Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2022-12-22
CASO 3-2 MR. TUX
John le pidió al programa que calculara las primeras diferencias de los datos. La figura 3-26
presenta la función de autocorrelación para los datos diferenciados. Los coeficientes de
autocorrelación para los retrasos de tiempo 12 y 24, r12 0.68 y r24 0.42, respectivamente, son
significativamente diferentes de cero.
Finalmente, John usa otro programa de cómputo para calcular el porcentaje de la varianza con los
datos originales, explicado por los componentes de tendencia, estacionales y aleatorios.
El programa calcula el porcentaje de la varianzaen los datos originales, explicado por los factores
en el análisis:
FACTOR EXPLICADO
Data 100
De tendencia 6
Estacional 45
Aleatoria 49
CARGAMOS LAS LIBRERIAS QUE VAMOS A OCUPAR
library(fpp2)
library(gridExtra)
library(ggplot2)
library(stats)
library(astsa)
library(forecast)
library(foreign)
library(tseries)
PREGUNTA 1
Configure los datos a una serie de tiempo con la función ts de R; considerando el año final como 2021 y luego, realice una exploración de características y componentes.
library(readxl)
Case3_2 <- read_excel("Case3-2.XLS")
#Exploracion de componentes
compo=decompose(ventas,type =
"multiplicative")
plot(compo)
data: ventas
Dickey-Fuller = -7.1753, Lag order = 4, p-value = 0.01
alternative hypothesis: stationary
p-value 0.01 < al nivel de significancia 0.05, por lo que no rechazo Ho, por lo tanto la ST es no estacionaria.
CALCULO DE DIFERENCIAS
La ST es no estacionaria por lo que procedemos a encontrar las diferencias para la
parte regular y la parte estacional.
# parte regular (p,d,q)
ndiffs(ventas)
[1] 1
#parte estacional(P,D,Q)
nsdiffs(ventas)
[1] 1
Conlusion: con los codigos “ndiffs” y “nsdiffs” tenemos cuantas diferencia para la parte
regular y la parte estacional necesitamos, para que la serie sea estacional, en este caso
necesitamos 1 diferencia tanto para la parte regular y la parte estacional.
MODELO ESTACIONAL
modelo_ofi=auto.arima(ventas,d=1, D=1,trace = T)
ARIMA(2,1,2)(1,1,1)[12] : 1970.974
ARIMA(0,1,0)(0,1,0)[12] : 2001.044
ARIMA(1,1,0)(1,1,0)[12] : 1987.814
ARIMA(0,1,1)(0,1,1)[12] : 1963.081
ARIMA(0,1,1)(0,1,0)[12] : 1961.509
ARIMA(0,1,1)(1,1,0)[12] : 1963.039
ARIMA(0,1,1)(1,1,1)[12] : 1965.239
ARIMA(1,1,1)(0,1,0)[12] : 1962.441
ARIMA(0,1,2)(0,1,0)[12] : 1962.417
ARIMA(1,1,0)(0,1,0)[12] : 1985.83
ARIMA(1,1,2)(0,1,0)[12] : 1964.464
Coefficients:
ma1
-0.9642
s.e. 0.0432
Call:
arima(x = ventas, order = c(3, 1, 1), seasonal = list(order = c(0, 1, 0)))
Coefficients:
ar1 ar2 ar3 ma1
0.1331 -0.0083 0.1250 -0.9849
s.e. 0.1134 0.1125 0.1116 0.0619
ARIMA(2,1,2)(1,1,1)[12] : 1970.974
ARIMA(0,1,0)(0,1,0)[12] : 2001.044
ARIMA(1,1,0)(1,1,0)[12] : 1987.814
ARIMA(0,1,1)(0,1,1)[12] : 1963.081
ARIMA(0,1,1)(0,1,0)[12] : 1961.509
ARIMA(0,1,1)(1,1,0)[12] : 1963.039
ARIMA(0,1,1)(1,1,1)[12] : 1965.239
ARIMA(1,1,1)(0,1,0)[12] : 1962.441
ARIMA(0,1,2)(0,1,0)[12] : 1962.417
ARIMA(1,1,0)(0,1,0)[12] : 1985.83
ARIMA(1,1,2)(0,1,0)[12] : 1964.464