_aditiva_comercio$trend
autoplot(descomposicion_aditiva_comercio,main="Descomposición Aditiva, Comercio",xlab="Años/Meses")

autoplot(TC, main = "Descomposición Aditiva TC, Comercio", xlab = "Años/Meses")

Descomposición de la serie temporal: Información y Comunicaciones

data.ivae.infocom<-pivot_longer(data = IVAE_03_22[6,],names_to = "vars",cols = 2:160,values_to = "indice") %>% select("indice")
data.ivae.ts.infocom<- data.ivae.infocom %>% ts(start = c(2009,1),frequency = 12)
data.ivae.ts.infocom %>% 
  autoplot(main ="IVAE Info.Comunicaciones, ENE 2009 - MAR 2022",
           xlab="Años/Meses",
           ylab="Indice")

Modelo Aditivo

Componente de Tendencia

Se procede a estimar el componente de Tendencia-Ciclo a través de medias móviles:

ma2_12_infocom <- ma(data.ivae.ts.infocom, 12, centre = TRUE)
autoplot(data.ivae.ts.infocom,main = "IVAE, El Salvador, Info.Comunicacion 2009-2022 [marzo]",
           xlab = "Años/Meses",
           ylab = "Indice")+
  autolayer(ma2_12_infocom,series = "Tt")

Cálculo de los Factores Estacionales

library(magrittr)
library(forecast)
Yt <- data.ivae.ts.infocom #Serie del componente Informacion y Comunicaciones
Tt <- ma2_12_infocom #Media móvil centrada (2x12-MA) como componente de Tendencia Ciclo
SI <- Yt - Tt #Diferencia que contiene componentes Estacional e Irregular

St <- tapply(SI, cycle(SI), mean, na.rm = TRUE) #Promediando los resultados de cada mes
#Los factores estacionales deben sumar "0" en el modelo aditivo
St <- St - sum(St) / 12 
#Generar la serie de factores para cada valor de la serie original
St <-
  rep(St, len = length(Yt)) %>% ts(start = c(2009, 1), frequency = 12)
autoplot(St,
         main = "Factores Estacionales, Info.Comunicaciones",
         xlab = "Años/Meses",
         ylab = "Factor Estacional")

Descomposición Aditiva (usando la libreria stats)

library(forecast)
#Descomposición aditiva
descomposicion_aditiva_infocom<-decompose(data.ivae.ts.infocom,type = "additive")

#Gráfico del componente Informacion y Comunicaciones
Yt<-descomposicion_aditiva$x
TC<-descomposicion_aditiva_infocom$trend
autoplot(descomposicion_aditiva_infocom,main="Descomposición Aditiva, Info.Comunicaciones",xlab="Años/Meses")

autoplot(TC, main = "Descomposición Aditiva TC, Info.Comunicaciones", xlab = "Años/Meses")

Descomposición de la serie temporal: Actividades Financieras y de Seguros

data.ivae.actfinanseg<-pivot_longer(data = IVAE_03_22[7,],names_to = "vars",cols = 2:160,values_to = "indice") %>% select("indice")
data.ivae.ts.actfinanseg<- data.ivae.actfinanseg %>% ts(start = c(2009,1),frequency = 12)
data.ivae.ts.actfinanseg %>% 
  autoplot(main ="IVAE ACT.FINANCIERA Y SEGUROS, ENE 2009 - MAR 2022",
           xlab="Años/Meses",
           ylab="Indice")

Modelo Aditivo

Componente de Tendencia

Se procede a estimar el componente de Tendencia-Ciclo a través de medias móviles:

ma2_12_actfinanseg <- ma(data.ivae.ts.actfinanseg, 12, centre = TRUE)
autoplot(data.ivae.ts.actfinanseg,main = "IVAE, El Salvador, Act.Financiera y Seguros 2009-2022 (marzo)",
           xlab = "Años/Meses",
           ylab = "Indice")+
  autolayer(ma2_12_actfinanseg,series = "Tt")

