Tema 05: Metodología Box-Jenkins:

Análisis de series temporales lineales

usando R
Análisis estadístico de series económicas

Xavier Barber
Departamento de Estadística, Matemáticas e Informática
I. Centro de Investigación Operativa
Universidad Miguel Hernández de Elche

09/Apr/2019
Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 1 / 96
Licencia del Material
Material adaptado de la Profesora Melody Ghahramanj (University of
Winnipeg) http://www.ghahramani.ca/

Basado en las enseñanzas del Profesor George E.P. Box

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 2 / 96

 Leyendo la Serie temporal

Leyendo la Serie temporal

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 3 / 96

 Leyendo la Serie temporal

La naturaleza de los datos ts

Los datos deberán ser:
Continuos

O, datos de conteos que se puedan aproximar

mediante datos contínuos
por ejemplo, manchas solares mensuales

Espaciados en el tiempo de forma regular

por ejemplo, semanalmente, trimestralmente,
mensualmente o anualmente, etc.

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 4 / 96

 Leyendo la Serie temporal

Paquetes disponibles para Series

Temporales
Se suele utilizar el paquete astsa escrito por David
Stotffer y el paquete forecast escrito por Rob
Hyndman.
Se recomienda como material de apoyo:
Time Series Analysis and Its Applications: With R
Examples por Shumway and Stoffer
Forecasting: Principles and Practice por Rob J Hyndman
and George Athanasopoulos ()

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 5 / 96

 Leyendo la Serie temporal

Leyendo datos de una serie

co2dat <- read.csv("co2.txt", sep="",

na.strings="-99.99")

any x decimal average interpolated trend day

1 1958 3 1958.208 315.71 315.71 314.62 -1
2 1958 4 1958.292 317.45 317.45 315.29 -1
3 1958 5 1958.375 317.50 317.50 314.71 -1
4 1958 6 1958.458 NA 317.10 314.85 -1
5 1958 7 1958.542 315.86 315.86 314.98 -1
6 1958 8 1958.625 314.93 314.93 315.94 -1

any x decimal average interpolated trend day

729 2018 11 2018.875 408.02 408.02 410.02 24
730 2018 12 2018.958 409.07 409.07 409.77 30
731 2019 1 2019.042 410.83 410.83 410.54 27
732 2019 2 2019.125 411.75 411.75 410.90 27
Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 6 / 96
 Leyendo la Serie temporal

Creando el objeto ts
co2 = ts(co2dat$interpolated, freq = 12, start = c(1958, 3))

Jan Feb Mar Apr May Jun Jul Aug Sep Oct
1958 315.71 317.45 317.50 317.10 315.86 314.93 313.20 312.66
1959 315.62 316.38 316.71 317.72 318.29 318.15 316.54 314.80 313.84 313.26
1960 316.43 316.97 317.58 319.02 320.03 319.59 318.18 315.91 314.16 313.83
1961 316.93 317.70 318.54 319.48 320.58 319.77 318.57 316.79 314.80 315.38
1962 317.94 318.56 319.68 320.63 321.01 320.55 319.58 317.40 316.26 315.42
1963 318.74 319.08 319.86 321.39 322.25 321.47 319.74 317.77 316.21 315.99
1964 319.57 320.07 320.73 321.77 322.25 321.89 320.44 318.70 316.70 316.79
1965 319.44 320.44 320.89 322.13 322.16 321.87 321.39 318.81 317.81 317.30
1966 320.62 321.59 322.39 323.87 324.01 323.75 322.39 320.37 318.64 318.10
1967 322.07 322.50 323.04 324.42 325.00 324.09 322.55 320.92 319.31 319.31
1968 322.57 323.15 323.89 325.02 325.57 325.36 324.14 322.03 320.41 320.25
1969 324.00 324.42 325.64 326.66 327.34 326.76 325.88 323.67 322.38 321.78
1970 325.03 325.99 326.87 328.13 328.07 327.66 326.35 324.69 323.10 323.16
1971 326.17 326.68 327.18 327.78 328.92 328.57 327.34 325.46 323.36 323.57
1972 326.77 327.63 327.75 329.72 330.07 329.09 328.05 326.32 324.93 325.06
1973 328.54 329.56 330.30 331.50 332.48 332.07 330.87 329.31 327.51 327.18
1974 329.35 330.71 331.48 332.65 333.20 332.16 331.07 329.12 327.32 327.28
1975 330.73 331.46 331.90 333.17 333.94 333.45 331.98 329.95 328.50 328.34
1976 331.59 332.75 333.52 334.64 334.77 334.00 333.06 330.68 328.95 328.75
1977 332.66 333.13 334.95 336.13 336.93 336.17 334.88 332.56 331.29 331.27
1978 334.95 335.25 336.66 337.69 338.03 338.01 336.41 334.41 332.37 332.41
1979 336.14 336.69 338.27 338.95 339.21 339.26 337.54 335.75 333.98 334.19
Xavier Barber
1980 337.90 (@umh1465)
338.34 340.01 340.93 ×
ARIMA(p,d,q) SARIMA(P,D,Q)(P,
341.48 D, Q)s
341.33 339.40 337.70 09/Apr/2019
336.19 336.15 7 / 96
 Leyendo la Serie temporal

