-
Notifications
You must be signed in to change notification settings - Fork 0
/
series_de_tiempo.R
187 lines (135 loc) · 5.36 KB
/
series_de_tiempo.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
##############################
### Series de Tiempo ###
##############################
################################
##Analisis de Series de Tiempo##
################################
require(TSA)
require(forecast)
require(ggplot2)
require(plotly)
##Control de Calidad a la Serie
plot(AirPassengers)
AirPassengers2=AirPassengers
AirPassengers2[100:112]=NA
plot(AirPassengers2)
AirPassengers2=tsclean(AirPassengers2)
plot(AirPassengers)
lines(AirPassengers2,col="red")
RMSE=sqrt(sum((AirPassengers2[100:112]-AirPassengers[100:112])^2))/length(100:112)
##Graficas Exploratorias para Identificacion
plot(decompose(AirPassengers)) ##Descomposicion de la serie
ggtsdisplay(AirPassengers, plot.type="scatter", theme=theme_bw()) ##Autocorrelacion AR1
tsdisplay(AirPassengers) ##FAC y FACP serie original
tsdisplay(diff(AirPassengers)) ##FAC y FACP serie diferenciada lag1
tsdisplay(diff(AirPassengers,lag=6)) ##FAC y FACP serie diferenciada lag6
tsdisplay(diff(AirPassengers,lag=12)) ##FAC y FACP serie diferenciada lag12
##Estimacion de Modelos y Pronosticos
air.model.auto=auto.arima(AirPassengers)
plot(forecast(air.model.auto,h=48))
air.model=Arima(AirPassengers,order=c(0,1,1),seasonal=list(order=c(0,1,1),period=12))
plot(forecast(air.model,h=48))
air.model.mal=Arima(AirPassengers,order=c(1,0,0))
plot(forecast(air.model.mal,h=48))
##Validacion Modelos
tsdisplay(air.model.auto$residuals)
tsdisplay(air.model$residuals)
tsdisplay(air.model.mal$residuals)
################################################################################################
yt = AirPassengers[-144]
yt1 = AirPassengers[-1]
plot(yt,yt1)
cor(yt,yt1)
t=1:143
mod=lm(yt~t)
summary(mod)
#Pasajeros=87+(2.6*mes)
################################################################################################
data()
w=wineind
##Graficas Exploratorias para Identificacion
plot(decompose(w)) ##Descomposicion de la serie
ggtsdisplay(w, plot.type="scatter", theme=theme_bw()) ##Autocorrelacion AR1
tsdisplay(w) ##FAC y FACP serie original
tsdisplay(diff(w)) ##FAC y FACP serie diferenciada lag1
tsdisplay(diff(w,lag=6)) ##FAC y FACP serie diferenciada lag6
tsdisplay(diff(w,lag=12)) ##FAC y FACP serie diferenciada lag12
descom_wine=decompose(wineind)
# grafico interactivo
require(plotly)
#wine=as.vector(wineind)
descom_wine2=as.vector(descom_wine$trend)
time = 1:176
#plot_ly(x = ~time)%>%add_lines(y=~wine)
plot_ly(x = ~time)%>%add_lines(y=~descom_wine2)
#######################################################################################
# Dengue
multiTimeline <- read.csv("C:/Users/Usuario/Downloads/multiTimeline.csv", comment.char="#")
View(multiTimeline)
dengue = as.numeric(multiTimeline$CategorÃ.a..Todas.las.categorÃ.as)
dengue_serie=ts(data=dengue, start = 2004, end=2019, frequency = 12)
plot(decompose(dengue_serie))
#######################################################################################
#######################################################################################
#######################################################################################
#######################################################################################
#######################################################################################
################################
##Analisis de Series de Tiempo##
################################
https://codeshare.io/5M3OO3
require(TSA)
require(forecast)
require(ggplot2)
require(plotly)
##Control de Calidad a la Serie
class(AirPassengers)
plot(AirPassengers)
AirPassengers2=AirPassengers
AirPassengers2[100:112]=NA
plot(AirPassengers2)
AirPassengers2=tsclean(AirPassengers2)
plot(AirPassengers)
lines(AirPassengers2,col="red")
RMSE=sqrt(sum((AirPassengers2[100:112]-AirPassengers[100:112])^2))/length(100:112)
RMSE
##Graficas Exploratorias para Identificacion
plot(decompose(AirPassengers)) ##Descomposicion de la serie
ggtsdisplay(AirPassengers, plot.type="scatter", theme=theme_bw()) ##Autocorrelacion AR1
tsdisplay(AirPassengers) ##FAC y FACP serie original
tsdisplay(diff(AirPassengers)) ##FAC y FACP serie diferenciada lag1
tsdisplay(diff(AirPassengers,lag=6)) ##FAC y FACP serie diferenciada lag6
tsdisplay(diff(AirPassengers,lag=12)) ##FAC y FACP serie diferenciada lag12
##Estimacion de Modelos y Pronosticos
air.model.auto=auto.arima(AirPassengers)
plot(forecast(air.model.auto,h=48))
air.model=Arima(AirPassengers,order=c(0,1,1),seasonal=list(order=c(0,1,1),period=12))
plot(forecast(air.model,h=48))
air.model.mal=Arima(AirPassengers,order=c(1,0,0))
plot(forecast(air.model.mal,h=48))
##Validacion Modelos
tsdisplay(air.model.auto$residuals)
tsdisplay(air.model$residuals)
tsdisplay(air.model.mal$residuals)
##Poder de Pronostico
AirPassengers_mod=AirPassengers[-c(134:144)]
AirPassengers_mod=ts(data=AirPassengers_mod,start=1949,end=1960,frequency = 12)
AirPassengers_real=AirPassengers[c(134:144)]
air.model.auto2=auto.arima(AirPassengers_mod)
plot(forecast(air.model.auto2,h=11))
pronostico=forecast(air.model.auto2,h=11)
mean(AirPassengers_real)
mean(abs(pronostico$mean-AirPassengers_real))
16/481
tsdisplay(air.model.auto2$residuals)
## Taller
# realizar analisis con el conjunto de datos wineind
# 1. Explorar la serie (Tendencia, estacionalidad)
# 2. Identificar el modelo apropiado (ARIMA, compoarar con auto arima)
# 3. Pronosticar 7 periodos adelante
# 4. Calcular el error medio absoluto
#ARIMA pripuesto
#AR(3)
#I(1)
#MA(2)
#- SEASONAL (,I=1)[12]