Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 161 vistas

    SERIES DE TIEMPO CON RStudio

    Cargado por

    Britman Salcedo
    La predicción es, en si misma una información referida al futuro de suma importancia, la cual requiere un análisis minucioso. Estos elementos son los que me incentivaron a realizar el estudio de series de tiempo con Modelos ARIMA "Autorregresivos Integrados de Medias Móviles", basados en la teoría de procesos estocásticos.

    Copyright:

    © All Rights Reserved

    SERIES DE TIEMPO CON RStudio

    Cargado por

    Britman Salcedo
    161 vistas12 páginas
    La predicción es, en si misma una información referida al futuro de suma importancia, la cual requiere un análisis minucioso. Estos elementos son los que me incentivaron a realizar el estudio de series de tiempo con Modelos ARIMA "Autorregresivos Integrados de Medias Móviles", basados en la teoría de procesos estocásticos.

    Derechos de autor

    © © All Rights Reserved

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    La predicción es, en si misma una información referida al futuro de suma importancia, la cual requiere un análisis minucioso. Estos elementos son los que me incentivaron a realizar el estudio de series de tiempo con Modelos ARIMA "Autorregresivos Integrados de Medias Móviles", basados en la teoría de procesos estocásticos.

    Copyright:

    © All Rights Reserved
    161 vistas12 páginas

    SERIES DE TIEMPO CON RStudio

    Cargado por

    Britman Salcedo
    La predicción es, en si misma una información referida al futuro de suma importancia, la cual requiere un análisis minucioso. Estos elementos son los que me incentivaron a realizar el estudio de series de tiempo con Modelos ARIMA "Autorregresivos Integrados de Medias Móviles", basados en la teoría de procesos estocásticos.

    Copyright:

    © All Rights Reserved
    de 12

    UNIVERSIDAD NACIONAL DEL ALTIPLANO

    FACULTAD DE INGENIERÍA ESTADÍSTICA E INFORMÁTICA

    ESCUELA PROFESIONAL DE INGENIERÍA ESTADÍSTICA E INFORMÁTICA

    CURSO:

    ESTADISTICA BAYESIANA

    PRACTICA:

    MODELO ARIMA

    DOCENTE:

    Dr. VARGAS VALVERDE CONFESOR MILAN

    ESTUDIANTE:

    SALCEDO PUMACCOLA BRITMAN

    PUNO – PERU

    2021
    SERIES DE TIEMPO
    UNIVERSIDAD NACIONAL DEL ALTIPLANO
    INGENIERIA ESTADISTICA E INFORMATICA

    MODELO ARIMA

    Se han analizado las series temporales desde un punto de vista determinista o clásico.

    A partir de ahora se estudian desde un punto de vista estocástico o moderno, que utiliza

    métodos más complejos y su aplicación requiere series más largas. Box y Jenkins han

    desarrollado modelos estadísticos para series temporales que tienen en cuenta la

    dependencia existente entre los datos, esto es, cada observación en un momento dado

    es modelada en función de los valores anteriores. Los análisis se basan en un modelo

    explícito.

    Los modelos se conocen con el nombre genérico de ARIMA (AutoRegresive Integrated

    Moving Average), que deriva de sus tres componentes AR (Autoregresivo),

    I(Integrado) y MA (Medias Móviles). El modelo ARIMA permite describir un valor

    como una función lineal de datos anteriores y errores debidos al azar, además, puede

    incluir un componente cíclico o estacional. Es decir, debe contener todos los elementos

    necesarios para describir el fenómeno. Box y Jenkins recomiendan como mínimo 50

    observaciones en la serie temporal.