Creando el objeto ts
A veces los datos en formato serie temporal se
registran de formar regular, y esto es muy
importante que lo indiquemos en el commando ts.
Recordad:
Semanal= 52
Mensual= 12
Trimestral= 4
Semestral= 6
También se puede especificar el año/periodo de
inicio:
freq=12, start(1995, 2) # febrero de 1995
freq=4, start(1995,2) # 2º trimestre de 1995
Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 8 / 96
 Leyendo la Serie temporal

Dibujando la serie temporal

library(forecast)
autoplot(co2, xlab="Años", ylab="Partes por millon",
main="Media mensual de C02")

Media mensual de C02

390
Partes por millon

360

330

1960 1970 1980 1990 2000 2010 2020

Años
Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 9 / 96
 Leyendo la Serie temporal

Asunciones necesarias para el ajuste

Se necesita la condición de estacionariedad débil
para las series:
Media Constante
La función de la covarianza sólo depende de los retardos
La segunda condición implica una varianza
constanste.
Gráficamente: debemos observar esa varinza y esa
media de forma constante.
Si se observa en el grádico, procederemos al análisis
En caso contrario, deberemos realizar transformaciones:
Diferenciación
El primer modelo a ajustar será un ARMA(p,q)
Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 10 / 96
 Leyendo la Serie temporal

Simulando procesos ARMA(p,q) en R

Supongamos que queremos simular los siguientes
procesos
# AR(1)
out1 = arima.sim(list(order = c(1, 0, 0), ar = 0.9), n = 100)
# MA(1)
out4 = arima.sim(list(order = c(0, 0, 1), ma = -0.5), n = 100)
# ARMA(1,1)
out6 = arima.sim(list(order = c(1, 0, 1), ar = 0.9, ma = -0.5),
n = 100)

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 11 / 96

 Leyendo la Serie temporal

Simulando procesos ARMA(1,0) en R

AR(1) φ = + 0.9
4
2
x

0
−2

0 20 40 60 80 100

Time

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 12 / 96

 Leyendo la Serie temporal

Simulando procesos ARMA(0,1) en R

MA(1) θ = − 0.5
2
1
x

0
−1
−2

0 20 40 60 80 100

Time

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 13 / 96

 Leyendo la Serie temporal

Simulando procesos ARMA(1,1) en R

AR(1) φ = + 0.9 MA(1) θ = − 0.5
2
1
0
x

−1
−2
−3

0 20 40 60 80 100

Time

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 14 / 96

 Modelo ARMA(p,q)

Modelo ARMA(p,q)

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 15 / 96

 Modelo ARMA(p,q)

Identificando los modelos ARMA(1,0)

# install.packages('astsa')
library(astsa)
acf2(out1, 48) #prints values and plots

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 16 / 96

 Modelo ARMA(p,q)

Identificando los modelos ARMA(1,0)

Series: out1
0.6
ACF
0.2 −0.2

0 10 20 30 40
LAG
0.6
PACF
0.2 −0.2

0 10 20 30 40
LAG
Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 17 / 96
 Modelo ARMA(p,q)

Identificando los modelos ARMA(0,1)

Series: out4
0.2
ACF
0.0−0.4

0 10 20 30 40
LAG
0.0 0.2
PACF
−0.4

0 10 20 30 40
LAG
Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 18 / 96
 Modelo ARMA(p,q)

Identificando los modelos ARMA(1,1)

Series: out6
0.4
0.2
ACF
−0.2

0 10 20 30 40
LAG
0.4
0.2
PACF
−0.2

0 10 20 30 40
LAG
Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 19 / 96
 Modelo ARMA(p,q)

Identificación de los modelos ARMA(p,q)

AR(p) MA(q) ARMA(p,q)
ACF Colas largas Se corta en q Colas largas
PACF Se corta en p Colas largas Colas largas

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 20 / 96

 Modelo ARMA(p,q)

Trasnformando ts en R
Los modelos ARMA asumen que el proceso es de
estacionariedad “débil”.

Un gráfico puede revelar la falta de esta

estacionariedad, como por ejemplo:
La existencia de una tendencia, ya sea lineal, cuadráticas,
cúbica, etc.
La varianza no es contante a lo largo del tiempo.

Entonces, se necesita trasnformar los datos para ajustar

este modelo ARMA(p,q).
Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 21 / 96
 Modelo ARMA(p,q)

Series NO estacionarias

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 22 / 96

 Modelo ARMA(p,q)

Trasnformando ts en R
Tendencias lineales
Tomar la primera diferencia: wt = 5Yt = yt − yt−1 .
Y entonces ajustamos un ARMA al modelo wt

Ajustar el modelo yt = βo + β1 × t + at . Y
entonces ajustar los residuos utilizando un modelo
ARMA(p,q).