Cálculo de los Factores Estacionales

library(magrittr)
library(forecast)
Yt <- data.ivae.ts.actfinanseg #Serie del componente Actividad Financiera y Seguros
Tt <- ma2_12_actfinanseg #Media móvil centrada (2x12-MA) como componente de Tendencia Ciclo
SI <- Yt - Tt #Diferencia que contiene componentes Estacional e Irregular

St <- tapply(SI, cycle(SI), mean, na.rm = TRUE) #Promediando los resultados de cada mes
#Los factores estacionales deben sumar "0" en el modelo aditivo
St <- St - sum(St) / 12 
#Generar la serie de factores para cada valor de la serie original
St <-
  rep(St, len = length(Yt)) %>% ts(start = c(2009, 1), frequency = 12)
autoplot(St,
         main = "Factores Estacionales, Act.Financiera y Seguros",
         xlab = "Años/Meses",
         ylab = "Factor Estacional")

Descomposición Aditiva (usando la libreria stats)

library(forecast)
#Descomposición aditiva
descomposicion_aditiva_actfinanseg<-decompose(data.ivae.ts.actfinanseg,type = "additive")

#Gráfico del componente Actividad Financiera y Seguros
Yt<-descomposicion_aditiva$x
TC<-descomposicion_aditiva_actfinanseg$trend
autoplot(descomposicion_aditiva_actfinanseg,main="Descomposición Aditiva, Act.Financiera y Seguros",xlab="Años/Meses")

autoplot(TC, main = "Descomposición Aditiva TC, Act.Financiera y Seguros", xlab = "Años/Meses")

Descomposición de la serie temporal: Actividades Inmobiliarias

data.ivae.inmobil<-pivot_longer(data = IVAE_03_22[8,],names_to = "vars",cols = 2:160,values_to = "indice") %>% select("indice")
data.ivae.ts.inmobil<- data.ivae.inmobil %>% ts(start = c(2009,1),frequency = 12)
data.ivae.ts.inmobil %>% 
  autoplot(main ="IVAE ACT.INMOBILIARIA, ENE 2009-MAR 2022",
           xlab="Años/Meses",
           ylab="Indice")

Modelo Aditivo

Componente de Tendencia

Se procede a estimar el componente de Tendencia-Ciclo a través de medias móviles:

ma2_12_inmobil <- ma(data.ivae.ts.inmobil, 12, centre = TRUE)
autoplot(data.ivae.ts.inmobil,main = "IVAE,El Salvador, Act.Inmobiliarias 2009-2022 (marzo)",
           xlab = "Años/Meses",
           ylab = "Indice")+
  autolayer(ma2_12_inmobil,series = "Tt")

Cálculo de los Factores Estacionales

library(magrittr)
library(forecast)
Yt <- data.ivae.ts.inmobil #Serie del componente Actividades Inmobiliarias
Tt <- ma2_12_inmobil #Media móvil centrada (2x12-MA) como componente de Tendencia Ciclo
SI <- Yt - Tt #Diferencia que contiene componentes Estacional e Irregular

St <- tapply(SI, cycle(SI), mean, na.rm = TRUE) #Promediando los resultados de cada mes
#Los factores estacionales deben sumar "0" en el modelo aditivo
St <- St - sum(St) / 12 
#Generar la serie de factores para cada valor de la serie original
St <-
  rep(St, len = length(Yt)) %>% ts(start = c(2009, 1), frequency = 12)
autoplot(St,
         main = "Factores Estacionales, Act.Inmobiliarias",
         xlab = "Años/Meses",
         ylab = "Factor Estacional")

Descomposición Aditiva (usando la libreria stats)

library(forecast)
#Descomposición aditiva
descomposicion_aditiva_inmobil<-decompose(data.ivae.ts.inmobil,type = "additive")

