-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathlabotres.R
563 lines (456 loc) · 28.2 KB
/
labotres.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
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
#Universidad del Valle de Guatemala
# Catedrática: Lynette García
# Pablo Viana - 16091
# Segio Marchena - 16387
# Laboratorio numero 3
#Paquetes a utilizar
install.packages("forecast")
install.packages("fUnitRoots")
install.packages("ggfortify")
install.packages("xts")
library(forecast)
library(tseries)
library(fUnitRoots)
library(ggfortify)
library(xts)
library(dplyr)
library(MASS)
# ANALISIS EXPLORATORIO
datos<-read.csv("datosImp.csv")
#meses
meses<-c("Ene", "Feb", "Mar", "Abr", "May", "Jun", "Jul", "Ago","Sep", "Oct", "Nov", "Dic")
#meses2
meses2<-c("Ene", "Feb", "Mar", "Abr", "May", "Jun")
#Unificación de Gasolina DieselLS y Diesel normal
datos[datos$Anio>=2018,"Diesel"] <- datos[datos$Anio>=2018,"DieselLS"]
datos$DieselLS<-NULL
datos$DieselULS<-NULL
#Verificacion que esta bien
View(datos$Diesel)
#División de datos por año
anio2001<-datos[datos$Anio == 2001,]
anio2002<-datos[datos$Anio == 2002,]
anio2003<-datos[datos$Anio == 2003,]
anio2004<-datos[datos$Anio == 2004,]
anio2005<-datos[datos$Anio == 2005,]
anio2006<-datos[datos$Anio == 2006,]
anio2007<-datos[datos$Anio == 2007,]
anio2008<-datos[datos$Anio == 2008,]
anio2009<-datos[datos$Anio == 2009,]
anio2010<-datos[datos$Anio == 2010,]
anio2011<-datos[datos$Anio == 2011,]
anio2012<-datos[datos$Anio == 2012,]
anio2013<-datos[datos$Anio == 2013,]
anio2014<-datos[datos$Anio == 2014,]
anio2015<-datos[datos$Anio == 2015,]
anio2016<-datos[datos$Anio == 2016,]
anio2017<-datos[datos$Anio == 2017,]
anio2018<-datos[datos$Anio == 2018,]
anio2019<-datos[datos$Anio == 2019,]
# PICOS DE IMPORTACIONES POR ANIO DE GASOLINA SUPER
barplot(anio2001$GasSuperior, names.arg = meses, main = "Importacion de Super en 2001")
barplot(anio2002$GasSuperior, names.arg = meses, main = "Importacion de Super en 2002")
barplot(anio2003$GasSuperior, names.arg = meses, main = "Importacion de Super en 2003")
barplot(anio2004$GasSuperior, names.arg = meses, main = "Importacion de Super en 2004")
barplot(anio2005$GasSuperior, names.arg = meses, main = "Importacion de Super en 2005")
barplot(anio2006$GasSuperior, names.arg = meses, main = "Importacion de Super en 2006")
barplot(anio2007$GasSuperior, names.arg = meses, main = "Importacion de Super en 2007")
barplot(anio2008$GasSuperior, names.arg = meses, main = "Importacion de Super en 2008")
barplot(anio2009$GasSuperior, names.arg = meses, main = "Importacion de Super en 2009")
barplot(anio2010$GasSuperior, names.arg = meses, main = "Importacion de Super en 2010")
barplot(anio2011$GasSuperior, names.arg = meses, main = "Importacion de Super en 2011")
barplot(anio2012$GasSuperior, names.arg = meses, main = "Importacion de Super en 2012")
barplot(anio2013$GasSuperior, names.arg = meses, main = "Importacion de Super en 2013")
barplot(anio2014$GasSuperior, names.arg = meses, main = "Importacion de Super en 2014")
barplot(anio2015$GasSuperior, names.arg = meses, main = "Importacion de Super en 2015")
barplot(anio2016$GasSuperior, names.arg = meses, main = "Importacion de Super en 2016")
barplot(anio2017$GasSuperior, names.arg = meses, main = "Importacion de Super en 2017")
barplot(anio2018$GasSuperior, names.arg = meses, main = "Importacion de Super en 2018")
barplot(anio2019$GasSuperior, names.arg = meses2,main = "Importacion de Super en 2019")