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 23 / 96

 Modelo ARMA(p,q)

Diferenciando

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 24 / 96

 Modelo ARMA(p,q)

Trasnformando ts en R
Tendencia cuadráticas
Tomar la segunda diferencia:

vt = 52 Yt = 5(5yt ) = yt − 2yt−1 + yt−2 .

Y entonces ajustamos un ARMA al modelo vt

Detrimendo: Ajustar el modelo

yt = βo + β1 × t + β2 × t2 + at . Y entonces ajustar
los residuos utilizando un modelo ARMA.

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 25 / 96

 Modelo ARMA(p,q)

Serie temporal con tendencia

1500
preciom2

1000
500

1990 1995 2000 2005 2010

Time

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 26 / 96

 Modelo ARMA(p,q)

Serie temporal con tendencia

ACF sin trasnformar ACF diferenciación=1
1.0

1.0
0.8
0.8

0.6
0.6
ACF

ACF

0.4
0.4

0.2
0.2

0.0
0.0

−0.2
−0.2

0 1 2 3 4 5 6 0 1 2 3 4 5 6

Lag Lag

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 27 / 96

 Modelo ARMA(p,q)

Serie temporal con tendencia

ACF residuos modelo lineal ACF residuos modelo cuadrático
1.0

1.0
0.8

0.8
0.6

0.6
ACF

ACF
0.4

0.4
0.2

0.2
0.0

0.0
−0.2

−0.2

0 5 10 15 0 5 10 15

Lag Lag

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 28 / 96

 Modelo ARMA(p,q)

Serie temporal con tendencia

ACF diferenciación=2
1.0
0.8
0.6
ACF

0.4
0.2
0.0
−0.2

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 29 / 96

 Modelo ARMA(p,q)

Serie con varianza no cte. y tendencia

8e+07
Total_acciones

4e+07
0e+00

0 50 100 150

Time

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 30 / 96

 Modelo ARMA(p,q)

Serie con varianza no cte. y tendencia

Log Total Acciones
18
17
Total_acciones

16
15
14

0 50 100 150

Time

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 31 / 96

 Modelo ARMA(p,q)

Serie con varianza no cte. y tendencia

ACF log(acciones) ACF log(acciones) dif=1
1.0

0.8
0.8
0.6

0.4
ACF

ACF
0.4
0.2

0.0
0.0

0 5 10 15 20 −0.4 0 5 10 15 20

Lag Lag

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 32 / 96

 Modelos ARIMA

Modelos ARIMA

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 33 / 96

 Modelos ARIMA

ARIMA(p,d,q)
arima(x, order = c(0L, 0L, 0L),
seasonal = list(order = c(0L, 0L, 0L),
period = NA),
xreg = NULL, include.mean = TRUE,
transform.pars = TRUE,
fixed = NULL, init = NULL,
method = c("CSS-ML", "ML", "CSS"), n.cond,
SSinit = c("Gardner1980", "Rossignol2011"),
optim.method = "BFGS",
optim.control = list(), kappa = 1e6)

Se recomienda el uso de paquetes como sarima o astsa que pueden facilitar los
gráficos y otros aspectos del análisis y ajuste.

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 34 / 96

 Modelos ARIMA

ARIMA(p,d,q)
Series de capturas de pescado
100
80
60
rec

40
20
0

1950 1960 1970 1980

Time

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 35 / 96

 Modelos ARIMA

ARIMA(p,d,q)
Series: as.vector(rec)
1.0
0.5
ACF
0.0
−0.5

0 10 20 30 40
LAG
1.0
0.5
PACF
0.0 −0.5

0 10 20 30 40
LAG
Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 36 / 96
 Modelos ARIMA

ARIMA(p,d,q)
fit1 <- arima(rec, order = c(2, 0, 0))
fit1

##
## Call:
## arima(x = rec, order = c(2, 0, 0))
##
## Coefficients:
## ar1 ar2 intercept
## 1.3512 -0.4612 61.8585
## s.e. 0.0416 0.0417 4.0039
##
## sigma^2 estimated as 89.33: log likelihood = -1661.51, aic = 3331.02

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 37 / 96

 Modelos ARIMA

ARIMA(p,d,q)
El “intercepto” en el arima es la estimación de la
media
El modelo ajustado será pues:

Yt −61.68 = 1.35(Yt−1 −61.86)−0.46(Yt−2 −61.86)+ât

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 38 / 96

 Estacionalidad

Estacionalidad

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 39 / 96

 Estacionalidad

SARIMA(P,D,Q)
Cuando los datos muestran un comportamiento
estacional y esto queda patente también en el ACF,
entonces incorporaremos al modelo ajustado esta
componente utilizando los miodelos SARIMA(P,D,Q)

