COMANDERA R Flashcards
- ¿Cómo se renombra una base de datos en R?
IPC_men <- Serie_IPC_1_2010_a_2_2023
- ¿que paquetes son necesarios en R para analizar series temporales?
- install.packages(“tseries”)
- install.packages(“forecast”)
- install.packages(“dynlm”)
¿que bibliotecas son necesarias en R para analizar series temporales?
- library(readxl)
- library(tidyverse)
- library(tseries)
- library(forecast)
- library(ggplot2)
- library(stats)
- library(lmtest)
- library(dynlm)
- library(“ICglm”)
- library(“astsa”)
- ¿Cómo se convierte una base de datos en una serie de tiempo en R?
inflacion = ts(IPC_men, start = c(2010,1), frequency = 12)
- ¿Cómo se genera un gráfico de una serie de tiempo en R?
plot(inflacion)
- ¿Cómo se calcula el logaritmo de una serie de tiempo en R?
lnIPC <- log(IPC.ts)
- ¿Cómo se genera un gráfico de las variaciones porcentuales de una serie de tiempo en R?
Se crea la variable de diferencias
DlnIPC = diff(lnIPC)
grafico
plot(DlnIPC, main=”variacion porcentual del IPC”, col= “blue”)
- modelo 1 ¿Cómo se crea un modelo autoregresivo con un rezago en R?
modelo1 <- dynlm(lnIPC~L(lnIPC))
- modelo4 ¿Cómo se crea un modelo autoregresivo con múltiples rezagos en R?
o Respuesta: modelo4 <- dynlm(lnIPC~L(lnIPC, c(1,2,5,8)))
- ¿Cómo se genera una variable para verificar la tendencia en una serie de tiempo en R?
tend=seq_along(lnIPC)
- modelo5 ¿Cómo se crea un modelo para verificar la tendencia de una serie de tiempo de manera más segura en R?
modelo5 <- dynlm(lnIPC~L(lnIPC, 1:2 ) + trend(lnIPC))
- modelo6 ¿Cómo se crea un modelo con estacionalidad en R?
modelo6 <- dynlm(lnIPC~L(lnIPC, 1:2) + trend(lnIPC) + season(lnIPC))
como identifica si un modelo tiene auto correlacion(varianza) y correlacion parcial (covarianza)?
acf(Padj)
pacf(Padj)
como generar un grafico de tendencia lineal?
tsplot(Padj)
para que sirve el comando acf?
detecta autocovarianza y autocorrelacion. Los límites de error son límites aproximados de ruido blanco
pp.test(Padj)
prueba de Phillips Perron
adf.test(Padj)
Dickey-Fuller Test
DPadj=diff(Padj)
la serie temporal pasa a ser en diferencias, se puede estimar mejor con una variables logarítmica para incluir niveles poblacionales
pp.test(DPadj)
adf.test(DPadj)
A travez de metodo formal se verifica si la raiz es unitaria, o sea con media 0 y varianza unica
windows()
acf2(Dpadj)
Genera un gráfico de estimaciones donde muestra los valores de autocorrelación y autocorrelación parcial para diferentes rezagos.
Las barras significativas en la ACF indican correlaciones significativas en esos rezagos. Si están dentro del intervalo de confianza (linea azul) no hay evidencia significativa de autocorrelación.
ndiffs(DPadj)
propone un modelo significativo
model7 <- sarima(DPadj, 2, 0,2)
model7$ttable
La función sarima ajusta modelos ARIMA extendidos con componentes
1. estacionales
2. tendencias,
3. variables exógenas y
4 raíces arbitrarias en el círculo unitario.
Puede utilizarse para
realizar regresiones con errores autocorrelacionados proporciona estimaciones de:
1. parámetros,
2. errores estándar,
3. criterios de información (AIC, AICc, BIC)
4. diagnósticos.
model8 <- arima(DPadj, order = c(1,0,2))
windows()
tsdiag(model8)
el comando ARIMA se utiliza para ajustar modelos de series temporales, y además, puede aplicarse en regresiones donde los errores están autocorrelacionados. Los diagnósticos proporcionan información sobre la calidad del ajuste del modelo.
Box.test(residuals(model8), type = “Ljung-Box”)
Test de ruido blanco Ho: La prueba nos indica que los errores son de ruido blanco
residuo = residuals(model8)
windows()
plot(residuo, main = “Residuos del modelo”, col = “red4”)
Residuos: crea una variable de residuos del modelo optimo
plot: hace un grafico de los residuos para determinar su tiene ruido blanco
Box.test(residuo)
test de ruido blanco
pronostico<- forecast::forecast(model8, h = 12)
pronostico
windows()
plot(pronostico)
pronostico= se genera la variable de pronostico
forecast= sirve para transformar el modelo optimo al numero h de estaciones a pronosticar
model_8 <- sarima(Dpadj, 1,0,2)
acf2(model_8$fit$residuals, max.lag = 2)
se utiliza cuando el modelo es sarima
cuales son los pasos para realizar un pronostico en R tras metodologia Box Jankins
1 Converir en formato temporal la serie
2 Determinamos si la serie es o no estacionaria
3 hacer la serie de estacionaria a estacionaria en diferencias
4 Identificar el modelo optimo
5 Validacion del mejor modelo
6 Pronostico del modelo