    Series de Tiempo Univariado

    Convertir a Objeto de Serie de Tiempo en RStudio

    #Series de Tiempo Univariadas


    #Paso 1. Convertir a objeto de Serie de Tiempo en R
    SerieA.ts=ts(SerieA, start=c(1984,1), frequency = 12)
    print(SerieA.ts)

    Convertimos a clase ts

    class(SerieA.ts)

    1
    SERIES DE TIEMPO
    UNIVERSIDAD NACIONAL DEL ALTIPLANO
    INGENIERIA ESTADISTICA E INFORMATICA

    con las funciones start y end vemos cuando inicia y termina.

    start(SerieA.ts)
    end(SerieA.ts)

    Leemos los datos del año de 1984 al 2008.

    serielog=log(SerieA.ts)
    serielog

    ## Jan Feb Mar Apr May Jun Jul Aug


    ## 1984 2.251292 2.316291 2.372111 2.394891 2.389771 2.379639 2.367436 2.355178
    ## 1985 2.354513 2.376764 2.406675 2.421878 2.427631 2.422410 2.411619 2.398804
    ## 1986 2.427719 2.456507 2.505118 2.529163 2.527407 2.512522 2.488899 2.474772
    ## 1987 2.454791 2.476706 2.474435 2.465724 2.453846 2.438601 2.429394 2.413500
    ## 1988 2.383612 2.401887 2.412246 2.446945 2.447897 2.435979 2.423209 2.410003
    ## 1989 2.372204 2.382228 2.391328 2.399893 2.396258 2.385915 2.374813 2.362645
    ## 1990 2.329714 2.334762 2.330978 2.324933 2.315304 2.308865 2.298175 2.286456
    ## 1991 2.280953 2.285337 2.295661 2.310454 2.306478 2.298075 2.288182 2.273980
    ## 1992 2.246226 2.260721 2.264779 2.254969 2.242092 2.226460 2.213972 2.201659
    ## 1993 2.182449 2.210689 2.221050 2.228508 2.225380 2.211675 2.199999 2.186613
    ## 1994 2.185377 2.220616 2.243154 2.253710 2.253605 2.242304 2.229907 2.216264
    ## 1995 2.193997 2.197669 2.218442 2.224624 2.212551 2.198890 2.185602 2.172249
    ## 1996 2.140066 2.172021 2.179739 2.183126 2.172818 2.158599 2.142416 2.130135
    ## 1997 2.114688 2.165160 2.217354 2.236659 2.233342 2.220181 2.208055 2.197780
    ## 1998 2.175547 2.183576 2.194889 2.201549 2.187735 2.171109 2.159061 2.145112
    ## 1999 2.101325 2.114688 2.151181 2.188296 2.191654 2.177928 2.163668 2.150133
    ## 2000 2.120703 2.155708 2.192882 2.197780 2.186725 2.174865 2.160330 2.148968
    ## 2001 2.154085 2.225380 2.293242 2.320425 2.316587 2.307274 2.297271 2.287877
    ## 2002 2.259469 2.280033 2.316291 2.334374 2.339206 2.330006 2.317769 2.309958
    ## 2003 2.307772 2.340459 2.371551 2.388304 2.384534 2.373882 2.361891 2.350613
    ## 2004 2.334568 2.375836 2.387202 2.388855 2.379639 2.364620 2.354703 2.343727
    ## 2005 2.306876 2.320818 2.337373 2.338531 2.326692 2.312436 2.298677 2.285134
    ## 2006 2.277267 2.315600 2.323172 2.336697 2.328253 2.315699 2.303585 2.289804
    ## 2007 2.272332 2.276754 2.295661 2.313723 2.310652 2.296064 2.285032 2.272538