# PICOS DE IMPORTACIONES POR ANIO DE GASOLINA REGULAR
barplot(anio2001$GasRegular, names.arg = meses, main = "Importacion de Regular en 2001")
barplot(anio2002$GasRegular, names.arg = meses, main = "Importacion de Regular en 2002")
barplot(anio2003$GasRegular, names.arg = meses, main = "Importacion de Regular en 2003")
barplot(anio2004$GasRegular, names.arg = meses, main = "Importacion de Regular en 2004")
barplot(anio2005$GasRegular, names.arg = meses, main = "Importacion de Regular en 2005")
barplot(anio2006$GasRegular, names.arg = meses, main = "Importacion de Regular en 2006")
barplot(anio2007$GasRegular, names.arg = meses, main = "Importacion de Regular en 2007")
barplot(anio2008$GasRegular, names.arg = meses, main = "Importacion de Regular en 2008")
barplot(anio2009$GasRegular, names.arg = meses, main = "Importacion de Regular en 2009")
barplot(anio2010$GasRegular, names.arg = meses, main = "Importacion de Regular en 2010")
barplot(anio2011$GasRegular, names.arg = meses, main = "Importacion de Regular en 2011")
barplot(anio2012$GasRegular, names.arg = meses, main = "Importacion de Regular en 2012")
barplot(anio2013$GasRegular, names.arg = meses, main = "Importacion de Regular en 2013")
barplot(anio2014$GasRegular, names.arg = meses, main = "Importacion de Regular en 2014")
barplot(anio2015$GasRegular, names.arg = meses, main = "Importacion de Regular en 2015")
barplot(anio2016$GasRegular, names.arg = meses, main = "Importacion de Regular en 2016")
barplot(anio2017$GasRegular, names.arg = meses, main = "Importacion de Regular en 2017")
barplot(anio2018$GasRegular, names.arg = meses, main = "Importacion de Regular en 2018")
barplot(anio2019$GasRegular, names.arg = meses2,main = "Importacion de Regular en 2019")
# PICOS DE IMPORTACIONES POR ANIO DE GASOLINA SUPER
barplot(anio2001$Diesel, names.arg = meses, main = "Importacion de Diesel en 2001")
barplot(anio2002$Diesel, names.arg = meses, main = "Importacion de Diesel en 2002")
barplot(anio2003$Diesel, names.arg = meses, main = "Importacion de Diesel en 2003")
barplot(anio2004$Diesel, names.arg = meses, main = "Importacion de Diesel en 2004")
barplot(anio2005$Diesel, names.arg = meses, main = "Importacion de Diesel en 2005")
barplot(anio2006$Diesel, names.arg = meses, main = "Importacion de Diesel en 2006")
barplot(anio2007$Diesel, names.arg = meses, main = "Importacion de Diesel en 2007")
barplot(anio2008$Diesel, names.arg = meses, main = "Importacion de Diesel en 2008")
barplot(anio2009$Diesel, names.arg = meses, main = "Importacion de Diesel en 2009")
barplot(anio2010$Diesel, names.arg = meses, main = "Importacion de Diesel en 2010")
barplot(anio2011$Diesel, names.arg = meses, main = "Importacion de Diesel en 2011")
barplot(anio2012$Diesel, names.arg = meses, main = "Importacion de Diesel en 2012")
barplot(anio2013$Diesel, names.arg = meses, main = "Importacion de Diesel en 2013")
barplot(anio2014$Diesel, names.arg = meses, main = "Importacion de Diesel en 2014")
barplot(anio2015$Diesel, names.arg = meses, main = "Importacion de Diesel en 2015")
barplot(anio2016$Diesel, names.arg = meses, main = "Importacion de Diesel en 2016")
barplot(anio2017$Diesel, names.arg = meses, main = "Importacion de Diesel en 2017")
barplot(anio2018$Diesel, names.arg = meses, main = "Importacion de Diesel en 2018")
barplot(anio2019$Diesel, names.arg = meses2,main = "Importacion de Diesel en 2019")
totalSuper<-c(mean(anio2001$GasSuperior), mean(anio2002$GasSuperior),mean(anio2003$GasSuperior),
mean(anio2004$GasSuperior), mean(anio2005$GasSuperior),mean(anio2006$GasSuperior),