#Gráfico del componente Actividades Inmobiliaria
Yt<-descomposicion_aditiva$x
TC<-descomposicion_aditiva_inmobil$trend
autoplot(descomposicion_aditiva_inmobil,main="Descomposición Aditiva, Act.Inmobiliaria",xlab="Años/Meses")

autoplot(TC, main = "Descomposición Aditiva TC, Act.Inmobiliaria", xlab = "Años/Meses")

Descomposición de la serie temporal: Actividades Profesionales, Científicas, Técnicas, Administrativas, de Apoyo y Otros Servicios

data.ivae.prof<-pivot_longer(data = IVAE_03_22[9,],names_to = "vars",cols = 2:160,values_to = "indice") %>% select("indice")
data.ivae.ts.prof<- data.ivae.prof %>% ts(start = c(2009,1),frequency = 12)
data.ivae.ts.prof %>% 
  autoplot(main ="IVAE ACT.PROFESIONALES, ENE 2009-MAR 2022",
           xlab="Años/Meses",
           ylab="Indice")

Modelo Aditivo

Componente de Tendencia

Se procede a estimar el componente de Tendencia-Ciclo a través de medias móviles:

ma2_12_prof <- ma(data.ivae.ts.prof, 12, centre = TRUE)
autoplot(data.ivae.ts.prof,main = "IVAE, El Salvador, Act.Profesionales 2009-2022 (marzo)",
           xlab = "Años/Meses",
           ylab = "Indice")+
  autolayer(ma2_12_prof,series = "Tt")

Cálculo de los Factores Estacionales

library(magrittr)
library(forecast)
Yt <- data.ivae.ts.prof #Serie del componente Actividades Profesionales
Tt <- ma2_12_prof #Media móvil centrada (2x12-MA) como componente de Tendencia Ciclo
SI <- Yt - Tt #Diferencia que contiene componentes Estacional e Irregular

St <- tapply(SI, cycle(SI), mean, na.rm = TRUE) #Promediando los resultados de cada mes
#Los factores estacionales deben sumar "0" en el modelo aditivo
St <- St - sum(St) / 12 
#Generar la serie de factores para cada valor de la serie original
St <-
  rep(St, len = length(Yt)) %>% ts(start = c(2009, 1), frequency = 12)
autoplot(St,
         main = "Factores Estacionales, Act.Profesionales",
         xlab = "Años/Meses",
         ylab = "Factor Estacional")

Descomposición Aditiva (usando la libreria stats)

library(forecast)
#Descomposición aditiva
descomposicion_aditiva_prof<-decompose(data.ivae.ts.prof,type = "additive")

#Gráfico del componente Actividades Actividades Profesionales
Yt<-descomposicion_aditiva$x
TC<-descomposicion_aditiva_prof$trend
autoplot(descomposicion_aditiva_prof,main="Descomposición Aditiva, Act.Profesionales",xlab="Años/Meses")

autoplot(TC, main = "Descomposición Aditiva TC, Act.Profesionales", xlab = "Años/Meses")

Descomposición de la serie temporal: Actividades de Administración Pública y Defensa, Enseñanza, Salud y Asistencia Social

data.ivae.admin<-pivot_longer(data = IVAE_03_22[10,],names_to = "vars",cols = 2:160,values_to = "indice") %>% select("indice")
data.ivae.ts.admin<- data.ivae.admin %>% ts(start = c(2009,1),frequency = 12)
data.ivae.ts.admin %>% 
  autoplot(main ="IVAE ACT.ADMINISTRACIÓN, ENE 2009-MAR 2022",
           xlab="Años/Meses",
           ylab="Indice")

Modelo Aditivo

Componente de Tendencia

Se procede a estimar el componente de Tendencia-Ciclo a través de medias móviles:

ma2_12_admin <- ma(data.ivae.ts.admin, 12, centre = TRUE)
autoplot(data.ivae.ts.admin,main = "IVAE, El Salvador, Act. Administración 2009-2022 marzo",
           xlab = "Años/Meses",
           ylab = "Indice")+
  autolayer(ma2_12_admin,series = "Tt")