    2
    SERIES DE TIEMPO
    UNIVERSIDAD NACIONAL DEL ALTIPLANO
    INGENIERIA ESTADISTICA E INFORMATICA

    ## 2008 2.254130 2.278907 2.295560 2.292636 2.280544 2.266958 2.254025 2.239965


    ## Sep Oct Nov Dec
    ## 1984 2.341613 2.333308 2.330395 2.335439
    ## 1985 2.390504 2.383704 2.381489 2.397259
    ## 1986 2.463768 2.452556 2.439909 2.435454
    ## 1987 2.402973 2.392152 2.385363 2.380749
    ## 1988 2.396713 2.386926 2.374813 2.363116
    ## 1989 2.352232 2.341421 2.329811 2.320720
    ## 1990 2.275728 2.271094 2.273980 2.276960
    ## 1991 2.263324 2.252870 2.244532 2.237727
    ## 1992 2.195557 2.185377 2.176795 2.175433
    ## 1993 2.177249 2.172021 2.170082 2.174183
    ## 1994 2.208714 2.198224 2.189416 2.184027
    ## 1995 2.161828 2.150016 2.138182 2.132390
    ## 1996 2.116978 2.103646 2.096176 2.093961
    ## 1997 2.187735 2.183238 2.178947 2.171679
    ## 1998 2.130610 2.116858 2.108636 2.103036
    ## 1999 2.139713 2.137357 2.127755 2.116376
    ## 2000 2.137475 2.131203 2.122980 2.115412
    ## 2001 2.281055 2.273774 2.266440 2.257901
    ## 2002 2.302585 2.297271 2.293544 2.297271
    ## 2003 2.339399 2.328935 2.319835 2.309362
    ## 2004 2.335730 2.324542 2.312535 2.303984
    ## 2005 2.273671 2.267579 2.260199 2.256751
    ## 2006 2.278907 2.268821 2.263844 2.261451
    ## 2007 2.267476 2.257901 2.246544 2.246226
    ## 2008 2.227538 2.215719 2.205083 2.199777

    3
    SERIES DE TIEMPO
    UNIVERSIDAD NACIONAL DEL ALTIPLANO
    INGENIERIA ESTADISTICA E INFORMATICA

    Ilustración 1. Serie de Tiempo de la SerieA.

    #Stationarity: To know the number of differences that are required to achieve that the series
    #be stationary
    ndiffs(SerieA.ts)

    Con este comando averiguamos el numero de diferencias que tiene la SerieAlog.

    Prueba de Dicky-Fuller

    #Paso 2.Prueba de DickeyFuller


    adf.test(SerieA.ts)

    ##
    ## Augmented Dickey-Fuller Test
    ##
    ## data: SerieA.ts
    ## Dickey-Fuller = -1.2334, Lag order = 6, p-value = 0.8994
    ## alternative hypothesis: stationary

    4
    SERIES DE TIEMPO
    UNIVERSIDAD NACIONAL DEL ALTIPLANO
    INGENIERIA ESTADISTICA E INFORMATICA

    La prueba de Dicky Fuller nos sale negativa

    Ilustración 2. Diferencias de la SerieA

    En el grafico mostramos la media de la SerieA de -0.3 a 0.7 el cual se mantiene entre

    ese intervalo.

    adf.test(seriedif)

    ##
    ## Augmented Dickey-Fuller Test
    ##
    ## data: seriedif
    ## Dickey-Fuller = -10.613, Lag order = 6, p-value = 0.01
    ## alternative hypothesis: stationary

    acf(seriedif)

    5
    SERIES DE TIEMPO
    UNIVERSIDAD NACIONAL DEL ALTIPLANO
    INGENIERIA ESTADISTICA E INFORMATICA

    Ilustración 3. Diferencias de la SerieA

    adf.test(seriedif)

    ##
    ## Augmented Dickey-Fuller Test
    ##
    ## data: seriedif
    ## Dickey-Fuller = -10.613, Lag order = 6, p-value = 0.01
    ## alternative hypothesis: stationary

    Aplicamos la prueba de la diferencia con Dickey Fuller

    Prueba de Dickey Fuller con dos Diferencias

    6
    SERIES DE TIEMPO
    UNIVERSIDAD NACIONAL DEL ALTIPLANO
    INGENIERIA ESTADISTICA E INFORMATICA

    Ilustración 4. SerieA con dos Diferencias.

    adf.test(seriedif2)

    ##
    ## Augmented Dickey-Fuller Test
    ##
    ## data: seriedif2
    ## Dickey-Fuller = -11.117, Lag order = 6, p-value = 0.01
    ## alternative hypothesis: stationary

    Realizamos la prueba de Dickey Fuller con dos diferencias cambiando la media entre -

    0.4 al 0.4.