mean(anio2007$GasSuperior), mean(anio2008$GasSuperior),mean(anio2009$GasSuperior), mean(anio2010$GasSuperior),
mean(anio2011$GasSuperior), mean(anio2012$GasSuperior),mean(anio2013$GasSuperior),
mean(anio2014$GasSuperior), mean(anio2015$GasSuperior),mean(anio2016$GasSuperior),
mean(anio2017$GasSuperior), mean(anio2018$GasSuperior),mean(anio2019$GasSuperior))
totalRegular<-c(mean(anio2001$GasRegular), mean(anio2002$GasRegular),mean(anio2003$GasRegular),
mean(anio2004$GasRegular), mean(anio2005$GasRegular),mean(anio2006$GasRegular),
mean(anio2007$GasRegular), mean(anio2008$GasRegular),mean(anio2009$GasRegular), mean(anio2010$GasRegular),
mean(anio2011$GasRegular), mean(anio2012$GasRegular),mean(anio2013$GasRegular),
mean(anio2014$GasRegular), mean(anio2015$GasRegular),mean(anio2016$GasRegular),
mean(anio2017$GasRegular), mean(anio2018$GasRegular),mean(anio2019$GasRegular))
totalDiesel<-c(mean(anio2001$Diesel), mean(anio2002$Diesel),mean(anio2003$Diesel),
mean(anio2004$Diesel), mean(anio2005$Diesel),mean(anio2006$Diesel),
mean(anio2007$Diesel), mean(anio2008$Diesel),mean(anio2009$Diesel), mean(anio2010$Diesel),
mean(anio2011$Diesel), mean(anio2012$Diesel),mean(anio2013$Diesel),
mean(anio2014$Diesel), mean(anio2015$Diesel),mean(anio2016$Diesel),
mean(anio2017$Diesel), mean(anio2018$Diesel),mean(anio2019$Diesel))
totalTotal<-c(mean(anio2001$Total), mean(anio2002$Total),mean(anio2003$Total),
mean(anio2004$Total), mean(anio2005$Total),mean(anio2006$Total),
mean(anio2007$Total), mean(anio2008$Total),mean(anio2009$Total),
mean(anio2010$Total), mean(anio2011$Total),mean(anio2012$Total),
mean(anio2013$Total), mean(anio2014$Total),mean(anio2015$Total),
mean(anio2016$Total), mean(anio2017$Total),mean(anio2018$Total),
mean(anio2019$Total))
#Anos
anios<-c(2001, 2002,2003,2004,2005,2006,2007,2008,2009,2010,2011,2012,2013,2014,2015,2016,2017,2018,2019)
barplot(totalSuper, names.arg = anios, main = "Importacion Promedio de GasSuperior")
barplot(totalRegular, names.arg = anios, main = "Importacion Promedio de GasRegular")
barplot(totalDiesel, names.arg = anios, main = "Importacion Promedio de GasDiesel")
barplot(totalTotal, names.arg = anios, main = "Importacion Promedio Total")
# normalidad
qqnorm(datos$Total)
qqplot(datos$Anio, datos$Total)
hist(totalSuper, breaks = 10, main = "Histograma de Gasolina Super")
hist(totalRegular, breaks = 10, main = "Histograma de Gasolina Regular")
hist(totalDiesel, breaks = 10, main = "Histograma de Gasolina Diesel")
hist(totalTotal, breaks = 10, main = "Histograma del Total de Importaciones")
# ------------------------ PREGUNTA 2 -----------------------------
#Serie univariante de Diesel
#Hacemos una tabla unicamente con los valores de año, mes y diesel importado
importacion.diesel <- datos[,c(1,2,9)]
#Pegamos en una misma columna el año, el mes y agregamos un 1. Esto para obtener un formato de fecha estándar Y-M-D
importacion.diesel$Anio <- paste(importacion.diesel$Anio, importacion.diesel$Mes, 1, sep="-")
importacion.diesel$Mes <- NULL
#Cambiamos la clase de la variable año a Date
importacion.diesel <- mutate(importacion.diesel, Anio = as.Date(Anio, format= "%Y-%m-%d"))
#Creamos una serie de tiempo con las fechas y volumenes de importacion de diesel
serietiempo.diesel <- xts(importacion.diesel$Diesel, order.by = importacion.diesel$Anio, frequency = 12)
serietiempo.diesel <- ts(serietiempo.diesel, start=c(2001,1), end=c(2019,6), frequency = 12)
#Inicio de la serie
start(serietiempo.diesel)
#Final de la serie
end(serietiempo.diesel)
#Frecuencia de la serie
frequency(serietiempo.diesel)
#Grafico de la importacion de 2001 a 2019
