Descomposición de series temporales (Enfoque Tradicional) Descomposición de serie temporal general

Usaremos 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)
library(readxl)
IVAE_03_22 <- read_excel("C:/Users/isaac/OneDrive/Imágenes/IVAE_03_22.xlsx", 
                         col_names = FALSE, skip = 6, n_max = 10)
                         View(IVAE_03_22)
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 estima 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 General
Tt<-ma2_12 #Media Movil centrada (2*12-MA) como componente de Tendencia Ciclo
SI<- Yt-Tt #Diferencia que contiene componenres Estacionales e Irregulares

St<-tapply(SI,cycle(SI),mean, na.rm=TRUE) #Promediando resultados por mes

#Los factores estacionales deben sumar "0" en el modelo aditivo
St<-St-sum(St) / 12
#General la serie de fatores 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 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")
## Warning: Removed 12 row(s) containing missing values (geom_path).

#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 resultados por mes

#Los factores estacionales deben sumar "0" en el modelo aditivo
St <- St - sum(St) / 12 
#Generar 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 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 estimara el componente de Tendencia-Ciclo por medio 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")
## Warning: Removed 12 row(s) containing missing values (geom_path).

#Cálculo de los Factores Estacionales.

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

St <- tapply(SI, cycle(SI), mean, na.rm = TRUE) #Promediando resultados por 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 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. Estimando 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")
## Warning: Removed 12 row(s) containing missing values (geom_path).

#Cálculo de los Factores Estacionales.

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

St <- tapply(SI, cycle(SI), mean, na.rm = TRUE) #Promediando resultados por 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 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. Estimando 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")
## Warning: Removed 12 row(s) containing missing values (geom_path).

#Cálculo de los Factores Estacionales.

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

St <- tapply(SI, cycle(SI), mean, na.rm = TRUE) #Promediando 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 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. Estimando 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")
## Warning: Removed 12 row(s) containing missing values (geom_path).

#Cálculo de los Factores Estacionales.

library(magrittr)
library(forecast)
Yt <- data.ivae.ts.infocom #Serie componente Informacion y Comunicaciones
Tt <- ma2_12_infocom #Media móvil centrada (2x12-MA) 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 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. Estimando 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")
## Warning: Removed 12 row(s) containing missing values (geom_path).

#Cálculo de los Factores Estacionales.

library(magrittr)
library(forecast)
Yt <- data.ivae.ts.actfinanseg #Componente Actividad Financiera y Seguros
Tt <- ma2_12_actfinanseg #Media móvil centrada (2x12-MA)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 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. Estimando 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")
## Warning: Removed 12 row(s) containing missing values (geom_path).

#Cálculo de los Factores Estacionales.

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

St <- tapply(SI, cycle(SI), mean, na.rm = TRUE) #Promediando resultados por 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 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 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. Estimando 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")
## Warning: Removed 12 row(s) containing missing values (geom_path).

#Cálculando los Factores Estacionales.

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

St <- tapply(SI, cycle(SI), mean, na.rm = TRUE) #Promediando resultados por 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 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")

#Descomponiendo 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. Estimando 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")
## Warning: Removed 12 row(s) containing missing values (geom_path).

#Cálculando Factores Estacionales.

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

St <- tapply(SI, cycle(SI), mean, na.rm = TRUE) #Promediando resultados por 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 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")