Análisis de series de tiempo con R

Analisis de Series de Tiempo
Aplicaciones en R - Parte I
Juan Carlos Campuzano S.

Escuela Superior Polit
ecnica del Litoral
Semestre I 2013
J. Campuzano (E.S.P.O.L)
Series de Tiempo en R
Semestre I 2013
1 / 34
Preliminares
Estas practicas utilizan los paquetes de R que acompa

nan a las
publicaciones Introductory Time Series with R, de Cowperwait, P.y
Metcalfe, A. (2009), Time Series Analysis with R de Ian McLeod, Hao
Yu y Esam Mahdi (2012) y Time Series Analysis with Applications in R
de Cryer, J.y Chan, K. (2008).
Por lo tanto, se aconseja instalar los siguientes paquetes antes de empezar:
R>
R>
R>
R>
install.packages("TSA",dep=TRUE)
install.packages("RColorBrewer")
install.packages("latticeExtra")
install.packages("tseries")
El documento de ayuda del paquete TSA lo puede descargar de la siguiente

direccion: http://cran.r-project.org/web/packages/TSA/TSA.pdf
Las diapositivas fueron elaboradas en Beamer con la ayuda del paquete
SASnRdisplay.
Semestre I 2013
2 / 34
Preliminares
Preliminares
Las series de tiempo son analizadas para entender el pasado y predecir

el futuro, permitiendo a los administradores o hacedores de poltica
tomar decisiones informados apropiadamente.
En terminos cientficos, el prop
osito del analisis de las series de tiempo
es entender o modelar el mecanismo estocastico que da movimiento a
una serie observada y predecir los valores futuros de la serie basado en
su historia y posiblemente de otras series o factores relacionados.
Los metodos de series de tiempo son utilizadas todos los das en la
toma de decisiones.
Las series de tiempo tambien suelen formar la base de simulaciones
por computadora.
Semestre I 2013
3 / 34
Gr
afico de Series de Tiempo
Grafico de Series de Tiempo
En esta seccion el interes esta en la grafica de las series de tiempo. Dichos

graficos generalmente son el primer paso en un analisis exploratorio y
presentados en un reporte final.
Semestre I 2013
4 / 34
Gr

Ejemplo 1: Paseo aleatorio
Uno de los procesos mas elemental para el analisis de series de tiempo es

un paseo aleatorio:
R> library(TSA)
R> data(rwalk)
R> plot(rwalk, ylab=Paseo Aleatorio, type=o)
Semestre I 2013
5 / 34
Gr

Ejemplo 2: Precios del Trigo
Este ejemplo tiene como prop

osito mostrar el uso del comando plot()
con los datos del ndice de precios del trigo en Canada (Beveridge wheat
price index).
R> library(TSA)
R> data(bev)
R> plot(bev)
Semestre I 2013
6 / 34
Gr

Ejemplo 2: Precios del Trigo
A
nadiendo algunas opciones adicionales al comando plot() se pueden
tener mejores resultados:
R> win.graph(width=4.875, height=2.5, pointsize=8)
R> plot(bev, ylab=indice, xlab=ano, type=o)
R> plot(bev, ylab=indice, xlab=ano, type=l)
Semestre I 2013
7 / 34
Gr
Gafico de Series de Tiempo

Ejemplo 3: Estacionalidades
En ocasiones un evento se repite sistematicamente a lo largo del tiempo y

para el analisis de series de tiempo, visualizar estos patrones resulta
s
umamente u
til:
R> data(oilfilters); plot(oilfilters, type=o, ylab=Ventas)
R> plot(oilfilters, type=l, ylab=Ventas)
R> points(y=oilfilters, x=time(oilfilters), pch=as.vector(season(oilfilters)))
Semestre I 2013
8 / 34
Gr

Ejemplo 4: G
afico de M
ultiples Series de Tiempo
En otras ocasiones tambien es importante graficar m

ultiples series de
tiempo:
R> www <- "http://staff.elena.aut.ac.nz/Paul-Cowpertwait/ts/cbe.dat"
R> CBE <- read.table(www, header = T)

R> CBE[1:4, ]
R>
R>
R>
R>
Elec.ts <- ts(CBE[,

Beer.ts <- ts(CBE[,
Choc.ts <- ts(CBE[,
plot(cbind(Elec.ts,
3], start = 1958, freq = 12