plot(serietiempo.diesel, type="l", main="Serie de tiempo de importación Diesel", sub="El volumen está dado en barriles de 42 galones", xlab="años", ylab="Volumen importado")
abline(reg=lm(serietiempo.diesel~time(serietiempo.diesel)), col=c("red"))
#Gráfico sobre el comportamiento de la media en subsets de los años
plot(aggregate(serietiempo.diesel,FUN=mean))
#descomponemos la serie de tiempo en tendencia, estacionaridad e innovación
decompose_diesel<-decompose(serietiempo.diesel)
plot(decompose_diesel)
plot(decompose_diesel$seasonal)
#Aplicaremos una transformación logarítmica
logdiesel <- log(serietiempo.diesel)
plot(logdiesel, type="l", main="Serie de tiempo de importación Diesel con transformación logarítmica", sub="El volumen está dado en barriles de 42 galones", xlab="años", ylab="Volumen importado")
abline(reg=lm(logdiesel~time(logdiesel)), col=c("red"))
#Gráfico de autocorrelación
acf(logdiesel, type="correlation", lag.max = 100, main = "Gráfico de correlación serie de tiempo importacion Diesel" )
#Utilización de prueba Dickey-Fuller para raíces unitarias
adfTest(logdiesel)
adfTest(diff(logdiesel))
# funciones de autocorrelación y autocorrelación parcial
acf(diff(logdiesel),12) #2 valores que pasan la linea punteada
pacf(diff(logdiesel)) #6 valores pasan la linea punteada
#Funcion autoarima para encontrar valores propuestos de p, d y q
auto.arima(serietiempo.diesel) #5, 1, 1
# Al utilizar la funcion de auto-arima los valores del output no cambian
# en más de 1 número con los obtenidos a traves de las funciones de autocorrelacion
# y autocorrelacion parcial, por lo que la funcion autoarima pareciera tener coherencia
# y sentido con el modelo
#
fit <- arima(logdiesel, c(6, 1, 2),seasonal = list(order = c(0, 1, 1), period = 12))
fit.2 <- arima(logdiesel, c(6, 1, 2),seasonal = list(order = c(0, 1, 0), period = 12))
#Utilizando valores p, d y q obtenidos en autoarima
fit.3 <- arima(logdiesel, c(5, 1, 1),seasonal = list(order = c(0, 1, 1), period = 12))
#predicciones con cada uno de los modelos propuestos
pred <- predict(fit, n.ahead = 10*12)
pred.1 <- predict(fit.2, n.ahead = 10*12)
pred.2 <- predict(fit.3, n.ahead = 10*12)
ts.plot(serietiempo.diesel,2.718^pred$pred, log = "y", lty = c(1,3))
ts.plot(serietiempo.diesel,2.718^pred.1$pred, log = "y", lty = c(1,3))
ts.plot(serietiempo.diesel,2.718^pred.2$pred, log = "y", lty = c(1,3))
##### PREDICCIONES #####
#PARA LAS PREDICCIONES SOLO VAMOS A USAR ANIOS DE 2001-2016
aniosPredicciones<-datos[datos$Anio <= 2016,]
#Hacemos una tabla unicamente con los valores de año, mes y diesel importado
importacion.diesel <- datos[,c(1,2,9)]
#Pegamos en una misma columna el año, el mes y agregamos un 1. Esto para obtener un formato de fecha estándar Y-M-D
importacion.diesel$Anio <- paste(importacion.diesel$Anio, importacion.diesel$Mes, 1, sep="-")
importacion.diesel$Mes <- NULL
#Cambiamos la clase de la variable año a Date
importacion.diesel <- mutate(importacion.diesel, Anio = as.Date(Anio, format= "%Y-%m-%d"))
#Creamos una serie de tiempo con las fechas y volumenes de importacion de diesel
serietiempo.diesel <- xts(importacion.diesel$Diesel, order.by = importacion.diesel$Anio, frequency = 12)
serietiempo.diesel <- ts(serietiempo.diesel, start=c(2001,1), end=c(2016,12), frequency = 12)
#Inicio de la serie
start(serietiempo.diesel)
#Final de la serie
end(serietiempo.diesel)
#Frecuencia de la serie
frequency(serietiempo.diesel)
#Grafico de la importacion de 2001 a 2019
