Modelo ARIMA

Frank

2024-07-05

redireccionado carpeta de trabajo

setwd("C:/Users/Alberto/Desktop/clases0507")

importando base de datos

bd <- read.csv("datos2.txt", sep="")

Pasos a seguir para el modelado de ARIMA

1. Idenfificación
2. Ajustar el modelo
3. Diagnóstico del modelo
4. Pronóstico

1. Idenfificación del modelo

bd.ts <- ts(bd$Temperatura,start = 2020,frequency = 12)

graficando datos

plot(bd.ts)

1
 17
16
15
bd.ts

14
13
12
11

2020 2021 2022 2023 2024

Time

Análisis de correlación

acf(bd.ts,main="",sub="Figura 1: Función de autocorrelación simple", lag.max = 48)

2
 0.2 0.4 0.6 0.8 1.0
ACF

−0.2

0 1 2 3 4

Lag
Figura 1: Función de autocorrelación simple

pacf(bd.ts,main="",sub="Figura 2: Función de autocorrelación parcial",lag.max = 48)

3
 0.4
Partial ACF

0.2
0.0
−0.2

0 1 2 3 4

Lag
Figura 2: Función de autocorrelación parcial

Prueba de Dickey-Fuller

Hipotesis:
H0 : La serie es no estacionaria: tiene raiz unitátia
H1 : La serie es estacionaria: no tiene raiz unitátia
Estadistico de prueba

library(urca)
library(tseries)

## Registered S3 method overwritten by ’quantmod’:

## method from
## as.zoo.data.frame zoo

adf.test(bd.ts)

##
## Augmented Dickey-Fuller Test
##
## data: bd.ts
## Dickey-Fuller = -2.4191, Lag order = 3, p-value = 0.4068
## alternative hypothesis: stationary

4
A partir de la prueba de Dickey-Fuller, concluimos que la serie es no estacionaria, contiene raiz unitária.

library(ggplot2)
library(forecast)

difftemp<-diff(bd.ts)
autoplot(difftemp, colour = "navy", linetype = "dashed")

0
difftemp

−2

−4
2020 2021 2022 2023 2024
Time

Analisando la base de datos, con la primera diferencia

Análisis de correlación de la diferencia

acf(difftemp,main="",sub="Figura 3: Función de autocorrelación simple", lag.max = 48)

5
 0.8
0.4
ACF

0.0
−0.4

0 1 2 3

Lag
Figura 3: Función de autocorrelación simple

pacf(difftemp,main="",sub="Figura 4: Función de autocorrelación parcial",lag.max = 48)

6
 0.2
Partial ACF

0.0
−0.2
−0.4

0 1 2 3

Lag
Figura 4: Función de autocorrelación parcial

Prueba de Dickey-Fuller de La diferencia

Hipotesis:
H0 : La serie es no estacionaria: tiene raiz unitátia
H1 : La serie es estacionaria: no tiene raiz unitátia
Estadistico de prueba

adf.test(difftemp)

## Warning in adf.test(difftemp): p-value smaller than printed p-value

##
## Augmented Dickey-Fuller Test
##
## data: difftemp
## Dickey-Fuller = -4.8033, Lag order = 3, p-value = 0.01
## alternative hypothesis: stationary

A partir de la prueba de Dickey-Fuller, concluimos que la serie es estacionaria, y no contiene raiz unitária.

7
2. Ajuste de modelo ARIMA

arima1 <- arima(difftemp,c(0,1,1),method = "ML");arima1

##
## Call:
## arima(x = difftemp, order = c(0, 1, 1), method = "ML")
##
## Coefficients:
## ma1
## -1.000
## s.e. 0.064
##
## sigma^2 estimated as 0.9841: log likelihood = -66.83, aic = 137.66

arima2 <- arima(difftemp,c(2,1,1),method = "ML");arima2

##
## Call:
## arima(x = difftemp, order = c(2, 1, 1), method = "ML")
##
## Coefficients:
## ar1 ar2 ma1
## -0.1092 -0.3608 -1.0000
## s.e. 0.1366 0.1342 0.1114
##
## sigma^2 estimated as 0.8307: log likelihood = -63.45, aic = 134.89

library(lmtest)

## Loading required package: zoo

##
## Attaching package: ’zoo’

## The following objects are masked from ’package:base’:

##
## as.Date, as.Date.numeric

coeftest(arima2)