2], start = 1958, freq = 12)
1], start = 1958, freq = 12)
Beer.ts, Choc.ts))
Semestre I 2013
9 / 34
Gr
Semestre I 2013
10 / 34
Gr

Ejemplo 5: Agrupaci
on y Tendencias
Sin lugar a dudas, agrupar frecuencias y visualizar tendencias es una de los

principales analisis graficos que se suelen realizar a las series de tiempo. El
ejemplo a continuacion corresponde a observaciones sobre series de
temperaturas.
En el primer paso observese la frecuencia mensual de la serie entre los
periodos inicial y final:
R>
R>
R>
R>
www <- "http://staff.elena.aut.ac.nz/Paul-Cowpertwait/ts/global.dat"

Global <- scan(www)
Global.ts <- ts(Global, st = c(1856, 1), end = c(2005, 12), fr = 12)
win.graph(width=4.875, height=2.5, pointsize=8)
R> plot(Global.ts, ylab=Temperatura, xlab=periodo)
Semestre I 2013
11 / 34
Gr
Semestre I 2013
12 / 34
Gr
Luego, se puede proceder a agrupar las frecuencias por promedios

mensuales:
R> Global.anual <- aggregate(Global.ts, FUN = mean)
R> plot(Global.anual, ylab=Temp, xlab=Per)
Semestre I 2013
13 / 34
Gr
Finalmente, se observa que desde los 70 existe incremento en las

temperaturas, por lo que sera importante analizar la tendencia:
R>
R>
R>
R>
New.series <-window(Global.ts, start = c(1970, 1), end = c(2005, 12))

New.time <-time(New.series)
plot(New.series); abline(reg=lm(New.series~New.time))
Semestre I 2013
14 / 34
Gr

Ejemplo 6: Descomposici
on de una Serie
Si existe evidencia de una tendencia en una serie, resulta u

til descomponer
la serie para estimar la tendencia y efectos estacionales. Se presenta un
ejemplo con los datos de electricidad.
R>
R>
R>
R>
R>
www <- "http://staff.elena.aut.ac.nz/Paul-Cowpertwait/ts/cbe.dat"

CBE <- read.table(www, header = T)
Elec.ts <- ts(CBE[, 3], start = 1958, freq = 12)
plot(decompose(Elec.ts))
Semestre I 2013
15 / 34
Gr
Tambien se puede realizar una descomposici

on multiplicativa...:
R> Elec.decom <- decompose(Elec.ts, type = "mult")
R> plot(Elec.decom)
Semestre I 2013
16 / 34
Gr
... o superponer la tendencia y el componente estacional.

R> Trend <- Elec.decom$trend
R> Seasonal <- Elec.decom$seasonal
R> ts.plot(cbind(Trend, Trend * Seasonal), lty = 1:2)
Semestre I 2013
17 / 34
Correlaci
on
Funciones de autocorrelacion Procesos Estacionarios

Correlograma
El principal proposito del correlograma es detectar autocorrelaciones en las

series de tiempo luego de haberles removido y estimado la tendencia y la
variacion estacional. El siguiente ejemplo se realiza con la serie de
Pasajeros que viene en el paquete R.
R>
R>
R>
R>
R>
data(AirPassengers)
AP <- AirPassengers
AP.decom <- decompose(AP, "multiplicative")
plot(ts(AP.decom$random[7:138]))
acf(AP.decom$random[7:138])
Semestre I 2013
18 / 34
Correlaci
on
Serie Pasajeros (estacionaria)
Correlograma
Semestre I 2013
19 / 34
Procesos ARMA
Analisis Procesos AR(p)
R> win.graph(width=4.875, height=3, pointsize=8)

R> data(ar1.s); plot(ar1.s, ylab=expression(Y[t]), type=o)
Semestre I 2013
20 / 34
Procesos ARMA
Correlacion entre los rezagos t y t 1
R> win.graph(width=3, height=3, pointsize=8)

R> plot(y=ar1.s,x=zlag(ar1.s),ylab=expression(Y[t]),xlab=expression(Y[t-1]), type=p)
R> acf(ar1.s)
Relacion entre rezagos
Correlograma
Semestre I 2013
21 / 34
Procesos ARMA
Simulacion Procesos ARMA