Cálculo de los Factores Estacionales

library(magrittr)
library(forecast)
Yt <- data.ivae.ts.admin #Serie del componente Actividades de Administracion
Tt <- ma2_12_admin #Media móvil centrada (2x12-MA) como componente de Tendencia Ciclo
SI <- Yt - Tt #Diferencia que contiene componentes Estacional e Irregular

St <- tapply(SI, cycle(SI), mean, na.rm = TRUE) #Promediando los resultados de cada mes
#Los factores estacionales deben sumar "0" en el modelo aditivo
St <- St - sum(St) / 12 
#Generar la serie de factores para cada valor de la serie original
St <-
  rep(St, len = length(Yt)) %>% ts(start = c(2009, 1), frequency = 12)
autoplot(St,
         main = "Factores Estacionales, Act.Administración",
         xlab = "Años/Meses",
         ylab = "Factor Estacional")

Descomposición Aditiva (usando la libreria stats)

library(forecast)
#Descomposición aditiva
descomposicion_aditiva_admin<-decompose(data.ivae.ts.admin,type = "additive")

#Gráfico del componente Actividades de Administracion
Yt<-descomposicion_aditiva$x
TC<-descomposicion_aditiva_admin$trend
autoplot(descomposicion_aditiva_admin,main="Descomposición Aditiva, Act.Administración",xlab="Años/Meses")

autoplot(TC, main = "Descomposición Aditiva TC, Act.Administración", xlab = "Años/Meses")

Reproduccion de resultados (IVAE)

JENNIFER SARAI FLORES MELENDEZ

9 de junio de 2022

Descomposición de series temporales (Enfoque Tradicional)

Descomposición de serie temporal general

Modelo Aditivo

Componente de Tendencia

Cálculo de los Factores Estacionales

Cálculo del Componente Irregular

Descomposición Aditiva (usando la libreria stats)

Descomposición de la serie temporal: Agricultura, Ganadería, Silvicultura y Pesca

Modelo Aditivo

Componente de Tendencia

Cálculo de los Factores Estacionales

Descomposición Aditiva (usando la libreria stats)

Descomposición de la serie temporal: Índice de Producción Industrial (IPI): Industrias Manufactureras, Explotación de Minas y Canteras y Otras Actividades Industriales

Modelo Aditivo

Componente de Tendencia

Cálculo de los Factores Estacionales

Descomposición Aditiva (usando la libreria stats)

Descomposición de la serie temporal: Construcción

Modelo Aditivo

Componente de Tendencia

Cálculo de los Factores Estacionales

Descomposición Aditiva (usando la libreria stats)

Descomposición de la serie temporal: Comercio, Transporte y Almacenamiento, Actividades de Alojamiento y de Servicio de Comidas

Modelo Aditivo

Componente de Tendencia

Cálculo de los Factores Estacionales

Descomposición Aditiva (usando la libreria stats)

Descomposición de la serie temporal: Información y Comunicaciones

Modelo Aditivo

Componente de Tendencia

Cálculo de los Factores Estacionales

Descomposición Aditiva (usando la libreria stats)

Descomposición de la serie temporal: Actividades Financieras y de Seguros

Modelo Aditivo

Componente de Tendencia

Cálculo de los Factores Estacionales

Descomposición Aditiva (usando la libreria stats)

Descomposición de la serie temporal: Actividades Inmobiliarias

Modelo Aditivo

Componente de Tendencia

Cálculo de los Factores Estacionales

Descomposición Aditiva (usando la libreria stats)

Descomposición de la serie temporal: Actividades Profesionales, Científicas, Técnicas, Administrativas, de Apoyo y Otros Servicios

Modelo Aditivo

Componente de Tendencia

Cálculo de los Factores Estacionales

Descomposición Aditiva (usando la libreria stats)

Descomposición de la serie temporal: Actividades de Administración Pública y Defensa, Enseñanza, Salud y Asistencia Social

Modelo Aditivo

Componente de Tendencia

Cálculo de los Factores Estacionales

Descomposición Aditiva (usando la libreria stats)