COMANDERA R

Question 1

1. ¿Cómo se renombra una base de datos en R?

Answer 1

IPC_men <- Serie_IPC_1_2010_a_2_2023

Question 2

2. ¿que paquetes son necesarios en R para analizar series temporales?

Answer 2

1. install.packages(“tseries”)
2. install.packages(“forecast”)
3. install.packages(“dynlm”)

Question 3

¿que bibliotecas son necesarias en R para analizar series temporales?

Answer 3

1. library(readxl)
2. library(tidyverse)
3. library(tseries)
4. library(forecast)
5. library(ggplot2)
6. library(stats)
7. library(lmtest)
8. library(dynlm)
9. library(“ICglm”)
10. library(“astsa”)

Question 4

4. ¿Cómo se convierte una base de datos en una serie de tiempo en R?

Answer 4

inflacion = ts(IPC_men, start = c(2010,1), frequency = 12)

Question 5

5. ¿Cómo se genera un gráfico de una serie de tiempo en R?

Answer 5

plot(inflacion)

Question 6

6. ¿Cómo se calcula el logaritmo de una serie de tiempo en R?

Answer 6

lnIPC <- log(IPC.ts)

Question 7

7. ¿Cómo se genera un gráfico de las variaciones porcentuales de una serie de tiempo en R?

Answer 7

Se crea la variable de diferencias
DlnIPC = diff(lnIPC)

grafico
plot(DlnIPC, main=”variacion porcentual del IPC”, col= “blue”)

Question 8

8. modelo 1 ¿Cómo se crea un modelo autoregresivo con un rezago en R?

Answer 8

modelo1 <- dynlm(lnIPC~L(lnIPC))

Question 9

9. modelo4 ¿Cómo se crea un modelo autoregresivo con múltiples rezagos en R?

Answer 9

o Respuesta: modelo4 <- dynlm(lnIPC~L(lnIPC, c(1,2,5,8)))

Question 10

10. ¿Cómo se genera una variable para verificar la tendencia en una serie de tiempo en R?

Answer 10

tend=seq_along(lnIPC)

Question 11

11. modelo5 ¿Cómo se crea un modelo para verificar la tendencia de una serie de tiempo de manera más segura en R?

Answer 11

modelo5 <- dynlm(lnIPC~L(lnIPC, 1:2 ) + trend(lnIPC))

Question 12

12. modelo6 ¿Cómo se crea un modelo con estacionalidad en R?

Answer 12

modelo6 <- dynlm(lnIPC~L(lnIPC, 1:2) + trend(lnIPC) + season(lnIPC))

Question 13

como identifica si un modelo tiene auto correlacion(varianza) y correlacion parcial (covarianza)?

Answer 13

acf(Padj)
pacf(Padj)

Question 14

como generar un grafico de tendencia lineal?

Answer 14

tsplot(Padj)

Question 15

para que sirve el comando acf?

Answer 15

detecta autocovarianza y autocorrelacion. Los límites de error son límites aproximados de ruido blanco

Question 16

pp.test(Padj)

Answer 16

prueba de Phillips Perron

Question 17

adf.test(Padj)

Answer 17

Dickey-Fuller Test

Question 18

DPadj=diff(Padj)

Answer 18

la serie temporal pasa a ser en diferencias, se puede estimar mejor con una variables logarítmica para incluir niveles poblacionales

Question 19

pp.test(DPadj)
adf.test(DPadj)

Answer 19

A travez de metodo formal se verifica si la raiz es unitaria, o sea con media 0 y varianza unica

Question 20

windows()
acf2(Dpadj)

Answer 20

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.

Question 21

ndiffs(DPadj)

Answer 21

propone un modelo significativo

Question 22

model7 <- sarima(DPadj, 2, 0,2)
model7$ttable

Answer 22

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.

Question 23

model8 <- arima(DPadj, order = c(1,0,2))
windows()
tsdiag(model8)

Answer 23

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.

Question 24

Box.test(residuals(model8), type = “Ljung-Box”)

Answer 24

Test de ruido blanco Ho: La prueba nos indica que los errores son de ruido blanco

Question 25

residuo = residuals(model8)
windows()
plot(residuo, main = “Residuos del modelo”, col = “red4”)

Answer 25

Residuos: crea una variable de residuos del modelo optimo
plot: hace un grafico de los residuos para determinar su tiene ruido blanco

Question 26

Box.test(residuo)

Answer 26

test de ruido blanco

Question 27

pronostico<- forecast::forecast(model8, h = 12)
pronostico
windows()
plot(pronostico)

Answer 27

pronostico= se genera la variable de pronostico
forecast= sirve para transformar el modelo optimo al numero h de estaciones a pronosticar

Question 28

model_8 <- sarima(Dpadj, 1,0,2)
acf2(model_8$fit$residuals, max.lag = 2)

Answer 28

se utiliza cuando el modelo es sarima

Question 29

cuales son los pasos para realizar un pronostico en R tras metodologia Box Jankins

Answer 29

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