Pronósticos

Instalar paquetes y llamar librerías

#install.packages("forecast")
library(forecast)

## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo

Crear serie de tiempo

produccion<-c(19,18,15,20,18,22,20)
produccion_st<-ts(data=produccion,start=c(2022,2),frequency=12)
produccion

## [1] 19 18 15 20 18 22 20

ARIMA: Modelo Autorregresivoo Integrado de Media Móvil (AutoRegressive Integrated Moving Average).
ARIMA: (p,d,q).
p=orden de auto-regresión.
d=orden de integración (diferenciación).
q=orden del promedio móvil.

¿Cuándo se usa?
Cuando las estimaciones futuras se explican por los datos del pasado y no por las variables independientes.

Ejemplo: tipo de cambio.

modelo<-auto.arima(produccion_st)
modelo

## Series: produccion_st 
## ARIMA(0,0,0) with non-zero mean 
## 
## Coefficients:
##          mean
##       18.8571
## s.e.   0.7674
## 
## sigma^2 = 4.81:  log likelihood = -14.89
## AIC=33.78   AICc=36.78   BIC=33.67

pronostico<-forecast(modelo,level=c(95),h=5)
pronostico

##          Point Forecast    Lo 95    Hi 95
## Sep 2022       18.85714 14.55882 23.15547
## Oct 2022       18.85714 14.55882 23.15547
## Nov 2022       18.85714 14.55882 23.15547
## Dec 2022       18.85714 14.55882 23.15547
## Jan 2023       18.85714 14.55882 23.15547

plot(pronostico)