plot(serietiempo.diesel, type="l", main="Serie de tiempo de importación Diesel", sub="El volumen está dado en barriles de 42 galones", xlab="años", ylab="Volumen importado")
abline(reg=lm(serietiempo.diesel~time(serietiempo.diesel)), col=c("red"))
#Gráfico sobre el comportamiento de la media en subsets de los años
plot(aggregate(serietiempo.diesel,FUN=mean))
#descomponemos la serie de tiempo en tendencia, estacionaridad e innovación
decompose_diesel<-decompose(serietiempo.diesel)
plot(decompose_diesel)
plot(decompose_diesel$seasonal)
#Aplicaremos una transformación logarítmica
logdiesel <- log(serietiempo.diesel)
plot(logdiesel, type="l", main="Serie de tiempo de importación Diesel con transformación logarítmica", sub="El volumen está dado en barriles de 42 galones", xlab="años", ylab="Volumen importado")
abline(reg=lm(logdiesel~time(logdiesel)), col=c("red"))
#Gráfico de autocorrelación
acf(logdiesel, type="correlation", lag.max = 100, main = "Gráfico de correlación serie de tiempo importacion Diesel" )
#Utilización de prueba Dickey-Fuller para raíces unitarias
adfTest(logdiesel)
adfTest(diff(logdiesel))
# funciones de autocorrelación y autocorrelación parcial
acf(diff(logdiesel),12) #2 valores que pasan la linea punteada
pacf(diff(logdiesel)) #6 valores pasan la linea punteada
#Funcion autoarima para encontrar valores propuestos de p, d y q
auto.arima(serietiempo.diesel) #5, 1, 1
# Al utilizar la funcion de auto-arima los valores del output no cambian
# en más de 1 número con los obtenidos a traves de las funciones de autocorrelacion
# y autocorrelacion parcial, por lo que la funcion autoarima pareciera tener coherencia
# y sentido con el modelo
#
fit <- arima(logdiesel, c(6, 1, 2),seasonal = list(order = c(0, 1, 1), period = 12))
fit.2 <- arima(logdiesel, c(6, 1, 2),seasonal = list(order = c(0, 1, 0), period = 12))
#Utilizando valores p, d y q obtenidos en autoarima
fit.3 <- arima(logdiesel, c(5, 1, 1),seasonal = list(order = c(0, 1, 1), period = 12))
#predicciones con cada uno de los modelos propuestos
pred <- predict(fit, n.ahead = 3*12)
pred.1 <- predict(fit.2, n.ahead = 3*12)
pred.2 <- predict(fit.3, n.ahead = 3*12)
ts.plot(main = "PREDICCION DIESEL 2017-2019", serietiempo.diesel,2.718^pred.1$pred, log = "y", lty = c(1,3))
2.71^(pred.1$pred)
ts.plot(main = "PREDICCION DIESEL 2019", serietiempo.diesel,2.718^pred.1$pred, log = "y", lty = c(1,3))
2.71^(pred.1$pred)
#-------------Serie univariante regular-------------
#Hacemos una tabla unicamente con los valores de año, mes y diesel importado
importacion.regular <- datos[,c(1,2,6)]
#Pegamos en una misma columna el año, el mes y agregamos un 1. Esto para obtener un formato de fecha estándar Y-M-D
importacion.regular$Anio <- paste(importacion.regular$Anio, importacion.regular$Mes, 1, sep="-")
importacion.regular$Mes <- NULL
#Cambiamos la clase de la variable año a Date
importacion.regular <- mutate(importacion.regular, Anio = as.Date(Anio, format= "%Y-%m-%d"))
#Creamos una serie de tiempo con las fechas y volumenes de importacion de diesel
serietiempo.superior <- xts(importacion.regular$GasRegular, order.by = importacion.regular$Anio, frequency = 12)
serietiempo.superior <- ts(serietiempo.superior, start=c(2001,1), end=c(2019,6), frequency = 12)
#Inicio de la serie
start(serietiempo.superior)
#Final de la serie
end(serietiempo.superior)
#Frecuencia de la serie
frequency(serietiempo.superior)
#Grafico de la importacion de 2001 a 2019
plot(serietiempo.superior, type="l", main="Serie de tiempo de importación de gasolina regular", sub="El volumen está dado en barriles de 42 galones", xlab="años", ylab="Volumen importado")