ARIM A(p, q, d) × SARIM A(P, Q, D)S

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 40 / 96

 Estacionalidad

ARIMA(p,d,q) y SARIMA(P,D,Q)
sarima(xdata, p, d, q, P = 0, D = 0, Q = 0, S = -1,
details = TRUE, xreg=NULL, Model=TRUE,
tol = sqrt(.Machine$double.eps),
no.constant = FALSE)

p: AR order (must be specified)

d: difference order (must be specified)
q: MA order (must be specified)
P: SAR order; use only for seasonal models
D: seasonal difference; use only for seasonal models
Q: SMA order; use only for seasonal models
S: seasonal period; use only for seasonal models

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 41 / 96

 Estacionalidad

SARIMA(P,D,Q)
La opción nop.constant:
Controla si el modelo SARIMA(P,D,Q) incluye la
constante en el modelo
En particular, si no hay difefrenciación (d=0 and
D=0) se obtiene al estimaciónd de la media.
Si hay diferenciación de orden 1 (d=1 o D=1, pero
no ambas), se incluye un término constante en
modelo
lo dicho anteriomente se obvia si el modelo inclute
no.constant=TRUE.

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 42 / 96

 Estacionalidad

SARIMA(P,D,Q)
La idea es que la diferenciación total sea de primer
orden (d+D≤ 1)
Trabajaremos pues con modelos del estilo:
ARIMA(0,0,1) × SARIMA(0,1,1)1 2

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 43 / 96

 Estacionalidad

Test de estacionariedad
La Prueba de Dickey-Fuller busca determinar la existencia o no de raíces
unitarias en una serie temporal.
H0 : No hay estacionariedad
Ha : Existe estacionariedad

##
## Augmented Dickey-Fuller Test
##
## data: rec
## Dickey-Fuller = -4.0878, Lag order = 0, p-value = 0.01
## alternative hypothesis: stationary

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 44 / 96

 Estacionalidad

Test de Estacionariedad-Tendencia
H0 : Serie estacionaria con una tendencia o nivel

##
## KPSS Test for Trend Stationarity
##
## data: serie
## KPSS Trend = 0.46997, Truncation lag parameter = 4, p-value = 0.01

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 45 / 96

 Estacionalidad

Ejemplo SARIMA
modelo <- sarima(rec, 2, 0, 0)
Model: (2,0,0) Standardized Residuals
4
2
0
−2
−4

1950 1960 1970 1980

Time

ACF of Residuals Normal Q−Q Plot of Std Residuals

4
0.4

Sample Quantiles

2
0.2
ACF

0
−2
0.0

−4
−0.2

0.0 0.5 1.0 1.5 2.0 2.5 −3 −2 −1 0 1 2 3

LAG Theoretical Quantiles

p values for Ljung−Box statistic

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 46 / 96
1.0
 Estacionalidad

Ejemplo SARIMA
modelo <- sarima(rec, 1, 1, 0, 0, 0, 2, 12)
Model: (1,1,0) (0,0,2) [12] Standardized Residuals
4
2
0
−2
−4

1950 1960 1970 1980

Time

ACF of Residuals Normal Q−Q Plot of Std Residuals

0.6

4
0.4

Sample Quantiles

2
0.2
ACF

0
0.0

−2
−0.2

−4

0.0 0.5 1.0 1.5 2.0 2.5 3.0 −3 −2 −1 0 1 2 3

LAG Theoretical Quantiles

p values for Ljung−Box statistic

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 47 / 96
1.0
 Estacionalidad

Test de Independencia de lso Residuos

La prueba de Ljung-Box se puede definir de la siguiente manera.
H0 : Los datos se distribuyen de forma independiente (es decir, las
correlaciones en la población de la que se toma la muestra son 0, de modo
que cualquier correlación observada en los datos es el resultado de la
aleatoriedad del proceso de muestreo).
Ha : Los datos no se distribuyen de forma independiente.

Box-Ljung test

data: rec
X-squared = 1245.2, df = 25, p-value < 2.2e-16

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 48 / 96

 Estacionalidad

Predicción
# modelo2<-auto.arima(rec)
sarima.for(rec, 12, 1, 1, 0, 0, 0, 2, 12, plot.all = FALSE)
100
50
rec
0−50
−100

Xavier Barber1980
(@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P,
1982 1984 D, Q)s1986 09/Apr/2019
1988 49 / 96
 Estacionalidad

Predicción
# modelo2<-auto.arima(rec)
sarima.for(rec, 12, 1, 1, 0, 0, 0, 2, 12)
−100 100
rec

1980 1982 1984 1986 1988

Time

## $pred
## Jan Feb Mar Apr May Jun Jul
## 1987
## 1988 15.629090 17.139372 16.447856 13.995275 10.953905 9.175640 4.938035
## Aug Sep Oct Nov Dec
## 1987 15.486908 14.996399 13.484424
## 1988 3.129710 4.709371
##
## $se
## Jan Feb Mar Apr May Jun Jul
## 1987
## 1988 27.094743 31.283351 35.010316 38.389846 41.499602 44.393685 47.110906
## Aug Sep Oct Nov Dec
## 1987 9.709541 16.580948 22.275078
## 1988 49.679947 52.122597
Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 50 / 96
 Ejemplo modelo ARIMA