    7
    SERIES DE TIEMPO
    UNIVERSIDAD NACIONAL DEL ALTIPLANO
    INGENIERIA ESTADISTICA E INFORMATICA

    Análisis Visual del Grafico

    Vemos una media constante entre el año 1985 al 2000 teniendo una pequeña diferencia

    en el año 2002.

    Modelo ARIMA

    #Modelo Arima
    modelo1=arima(SerieA.ts,order=c(1,2,1))
    summary(modelo1)

    ##
    ## Call:
    ## arima(x = SerieA.ts, order = c(1, 2, 1))
    ##
    ## Coefficients:
    ## ar1 ma1
    ## 0.0191 0.2969

    8
    SERIES DE TIEMPO
    UNIVERSIDAD NACIONAL DEL ALTIPLANO
    INGENIERIA ESTADISTICA E INFORMATICA

    ## s.e. 0.1602 0.1504


    ##
    ## sigma^2 estimated as 0.01243: log likelihood = 230.89, aic = -455.78
    ##
    ## Training set error measures:
    ## ME RMSE MAE MPE MAPE MASE
    ## Training set -0.001708912 0.111109 0.07294355 -0.0009988697 0.7348677 0.5865616
    ## ACF1
    ## Training set 0.001412786

    tsdiag(modelo1)

    Ilustración 5. Modelo de Residuales de Estandarización.

    Los residuales de estandarización son de entre -2 al 2 con la media de -4 al 2 teniendo

    una media entre esos intervalos.

    Box.test(residuals(modelo1),type="Ljung-Box")

    9
    SERIES DE TIEMPO
    UNIVERSIDAD NACIONAL DEL ALTIPLANO
    INGENIERIA ESTADISTICA E INFORMATICA

    ##
    ## Box-Ljung test
    ##
    ## data: residuals(modelo1)
    ## X-squared = 0.0006048, df = 1, p-value = 0.9804

    La prueba de Ljung-Box tiene como finalidad que la chi-cuadrado es 0.0006048 y

    margen de error de 0.02.

    Pronostico ARIMA

    #Pronosticos Arima
    pronostico=forecast::forecast(modelo1,h=10)
    pronostico

    ## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
    ## Jan 2009 8.989383 8.846517 9.132249 8.770888 9.207878
    ## Feb 2009 8.956041 8.595642 9.316440 8.404858 9.507224
    ## Mar 2009 8.922704 8.290233 9.555174 7.955424 9.889984
    ## Apr 2009 8.889367 7.939540 9.839193 7.436733 10.342001
    ## May 2009 8.856030 7.549241 10.162819 6.857468 10.854592
    ## Jun 2009 8.822693 7.123294 10.522092 6.223686 11.421700
    ## Jul 2009 8.789356 6.664667 10.914045 5.539925 12.038787
    ## Aug 2009 8.756019 6.175691 11.336347 4.809748 12.702290
    ## Sep 2009 8.722682 5.658261 11.787103 4.036054 13.409310
    ## Oct 2009 8.689345 5.113955 12.264736 3.221257 14.157433

    10
    SERIES DE TIEMPO
    UNIVERSIDAD NACIONAL DEL ALTIPLANO
    INGENIERIA ESTADISTICA E INFORMATICA

    Ilustración 6. Modelo ARIMA (1,2,1).

    Pronostico del año 2009 teniendo una tendencia baja en la media hasta el mes de

    Octubre con el modelo ARIMA 1,2,1.

    Join in this link for help you/Junte-se a este link para ajudá-lo/Únete a este enlace para

    ayudarte: https://rpubs.com/BritmanSalcedo/845796

    11

    También podría gustarte