abline(reg=lm(serietiempo.superior~time(serietiempo.superior)), col=c("red"))
#Gráfico sobre el comportamiento de la media en subsets de los años
plot(aggregate(serietiempo.superior,FUN=mean))
#descomponemos la serie de tiempo en tendencia, estacionaridad e innovación
decompose_regular<-decompose(serietiempo.superior)
plot(decompose_regular)
plot(decompose_regular$seasonal)
#Aplicaremos una transformación logarítmica
plot(decompose_regular$trend)
logsuperior <- log(serietiempo.superior)
plot(logsuperior, type="l", main="Serie de tiempo de importación regular con transformación logarítmica", sub="El volumen está dado en barriles de 42 galones", xlab="años", ylab="Volumen importado")
abline(reg=lm(decompose_regular$trend~time(logsuperior)), col=c("red"))
#Gráfico de autocorrelación
acf(logsuperior, type="correlation", lag.max = 100, main = "Gráfico de correlación serie de tiempo importacion Regular" )
#Utilización de prueba Dickey-Fuller para raíces unitarias
adfTest(logsuperior)
adfTest(diff(logsuperior))
# funciones de autocorrelación y autocorrelación parcial
acf(diff(logsuperior),12) #3 valores que pasan la linea punteada
pacf(diff(logsuperior)) #5 valores pasan la linea punteada
#Funcion autoarima para encontrar valores propuestos de p, d y q
auto.arima(serietiempo.superior) #1, 1, 2
fit_regular <- arima(logsuperior, c(5, 1, 3),seasonal = list(order = c(0, 1, 1), period = 12))
#Utilizando valores p, d y q obtenidos en autoarima
fit_regular.2 <- arima(logsuperior, c(1, 1, 2),seasonal = list(order = c(0, 1, 1), period = 12))
#Predicciones
forecastreg <- forecast(fit_regular, level = c(95), h = 120)
forecastreg.2 <- forecast(fit_regular.2, level = c(95), h = 120)
#### PREDICCIONES ####
#Hacemos una tabla unicamente con los valores de año, mes y diesel importado
importacion.regular <- aniosPredicciones[,c(1,2,6)]
View(importacion.regular)
#Pegamos en una misma columna el año, el mes y agregamos un 1. Esto para obtener un formato de fecha estándar Y-M-D
importacion.regular$Anio <- paste(importacion.regular$Anio, importacion.regular$Mes, 1, sep="-")
importacion.regular$Mes <- NULL
#Cambiamos la clase de la variable año a Date
importacion.regular <- mutate(importacion.regular, Anio = as.Date(Anio, format= "%Y-%m-%d"))
#Creamos una serie de tiempo con las fechas y volumenes de importacion de diesel
serietiempo.superior <- xts(importacion.regular$GasRegular, order.by = importacion.regular$Anio, frequency = 12)
serietiempo.superior <- ts(serietiempo.superior, start=c(2001,1), end=c(2016,12), frequency = 12)
#Inicio de la serie
start(serietiempo.superior)
#Final de la serie
end(serietiempo.superior)
#Frecuencia de la serie
frequency(serietiempo.superior)
#Grafico de la importacion de 2001 a 2016
plot(serietiempo.superior, type="l", main="Serie de tiempo de importación de gasolina regular", sub="El volumen está dado en barriles de 42 galones", xlab="años", ylab="Volumen importado")
abline(reg=lm(serietiempo.superior~time(serietiempo.superior)), col=c("red"))
#Gráfico sobre el comportamiento de la media en subsets de los años
plot(aggregate(serietiempo.superior,FUN=mean))
#descomponemos la serie de tiempo en tendencia, estacionaridad e innovación
decompose_regular<-decompose(serietiempo.superior)
plot(decompose_regular)
plot(decompose_regular$seasonal)
#Aplicaremos una transformación logarítmica
plot(decompose_regular$trend)
logsuperior <- log(serietiempo.superior)
plot(logsuperior, type="l", main="Serie de tiempo de importación regular con transformación logarítmica", sub="El volumen está dado en barriles de 42 galones", xlab="años", ylab="Volumen importado")