Ejemplo modelo ARIMA

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 51 / 96

 Ejemplo modelo ARIMA

US GNP Series:
Análisis del producto interior bruto de Estados Unidos
library(tseries)
library(astsa)
data(gnp)
plot(gnp)
title(’Quarterly U.S. GNP from 1947(1) to 1991(1)’)
acf2(as.vector(gnp), 50)
#estacionariedad
adf.test(rec, alternative="stationary", k=0)
# diferenciación de orden 1 (por no estacionaria)
plot(diff(gnp))
title(’First Difference of U.S. GNP from 1947(1) to 1991(1)’)
# diferenciación de orden 1 y logaritmo (por varianza no cons
gnpgr = diff(log(gnp)) # growth rate
plot(gnpgr)
title(’First difference of the U.S. log(GNP) data’)
acf2(as.vector(gnpgr),
Xavier Barber (@umh1465) 24)× SARIMA(P,D,Q)(P, D, Q)s
ARIMA(p,d,q) 09/Apr/2019 52 / 96
 Ejemplo modelo ARIMA

US GNP Series:
Quarterly U.S. GNP from 1947(1) to 1991(1)
8000
6000
gnp

4000
2000

1950 1960 1970 1980 1990 2000

Time

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 53 / 96

 Ejemplo modelo ARIMA

US GNP: Exesivos retardos significativos

Series: as.vector(gnp)
0.8
ACF
0.4
0.0

0 10 20 30 40 50
LAG
0.8
PACF
0.4
0.0

0 10 20 30 40 50
LAG
Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 54 / 96
 Ejemplo modelo ARIMA

US GNP: test de estacionariedad

adf.test(gnp, alternative = "stationary", k = 0)

Augmented Dickey-Fuller Test

data: gnp
Dickey-Fuller = 0.069639, Lag order = 0, p-value = 0.99
alternative hypothesis: stationary

Claramente no es estacionaria.

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 55 / 96

 Ejemplo modelo ARIMA

US GNP: test de
estacionariedad-Tendencia
kpss.test(gnp, null = "Trend")

KPSS Test for Trend Stationarity

data: gnp
KPSS Trend = 0.94871, Truncation lag parameter = 4, p-value = 0.01

Este test responde a la pregunta de si la serie es estacionaria en torno a una tendencia.

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 56 / 96

 Ejemplo modelo ARIMA

US GNP: Dif. de orden 1

First Difference of U.S. GNP from 1947(1) to 1991(1)
150
100
diff(gnp)

50
0
−50
−100

1950 1960 1970 1980 1990 2000

Time

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 57 / 96

 Ejemplo modelo ARIMA

US GNP: test de estacionariedad

adf.test(diff(gnp), alternative = "stationary", k = 0)

Augmented Dickey-Fuller Test

data: diff(gnp)
Dickey-Fuller = -10.64, Lag order = 0, p-value = 0.01
alternative hypothesis: stationary

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 58 / 96

 Ejemplo modelo ARIMA

log(GNP): Dif. orden 1

First difference of the U.S. log(GNP) data
0.04
0.02
gnpgr

0.00
−0.02

1950 1960 1970 1980 1990 2000

Time

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 59 / 96

 Ejemplo modelo ARIMA

US GNP: estacionariedad tras dif. y log

adf.test(gnpgr, alternative = "stationary", k = 0)

Augmented Dickey-Fuller Test

data: gnpgr
Dickey-Fuller = -10.341, Lag order = 0, p-value = 0.01
alternative hypothesis: stationary

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 60 / 96

 Ejemplo modelo ARIMA

US GNP: Tendencia tras log y d = 1

# Test de estacionariadad con tendencia
kpss.test(gnpgr, null = "Trend")

KPSS Test for Trend Stationarity

data: gnpgr
KPSS Trend = 0.024163, Truncation lag parameter = 4, p-value = 0.1

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 61 / 96

 Ejemplo modelo ARIMA

ACF log(GNP) con d=1

Series: as.vector(gnpgr)
0.4
0.2
ACF
0.0
−0.2

5 10 15 20
LAG
0.4
0.2
PACF
0.0
−0.2

5 10 15 20
LAG
Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 62 / 96
 Ejemplo modelo ARIMA

AUTO.ARIMA
Este comando encuentra el “mejor” modelo que se
adapta a los datos, sea o no estacional.
install.packages("forecast")
library(forecast)
auto.arima(x, d=NA, D=NA, max.p=5, max.q=5,
max.P=2, max.Q=2, max.order=5, start.p=2,
start.q=2, start.P=1, start.Q=1,
stationary=FALSE,
seasonal=TRUE,ic=c("aicc","aic", "bic"),
stepwise=TRUE, trace=FALSE,
approximation=(length(x)>100 | frequency(x)>12),
xreg=NULL,test=c("kpss","adf","pp"),
seasonal.test=c("ocsb","ch"),allowdrift=TRUE,
lambda=NULL, parallel=FALSE, num.cores=NULL)
# library(forecast) # libro: https://otexts.com/fpp2/
ar.mod = Arima(log(gnp), order = c(1, 1, 0), sea = c(0, 0, 0))
auto.AR.mod = auto.arima(log(gnp), d = 1, D = 0, sea = FALSE)