AR(2)
Simulemos el proceso visto en clases, un AR(2) de la forma:

Yt = 0.5Yt1 + 0.3Yt2 + t con 100 observaciones:
R> ar.sim<-arima.sim(model=list(ar=c(.5,.3)),n=100)
R> ar.sim
La funcion de autocorrelaci
on simple (acf):
R> ar.acf<-acf(ar.sim,type="correlation",plot=T)
R> ar.acf
Semestre I 2013
22 / 34
Procesos ARMA
Las graficas del proceso anterior se obtienen de:

R>
R>
R>
R>
win.graph(width=4.875, height=3, pointsize=8)

plot(ar.sim, ylab=expression(Y[t]), type=o)
ar.acf<-acf(ar.sim,type="correlation",plot=T)
ar.acf
Yt = 0.5Yt1 + 0.3Yt2 + t
Correlograma
Semestre I 2013
23 / 34
Procesos ARMA
Ahora simulemos una variante del proceso anterior:

Yt = 0.5Yt1 0.3Yt2 + t con 100 observaciones:
R> ar.sim2<-arima.sim(model=list(ar=c(.5,-.3)),n=100)
R> ar.sim2
on simple:
R> ar.acf<-acf(ar.sim2,type="correlation",plot=T)
R> ar.acf
Semestre I 2013
24 / 34
Procesos ARMA
Las graficas del proceso anterior se obtienen de:

R>
R>
R>
R>

plot(ar.sim2, ylab=expression(Y[t]), type=o)
ar.acf<-acf(ar.sim2,type="correlation",plot=T)
ar.acf
Yt = 0.5Yt1 0.3Yt2 + t
Correlograma
Semestre I 2013
25 / 34
Procesos ARMA
Que sucede cuando el proceso NO ES estacionario? Simulemos el proceso

Yt = 0.9Yt1 + 0.3Yt2 + t con 100 observaciones:
R> ar.sim3<-arima.sim(model=list(ar=c(.9,.3)),n=100)
R> ar.sim3
on simple:
R> ar.acf<-acf(ar.sim3,type="correlation",plot=T)
R> ar.acf
Semestre I 2013
26 / 34
Procesos ARMA
Las graficas del proceso anterior nos dan una pista:

R>
R>
R>
R>

plot(ar.sim3, ylab=expression(Y[t]), type=o)
ar.acf<-acf(ar.sim3,type="correlation",plot=T)
ar.acf
Yt = 0.9Yt1 + 0.3Yt2 + t
Correlograma
Semestre I 2013
27 / 34
Procesos ARMA

MA(2)
Ahora simulemos un MA(2) de la forma: Yt = t 0.7t1 + 0.1t2 con

100 observaciones:
R> ma.sim<-arima.sim(model=list(ma=c(-.7,.1)),n=100)
R> ma.sim
La grafica del proceso anterior se obtiene de:
R> plot(ma.sim, ylab=expression(e[t]), type=o)
Semestre I 2013
28 / 34
Procesos ARMA
Las funciones de autocorrelaci

on simple y parcial:
R>
R>
R>
R>
ma.acf<-acf(ma.sim,type="correlation",plot=T)
ma.acf
ma.pacf<-acf(ma.sim,type="partial",plot=T)
ma.pacf
Funcion de autocorrelaci
on
simple ACF
Funci
on de autocorrelacion
parcial PACF
Semestre I 2013
29 / 34
Procesos ARMA

ARMA(2,2)
Ahora simulemos un ARMA(2,2) de la forma:

Yt = 0.5Yt1 0.2Yt2 + t 0.4t1 + 0.3t2 con 100 observaciones:
R> arma.sim<-arima.sim(model=list(ar=c(.5,-.2),ma=c(-.4,.3)),n=100)
R> arma.sim
Semestre I 2013
30 / 34
Procesos ARMA
El proceso anterior se vera como:

R> require("tseries")
R> ts.plot(arma.sim)
Semestre I 2013
31 / 34
Procesos ARMA
Las funciones de autocorrelaci

on simple y parcial:
R> arma.acf<-acf(arma.sim,type="correlation",plot=T)
R> arma.acf
R> arma.pacf<-acf(arma.sim,type="partial",plot=T)
R>arma.pacf
Funcion de autocorrelaci
on
simple ACF
Funci
on de autocorrelacion
parcial PACF
Semestre I 2013
32 / 34
Procesos ARMA
Para recordar
El orden de un proceso AR(p) se analiza en la funcion de
autocorrelacion parcial, pacf, mientras la estacionariedad se analiza
en la funcion de autocorrelaci
on simple, acf.
El orden de un proceso MA(q) se analiza en la funcion de
autocorrelacion simpre, acf, mientras que la invertibilidad se analiza
en la funcion de autocorrelaci
on parcial, pacf.
Semestre I 2013
33 / 34
Bibliografa
Bibliografa
Cowperwait, P., Metcalfe, A. (2009) Introductory Time Series with

R. Springer.
A. Ian McLeod, Hao Yu, Esam Mahdi (2012) Time Series Analysis
with R. Handbook of Statistics. Volume 30. Pages 661- 712.
Elsevier
Cryer, J., Chan, K. (2008) Time Series Analysis with Applications in
R. Springer
Semestre I 2013
34 / 34

Análisis de series de tiempo con R

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Análisis de series de tiempo con R

Hochgeladen von

Copyright:

Verfügbare Formate

Analisis de Series de Tiempo

Juan Carlos Campuzano S.

Estas practicas utilizan los paquetes de R que acompa

El documento de ayuda del paquete TSA lo puede descargar de la siguiente

Las series de tiempo son analizadas para entender el pasado y predecir

Grafico de Series de Tiempo

En esta seccion el interes esta en la grafica de las series de tiempo. Dichos

Grafico de Series de Tiempo

Uno de los procesos mas elemental para el analisis de series de tiempo es

Grafico de Series de Tiempo

Este ejemplo tiene como prop

Grafico de Series de Tiempo

Gafico de Series de Tiempo

En ocasiones un evento se repite sistematicamente a lo largo del tiempo y

Grafico de Series de Tiempo

En otras ocasiones tambien es importante graficar m

R> CBE <- read.table(www, header = T)

Elec.ts <- ts(CBE[,

3], start = 1958, freq = 12

Grafico de Series de Tiempo

Sin lugar a dudas, agrupar frecuencias y visualizar tendencias es una de los

www <- "http://staff.elena.aut.ac.nz/Paul-Cowpertwait/ts/global.dat"

R> plot(Global.ts, ylab=Temperatura, xlab=periodo)

Luego, se puede proceder a agrupar las frecuencias por promedios

Finalmente, se observa que desde los 70 existe incremento en las

New.series <-window(Global.ts, start = c(1970, 1), end = c(2005, 12))

Grafico de Series de Tiempo

Si existe evidencia de una tendencia en una serie, resulta u

www <- "http://staff.elena.aut.ac.nz/Paul-Cowpertwait/ts/cbe.dat"

Tambien se puede realizar una descomposici

... o superponer la tendencia y el componente estacional.

Funciones de autocorrelacion Procesos Estacionarios

El principal proposito del correlograma es detectar autocorrelaciones en las

Serie Pasajeros (estacionaria)

Analisis Procesos AR(p)

R> win.graph(width=4.875, height=3, pointsize=8)

Correlacion entre los rezagos t y t 1

R> win.graph(width=3, height=3, pointsize=8)

Relacion entre rezagos

Simulacion Procesos ARMA

Simulemos el proceso visto en clases, un AR(2) de la forma:

Las graficas del proceso anterior se obtienen de:

win.graph(width=4.875, height=3, pointsize=8)

Ahora simulemos una variante del proceso anterior:

Las graficas del proceso anterior se obtienen de:

win.graph(width=4.875, height=3, pointsize=8)

Que sucede cuando el proceso NO ES estacionario? Simulemos el proceso

Las graficas del proceso anterior nos dan una pista:

win.graph(width=4.875, height=3, pointsize=8)

Simulacion Procesos ARMA

Ahora simulemos un MA(2) de la forma: Yt = t 0.7t1 + 0.1t2 con

Las funciones de autocorrelaci

Simulacion Procesos ARMA

Ahora simulemos un ARMA(2,2) de la forma:

El proceso anterior se vera como:

Las funciones de autocorrelaci

Cowperwait, P., Metcalfe, A. (2009) Introductory Time Series with

Das könnte Ihnen auch gefallen