abline(reg=lm(decompose_regular$trend~time(logsuperior)), col=c("red"))
#Gráfico de autocorrelación
acf(logsuperior, type="correlation", lag.max = 100, main = "Gráfico de correlación serie de tiempo importacion Regular" )
#Utilización de prueba Dickey-Fuller para raíces unitarias
adfTest(logsuperior)
adfTest(diff(logsuperior))
# funciones de autocorrelación y autocorrelación parcial
acf(diff(logsuperior),12) #3 valores que pasan la linea punteada
pacf(diff(logsuperior)) #5 valores pasan la linea punteada
#Funcion autoarima para encontrar valores propuestos de p, d y q
auto.arima(serietiempo.superior) #1, 1, 2
fit_regular <- arima(logsuperior, c(5, 1, 3),seasonal = list(order = c(0, 1, 1), period = 12))
#Utilizando valores p, d y q obtenidos en autoarima
fit_regular.2 <- arima(logsuperior, c(1, 1, 2),seasonal = list(order = c(0, 1, 1), period = 12))
#Predicciones
forecastreg <- forecast(fit_regular, level = c(95), h = 36)
forecastreg.2 <- forecast(fit_regular.2, level = c(95), h = 12)
forecast::autoplot(forecastreg)
forecast::autoplot(forecastreg, main = "PREDICCION REGULAR 2017-2019")
2.71^forecastreg$lower
#-------------Serie univariante superior-------------
#Hacemos una tabla unicamente con los valores de año, mes y diesel importado
importacion.superior <- datos[,c(1,2,5)]
#Pegamos en una misma columna el año, el mes y agregamos un 1. Esto para obtener un formato de fecha estándar Y-M-D
importacion.superior$Anio <- paste(importacion.superior$Anio, importacion.superior$Mes, 1, sep="-")
importacion.superior$Mes <- NULL
#Cambiamos la clase de la variable año a Date
importacion.superior <- mutate(importacion.superior, Anio = as.Date(Anio, format= "%Y-%m-%d"))
#Creamos una serie de tiempo con las fechas y volumenes de importacion de diesel
serietiempo.superior <- xts(importacion.superior$GasSuperior, order.by = importacion.superior$Anio, frequency = 12)
serietiempo.superior <- ts(serietiempo.superior, start=c(2001,1), end=c(2019,6), frequency = 12)
#Inicio de la serie
start(serietiempo.superior)
#Final de la serie
end(serietiempo.superior)
#Frecuencia de la serie
frequency(serietiempo.superior)
#Grafico de la importacion de 2001 a 2019
plot(serietiempo.superior, type="l", main="Serie de tiempo de importación de gasolina superior", sub="El volumen está dado en barriles de 42 galones", xlab="años", ylab="Volumen importado")
abline(reg=lm(serietiempo.superior~time(serietiempo.superior)), col=c("red"))
#Gráfico sobre el comportamiento de la media en subsets de los años
plot(aggregate(serietiempo.superior,FUN=mean))
#descomponemos la serie de tiempo en tendencia, estacionaridad e innovación
decompose_superior<-decompose(serietiempo.superior)
plot(decompose_superior)
plot(decompose_superior$seasonal)
#Aplicaremos una transformación logarítmica
logsuperior <- log(serietiempo.superior)
plot(logsuperior, type="l", main="Serie de tiempo de importación superior con transformación logarítmica", sub="El volumen está dado en barriles de 42 galones", xlab="años", ylab="Volumen importado")
abline(reg=lm(logsuperior~time(logsuperior)), col=c("red"))
#Gráfico de autocorrelación
acf(logsuperior, type="correlation", lag.max = 100, main = "Gráfico de correlación serie de tiempo importacion Superior" )
#Utilización de prueba Dickey-Fuller para raíces unitarias
adfTest(logsuperior)
adfTest(diff(logsuperior))
# funciones de autocorrelación y autocorrelación parcial
acf(diff(logsuperior),12) #2 valores que pasan la linea punteada