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 63 / 96

 Ejemplo modelo ARIMA

US GNP Series: ARIMA(1,1,0)

ar.mod = Arima(log(gnp), order=c(1, 1, 0),
seasonal = c(0, 0, 0),
include.drift = TRUE)

Series: log(gnp)
ARIMA(1,1,0) with drift

Coefficients:
ar1 drift
0.3467 0.0083
s.e. 0.0627 0.0010

sigma^2 estimated as 9.136e-05: log likelihood=718.61

AIC=-1431.22 AICc=-1431.11 BIC=-1421.01

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 64 / 96

 Ejemplo modelo ARIMA

US GNP Series: ARIMA(1,1,0)

checkresiduals(ar.mod)

Residuals from ARIMA(1,1,0) with drift

0.04
0.02
0.00
−0.02
1950 1960 1970 1980 1990 2000

40
0.10
30
0.05

count
ACF

0.00 20
−0.05 10
−0.10
0
4 8 12 16 20 24 −0.02 0.00 0.02 0.04
Lag residuals

##
## Ljung-Box test
##
## data: Residuals from ARIMA(1,1,0) with drift
## Q* = 9.8183, df = 6, p-value = 0.1325
##
## Model df: 2. Total lags used: 8
Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 65 / 96
 Ejemplo modelo ARIMA

US GNP Series: ARIMA(0,1,1)

ma.mod = Arima(log(gnp), order=c(0, 1, 1),
seasonal = c(0, 0, 0),
include.drift = TRUE)

Series: log(gnp)
ARIMA(0,1,1) with drift

Coefficients:
ma1 drift
0.2719 0.0083
s.e. 0.0549 0.0008

sigma^2 estimated as 9.414e-05: log likelihood=715.3

AIC=-1424.6 AICc=-1424.49 BIC=-1414.39

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 66 / 96

 Ejemplo modelo ARIMA

US GNP Series: ARIMA(0,1,1)

Residuals from ARIMA(0,1,1) with drift
0.04

0.02

0.00

−0.02

1950 1960 1970 1980 1990 2000

0.2 40

0.1 30

count
ACF

20
0.0
10
−0.1
0
4 8 12 16 20 24 −0.02 0.00 0.02 0.04
Lag residuals

##
## Ljung-Box test
##
## data: Residuals from ARIMA(0,1,1) with drift
## Q* = 17.439, df = 6, p-value = 0.007797
## Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q) 09/Apr/2019 67 / 96
s
 Ejemplo modelo ARIMA

US GNP Series: ARIMA(1,1,1)

arma11 = Arima(log(gnp), order=c(1, 1, 1),
seasonal = c(0, 0, 0),
include.drift = TRUE)

Series: log(gnp)
ARIMA(1,1,1) with drift

Coefficients:
ar1 ma1 drift
0.4632 -0.1306 0.0083
s.e. 0.1272 0.1350 0.0010

sigma^2 estimated as 9.142e-05: log likelihood=719.04

AIC=-1430.08 AICc=-1429.9 BIC=-1416.47

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 68 / 96

 Ejemplo modelo ARIMA

US GNP Series: ARIMA(0,1,1)

Residuals from ARIMA(1,1,1) with drift
0.04

0.02

0.00

−0.02

1950 1960 1970 1980 1990 2000

40
0.10
30
0.05

count
ACF

0.00 20
−0.05 10
−0.10
0
4 8 12 16 20 24 −0.02 0.00 0.02 0.04
Lag residuals

##
## Ljung-Box test
##
## data: Residuals from ARIMA(1,1,1) with drift
## Q* = 9.0298, df = 5, p-value = 0.1079
## Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q) 09/Apr/2019 69 / 96
s
 Ejemplo modelo ARIMA

US GNP Series: auto.arima

auto.arma11 = auto.arima(log(gnp),d=1,D=0,
seasonal=FALSE)

Series: log(gnp)
ARIMA(3,1,1) with drift

Coefficients:
ar1 ar2 ar3 ma1 drift
1.0905 -0.1251 -0.1739 -0.7881 0.0084
s.e. 0.3027 0.1529 0.0777 0.3112 0.0006

sigma^2 estimated as 8.906e-05: log likelihood=722.89

AIC=-1433.78 AICc=-1433.39 BIC=-1413.36

The parameter µ is called the “drift” in the R output when d = 1

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 70 / 96

 Ejemplo modelo ARIMA

US GNP Series: auto.arima

Residuals from ARIMA(3,1,1) with drift

0.02

0.00

−0.02

1950 1960 1970 1980 1990 2000

40
0.10
0.05 30

count
ACF

0.00 20
−0.05
10
−0.10
0
4 8 12 16 20 24 −0.02 0.00 0.02 0.04
Lag residuals

##
## Ljung-Box test
##
## data: Residuals from ARIMA(3,1,1) with drift
## Q* = 1.3307, df = 3, p-value = 0.7218
##
Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 71 / 96
 Ejemplo modelo ARIMA

