Scribd
Cargar
221 vistas3 páginas

Análisis y Pronóstico ARIMA en R

Este documento describe los pasos para realizar un análisis ARIMA de una serie de tiempo univariada en Rstudio. Primero, carga las librerías necesarias y convierte los datos en un objeto de serie de tiempo. Luego, determina el número de diferencias requeridas para lograr la estacionariedad y realiza pruebas Dickey-Fuller. Después, genera gráficas para visualizar la serie diferenciada. Finalmente, estima un modelo ARIMA, evalúa el ajuste y realiza pronósticos.

Cargado por

Angel Noguera
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
221 vistas3 páginas

Análisis y Pronóstico ARIMA en R

Este documento describe los pasos para realizar un análisis ARIMA de una serie de tiempo univariada en Rstudio. Primero, carga las librerías necesarias y convierte los datos en un objeto de serie de tiempo. Luego, determina el número de diferencias requeridas para lograr la estacionariedad y realiza pruebas Dickey-Fuller. Después, genera gráficas para visualizar la serie diferenciada. Finalmente, estima un modelo ARIMA, evalúa el ajuste y realiza pronósticos.

Cargado por

Angel Noguera
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd

#ARIMA en Rstudio

#Cargar librerias
library(lubridate)
library(tseries)
library(lubridate)
library(tidyverse)
library(car)
library(astsa)
library(foreign)
library(timsac)
library(vars)
library(lmtest)
library(mFilter)
library(dynlm)
library(nlme)
library(lmtest)
library(broom)
library(kableExtra)
library(knitr)
library(MASS)
library(parallel)
library(car)
library(mlogit)
library(dplyr)
library(tidyr)
library(forecast)
library(fpp2)
library(stats)
library(quantmod)

attach(Arimar)
names(Arimar)

#Series de Tiempo Univariadas

#Paso 1. Convertir a objeto de Serie de Tiempo en R

Arimar.ts=ts(Arimar, start=c(2013,1), frequency = 12)

print(Arimar.ts)
class(Arimar.ts)

start(Arimar.ts)
end(Arimar.ts)

plot(Arimar.ts, main="Serie de tiempo", ylab="Precio", col="red")

serielog=log(Arimar.ts)
serielog
plot(serielog)

#Estacionariedad: Para conocer el número de diferencias que se requieren para lograr que
la serie
#sea estacionaria

ndiffs(Arimar.ts)

#Paso 2.Prueba de DickeyFuller

adf.test(Arimar.ts)

seriedif=diff(Arimar.ts)
plot(seriedif)
acf(seriedif)

ndiffs(seriedif)
adf.test(seriedif)

#Prueba de Dickey Fuller con dos diferencias

seriedif2=diff(Arimar.ts, differences =2)


plot(seriedif2)
adf.test(seriedif2)

#Paso 4: Analisis visual de las graficas

plot(seriedif2, type="o", lty="dashed",main="Serie de Tiempo",col="red")


par(mfrow=c(2,1), mar=c(4,4,4,1)+.1)
acf(seriedif2)
pacf(seriedif2)
acf(ts(seriedif2, frequency=1))
pacf(ts(seriedif2, frequency=1))

#Modelo Arima

modelo1=arima(Arimar.ts,order=c(1,2,1))
summary(modelo1)
tsdiag(modelo1)
Box.test(residuals(modelo1),type="Ljung-Box")

error=residuals(modelo1)
plot(error)

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

También podría gustarte