pacf(diff(logsuperior)) #5 valores pasan la linea punteada
#Funcion autoarima para encontrar valores propuestos de p, d y q
auto.arima(serietiempo.superior) #1, 1, 2
fit_superior <- arima(logsuperior, c(5, 1, 2),seasonal = list(order = c(0, 1, 1), period = 12))
#Utilizando valores p, d y q obtenidos en autoarima
fit_superior.2 <- arima(logsuperior, c(1, 1, 2),seasonal = list(order = c(0, 1, 1), period = 12))
#Predicciones
forecastsup <- forecast(fit_superior, level = c(95), h = 120)
forecastsup.2 <- forecast(fit_superior.2, level = c(95), h = 120)
#### PREDICCIONES ####
#Hacemos una tabla unicamente con los valores de año, mes y diesel importado
importacion.superior <- aniosPredicciones[,c(1,2,5)]
View(importacion.superior)
#Pegamos en una misma columna el año, el mes y agregamos un 1. Esto para obtener un formato de fecha estándar Y-M-D
importacion.superior$Anio <- paste(importacion.superior$Anio, importacion.superior$Mes, 1, sep="-")
importacion.superior$Mes <- NULL
#Cambiamos la clase de la variable año a Date
importacion.superior <- mutate(importacion.superior, Anio = as.Date(Anio, format= "%Y-%m-%d"))
#Creamos una serie de tiempo con las fechas y volumenes de importacion de diesel
serietiempo.superior <- xts(importacion.superior$GasSuperior, order.by = importacion.superior$Anio, frequency = 12)
serietiempo.superior <- ts(serietiempo.superior, start=c(2001,1), end=c(2016,12), frequency = 12)
#Inicio de la serie
start(serietiempo.superior)
#Final de la serie
end(serietiempo.superior)
#Frecuencia de la serie
frequency(serietiempo.superior)
#Grafico de la importacion de 2001 a 2019
plot(serietiempo.superior, type="l", main="Serie de tiempo de importación de gasolina superior", sub="El volumen está dado en barriles de 42 galones", xlab="años", ylab="Volumen importado")
abline(reg=lm(serietiempo.superior~time(serietiempo.superior)), col=c("red"))
#Gráfico sobre el comportamiento de la media en subsets de los años
plot(aggregate(serietiempo.superior,FUN=mean))
#descomponemos la serie de tiempo en tendencia, estacionaridad e innovación
decompose_superior<-decompose(serietiempo.superior)
plot(decompose_superior)
plot(decompose_superior$seasonal)
#Aplicaremos una transformación logarítmica
logsuperior <- log(serietiempo.superior)
plot(logsuperior, type="l", main="Serie de tiempo de importación superior con transformación logarítmica", sub="El volumen está dado en barriles de 42 galones", xlab="años", ylab="Volumen importado")
abline(reg=lm(logsuperior~time(logsuperior)), col=c("red"))
#Gráfico de autocorrelación
acf(logsuperior, type="correlation", lag.max = 100, main = "Gráfico de correlación serie de tiempo importacion Superior" )
#Utilización de prueba Dickey-Fuller para raíces unitarias
adfTest(logsuperior)
adfTest(diff(logsuperior))
# funciones de autocorrelación y autocorrelación parcial
acf(diff(logsuperior),12) #2 valores que pasan la linea punteada
pacf(diff(logsuperior)) #5 valores pasan la linea punteada
#Funcion autoarima para encontrar valores propuestos de p, d y q
auto.arima(serietiempo.superior) #1, 1, 2
fit_superior <- arima(logsuperior, c(5, 1, 2),seasonal = list(order = c(0, 1, 1), period = 12))
#Utilizando valores p, d y q obtenidos en autoarima
fit_superior.2 <- arima(logsuperior, c(1, 1, 2),seasonal = list(order = c(0, 1, 1), period = 12))
#Predicciones
forecastsup <- forecast(fit_superior, level = c(95), h = 36)
forecastsup.2 <- forecast(fit_superior.2, level = c(95), h = 36)
forecast::autoplot(forecastsup, main="PREDICCION SUPER 2019")
2.71^forecastsup$lower