US GNP Series: Selección de modelos

AIC AICc BIC
ARIMA(1,1,0) -1431.221 -1431.110 -1421.012
ARIMA(0,1,1) -1424.600 -1424.490 -1414.392
ARIMA(1,1,1) -1430.080 -1429.896 -1416.469
auto.arima -1433.781 -1433.390 -1413.365

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 72 / 96

 Ejemplo modelo ARIMA

Predicción

autoPred <- forecast(auto.arma11, h = 12)

Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
2002 Q4 9.166345 9.154251 9.178440 9.147848 9.184842
2003 Q1 9.177074 9.157215 9.196933 9.146703 9.207446
2003 Q2 9.187448 9.160494 9.214403 9.146225 9.228671
2003 Q3 9.197489 9.164874 9.230104 9.147609 9.247369
2003 Q4 9.207020 9.169975 9.244065 9.150364 9.263675
2004 Q1 9.216098 9.175644 9.256551 9.154229 9.277966
2004 Q2 9.224803 9.181695 9.267912 9.158875 9.290732
2004 Q3 9.233249 9.188011 9.278487 9.164063 9.302434
2004 Q4 9.241535 9.194513 9.288557 9.169621 9.313449
2005 Q1 9.249746 9.201156 9.298337 9.175433 9.324059
2005 Q2 9.257940 9.207906 9.307973 9.181420 9.334459
2005 Q3 9.266151 9.214744 9.317558 9.187531 9.344772

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 73 / 96

 Ejemplo modelo ARIMA

Predicción deshaciendo log(datos)

autoPred$mean = exp(autoPred$mean)
autoPred$lower = exp(autoPred$lower)
autoPred$upper = exp(autoPred$upper)
autoPred$x = exp(autoPred$x)
autoPred$fitted = exp(autoPred$fitted)
autoPred$residuals = exp(autoPred$residuals)
plot(autoPred)

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 74 / 96

 Ejemplo modelo ARIMA

Predicción deshaciendo log(datos)

Forecasts from ARIMA(3,1,1) with drift
10000
8000
6000
4000
2000

1950 1960 1970 1980 1990 2000

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 75 / 96

 Ejemplo serie con estacionalidad

Ejemplo serie con estacionalidad

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 76 / 96

 Ejemplo serie con estacionalidad

AirPassengers
library(tseries) # for ADF test
library(forecast) # auto.arima
data(AirPassengers) # load
class(AirPassengers)

## [1] "ts"

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 77 / 96

 Ejemplo serie con estacionalidad

AirPassengers
autoplot(AirPassengers)

600
AirPassengers

400

200

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 78 / 96

 Ejemplo serie con estacionalidad

AirPassengers
summary(AirPassengers)

## Min. 1st Qu. Median Mean 3rd Qu. Max.

## 104.0 180.0 265.5 280.3 360.5 622.0

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 79 / 96

 Ejemplo serie con estacionalidad

AirPassengers
start(AirPassengers)

## [1] 1949 1

end(AirPassengers)

## [1] 1960 12

frequency(AirPassengers) # The cycle of this time series: 12

## [1] 12

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 80 / 96

 Ejemplo serie con estacionalidad

AirPassengers
plot(AirPassengers)
linearModel = lm(AirPassengers ~ time(AirPassengers))
abline(reg = linearModel) # Probando un modelo lineal
500
AirPassengers

300
100

1950 1952 1954 1956 1958 1960

Time

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 81 / 96

 Ejemplo serie con estacionalidad

AirPassengers: ACF

apNum = as.numeric(AirPassengers)
apDiff = diff(AirPassengers, differences = 1)
op = par(mfrow = c(1, 2)) # start multi plot
acf(apDiff, plot = T)
pacf(apDiff, plot = T)

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 82 / 96

 Ejemplo serie con estacionalidad

AirPassengers: ACF
Series apDiff Series apDiff

0.6
1.0

0.4
0.8
0.6

0.2
Partial ACF
0.4
ACF

0.0
0.2

−0.2
0.0

−0.4
−0.2

0.0 0.5 1.0 1.5 0.5 1.0 1.5

Lag Lag

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 83 / 96

 Ejemplo serie con estacionalidad

AirPassengers: ¿Es estacionaria?

adf.test(diff(log(AirPassengers)), alternative = "station
k = 0)

##
## Augmented Dickey-Fuller Test
##
## data: diff(log(AirPassengers))
## Dickey-Fuller = -9.6003, Lag order = 0, p-value = 0.01
## alternative hypothesis: stationary

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 84 / 96

 Ejemplo serie con estacionalidad

AirPassengers: Diferenciando la serie

plot(diff(log(AirPassengers)))
0.2
diff(log(AirPassengers))