##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -0.10917 0.13657 -0.7994 0.424069
## ar2 -0.36084 0.13417 -2.6895 0.007156 **
## ma1 -1.00000 0.11142 -8.9751 < 2.2e-16 ***
## ---
## Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

8
confint(arima2)

## 2.5 % 97.5 %
## ar1 -0.376851 0.15850355
## ar2 -0.623804 -0.09787693
## ma1 -1.218377 -0.78162178

criterio para comparar modelos

aic <- AIC(arima1,arima2);aic

## df AIC
## arima1 2 137.6574
## arima2 4 134.8919

bic <- BIC(arima1,arima2);bic

## df BIC
## arima1 2 141.3147
## arima2 4 142.2064

Validación del modelo

Estacionariedad de los residuos

plot.ts(arima1$residuals,mai="",sub="Figura 5: Residuos del modelo ARIMA(0,1,1)")

abline(h=0)

9
 2
1
arima1$residuals

0
−1
−2
−3

2020 2021 2022 2023 2024

Time
Figura 5: Residuos del modelo ARIMA(0,1,1)

plot.ts(arima2$residuals,mai="",sub="Figura 6: Residuos del modelo ARIMA(2,1,1)")

abline(h=0)

10
 2
1
arima2$residuals

0
−1
−2
−3

2020 2021 2022 2023 2024

Time
Figura 6: Residuos del modelo ARIMA(2,1,1)

acf(arima1$residuals,mai="")

11
 0.8
0.4
ACF

0.0
−0.4

0.0 0.2 0.4 0.6 0.8 1.0 1.2

Lag

acf(arima2$residuals, main="")

12
 0.2 0.4 0.6 0.8 1.0
ACF

−0.2

0.0 0.2 0.4 0.6 0.8 1.0 1.2

Lag

pacf(arima1$residuals,mai="")

13
 0.2
Partial ACF

0.0
−0.2
−0.4

0.2 0.4 0.6 0.8 1.0 1.2

Lag

pacf(arima2$residuals, main="")

14
 0.3
0.2
0.1
Partial ACF

−0.1 0.0
−0.3

0.2 0.4 0.6 0.8 1.0 1.2

Lag

Normalidad de los residuos

Los gráficos Q-Q es una de las herramientas mas utilizados para evaluar la normalidad de los residuos.

qqnorm(arima1$residuals,pch=20,sub="Figura 7: Gráfico Q-Q para evaluar normalidad de reisduos")

qqline(arima1$residuals)

15
 Normal Q−Q Plot
2
1
Sample Quantiles

0
−1
−2
−3

−2 −1 0 1 2

Theoretical Quantiles
Figura 7: Gráfico Q−Q para evaluar normalidad de reisduos

qqnorm(arima2$residuals,pch=16,sub="Figura 8: Gráfico Q-Q para evaluar normalidad de reisduos")

qqline(arima2$residuals)

16
 Normal Q−Q Plot
2
1
Sample Quantiles

0
−1
−2
−3

−2 −1 0 1 2

Theoretical Quantiles
Figura 8: Gráfico Q−Q para evaluar normalidad de reisduos

Verificando normalidad de errores mediante la prueba de Shapiro-Wilk

shapiro.test(arima1$residuals)

##
## Shapiro-Wilk normality test
##
## data: arima1$residuals
## W = 0.94161, p-value = 0.02051

shapiro.test(arima2$residuals)

##
## Shapiro-Wilk normality test
##
## data: arima2$residuals
## W = 0.91559, p-value = 0.002354

Predicciones

17
predict(arima2,n.ahead = 5)

## $pred
## Jan Feb Mar Apr May
## 2024 0.121471733 -0.182748267 -0.015599612 0.075927031 0.005620728
##
## $se
## Jan Feb Mar Apr May
## 2024 0.9213100 0.9246484 0.9731681 0.9765621 0.9838783

plot(forecast(arima2))

Forecasts from ARIMA(2,1,1)

2
1
0
−1
−2
−3

2020 2021 2022 2023 2024 2025 2026

forecast1<-forecast(arima2, level = c(95), h = 5)

autoplot(forecast1)

18
 Forecasts from ARIMA(2,1,1)
2

0
difftemp

−2

−4
2020 2021 2022 2023 2024
Time

19