0.1
0.0
−0.1
−0.2

1950 1952 1954 1956 1958 1960

Xavier Barber (@umh1465) Time

ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 85 / 96
 Ejemplo serie con estacionalidad

AirPassengers: Diferenciando y logaritmo

acf(diff(log(apNum)))

Series diff(log(apNum))
1.0
0.6
ACF

0.2
−0.2

0 5 10 15 20

Lag

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 86 / 96

 Ejemplo serie con estacionalidad

AirPassengers: Diferenciando y logaritmo

pacf(diff(log(apNum)))

Series diff(log(apNum))
0.4
Partial ACF

0.0
−0.4

5 10 15 20

Lag

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 87 / 96

 Ejemplo serie con estacionalidad

AirPassengers: construyendo el modelo (I)

autoArimaModel = auto.arima(AirPassengers, d = 1)
autoArimaModel

## Series: AirPassengers
## ARIMA(2,1,1)(0,1,0)[12]
##
## Coefficients:
## ar1 ar2 ma1
## 0.5960 0.2143 -0.9819
## s.e. 0.0888 0.0880 0.0292
##
## sigma^2 estimated as 132.3: log likelihood=-504.92
## AIC=1017.85 AICc=1018.17 BIC=1029.35

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 88 / 96

 Ejemplo serie con estacionalidad

AirPassengers: construyendo el modelo

(II)
autoArimaModelLog = auto.arima(log(AirPassengers), d = 1)
autoArimaModelLog

## Series: log(AirPassengers)
## ARIMA(0,1,1)(0,1,1)[12]
##
## Coefficients:
## ma1 sma1
## -0.4018 -0.5569
## s.e. 0.0896 0.0731
##
## sigma^2 estimated as 0.001371: log likelihood=244.7
## AIC=-483.4 AICc=-483.21 BIC=-474.77

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 89 / 96

 Ejemplo serie con estacionalidad

AirPassengers: checkresiduals
checkresiduals(autoArimaModelLog)

Residuals from ARIMA(0,1,1)(0,1,1)[12]

0.10
0.05
0.00
−0.05
−0.10
1950 1952 1954 1956 1958 1960

30
0.2

0.1 20

count
ACF

0.0
10
−0.1
0
12 24 36 −0.10 −0.05 0.00 0.05 0.10
Lag residuals

##
## Ljung-Box test
##Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 90 / 96
 Ejemplo serie con estacionalidad

AirPassengers: construyendo el modelo

(III)
#Manualmente
pdqParam = c(0, 1, 1)
manualFit <- arima(log(AirPassengers), pdqParam,
seasonal = list(order = pdqParam,
period = 12))
manualFit

##
## Call:
## arima(x = log(AirPassengers), order = pdqParam, seasonal = list(
## period = 12))
##
## Coefficients:
## ma1 sma1
## -0.4018 -0.5569
## s.e. 0.0896 0.0731
##
## sigma^2 estimated as 0.001348: log likelihood = 244.7, aic = -
Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 91 / 96
 Ejemplo serie con estacionalidad

AirPassengers: checkresiduals
checkresiduals(manualFit)

Residuals from ARIMA(0,1,1)(0,1,1)[12]

0.10
0.05
0.00
−0.05
−0.10
1950 1952 1954 1956 1958 1960

30
0.2

0.1 20

count
ACF

0.0
10
−0.1
0
12 24 36 −0.10 −0.05 0.00 0.05 0.10
Lag residuals

##
## Ljung-Box test
##
Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 92 / 96
 Ejemplo serie con estacionalidad

AirPassengers: Prediciendo
autoPred = forecast(autoArimaModel, h = 25)
plot(autoPred)

Forecasts from ARIMA(2,1,1)(0,1,0)[12]

700
500
300
100

1950 1952 1954 1956 1958 1960 1962

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 93 / 96

 Ejemplo serie con estacionalidad

AirPassengers: Deshaciendo log

autoPred = forecast(autoArimaModelLog, h = 25)
autoPred$mean = exp(autoPred$mean)
autoPred$lower = exp(autoPred$lower)
autoPred$upper = exp(autoPred$upper)
autoPred$x = exp(autoPred$x)
autoPred$fitted = exp(autoPred$fitted)
autoPred$residuals = exp(autoPred$residuals)
plot(autoPred)

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 94 / 96

 Ejemplo serie con estacionalidad

AirPassengers: Deshaciendo log

Forecasts from ARIMA(0,1,1)(0,1,1)[12]
800
600
400
200

1950 1952 1954 1956 1958 1960 1962

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 95 / 96

 Ejemplo serie con estacionalidad

AirPassengers: Predecir manualmente

manualPred <- predict(manualFit, n.ahead = 25)
ts.plot(AirPassengers, exp(manualPred$pred), log = "y", lty = c(1,
3))
400 700
200
100

1950 1952 1954 1956 1958 1960 1962

Time

Xavier Barber (@umh1465) ARIMA(p,d,q) × SARIMA(P,D,Q)(P, D, Q)s 09/Apr/2019 96 / 96