25  Ajuste de Modelos de Series de Tiempo en R

El análisis y la modelización de series de tiempo son fundamentales para comprender y predecir el comportamiento de datos secuenciales a lo largo del tiempo. R ofrece una amplia variedad de herramientas y paquetes para ajustar modelos de series de tiempo y realizar pronósticos precisos. En esta clase, exploraremos cómo ajustar modelos de series de tiempo utilizando R y algunos de los paquetes más utilizados, como stats, forecast, y tsibble.

Preparación de los Datos

Antes de ajustar un modelo de series de tiempo, es importante preparar los datos. Asegúrate de que tus datos estén en formato de serie de tiempo, con las observaciones ordenadas cronológicamente. Esto es crucial para obtener resultados significativos y precisos al ajustar modelos.

Modelos ARIMA

Los modelos ARIMA (Autorregresión Integración Promedio Móvil) son una clase popular de modelos de series de tiempo utilizados para modelar datos temporales. Los modelos ARIMA capturan patrones de autocorrelación y ayudan a predecir valores futuros. A continuación, se muestra cómo ajustar un modelo ARIMA utilizando el paquete forecast:

# Instalar y cargar el paquete forecast
library(forecast)

# Crear una serie de tiempo (por ejemplo, tsibble)
ts_data <- tsibble::as_tsibble(AirPassengers)
head(ts_data)
# Ajustar un modelo ARIMA
modelo_arima <- auto.arima(ts_data$value)


# Resumen del modelo ajustado
summary(modelo_arima)
Series: ts_data$value 
ARIMA(4,1,2) with drift 

Coefficients:
         ar1     ar2      ar3      ar4      ma1      ma2   drift
      0.2243  0.3689  -0.2567  -0.2391  -0.0971  -0.8519  2.6809
s.e.  0.1047  0.1147   0.0985   0.0919   0.0866   0.0877  0.1711

sigma^2 = 706.3:  log likelihood = -670.07
AIC=1356.15   AICc=1357.22   BIC=1379.85

Training set error measures:
                    ME     RMSE      MAE       MPE     MAPE      MASE
Training set -1.228696 25.82793 20.59211 -1.665245 7.476447 0.7962877
                     ACF1
Training set 0.0009861071

Modelos de Suavizado Exponencial

Los modelos de suavizado exponencial son adecuados para series de tiempo con patrones estacionales y tendencias. Estos modelos incluyen el suavizado exponencial simple, doble y triple. A continuación, se muestra cómo ajustar un modelo de suavizado exponencial utilizando el paquete forecast:

# Ajustar un modelo de suavizado exponencial
modelo_suavizado <- ets(ts_data$value)

# Resumen del modelo ajustado
summary(modelo_suavizado)
ETS(M,N,N) 

Call:
 ets(y = ts_data$value) 

  Smoothing parameters:
    alpha = 0.9999 

  Initial states:
    l = 110.816 

  sigma:  0.1087

     AIC     AICc      BIC 
1673.900 1674.072 1682.810 

Training set error measures:
                   ME     RMSE      MAE       MPE     MAPE      MASE      ACF1
Training set 2.230639 33.59433 25.68949 0.3830975 8.964388 0.9934009 0.3028975

Modelos con Efectos de Retardo

En algunos casos, las observaciones en un momento pueden estar relacionadas con las observaciones anteriores. Para ajustar modelos de regresión con efectos de retardo, puedes utilizar la función lag() para crear nuevas variables que representen las observaciones anteriores. A continuación, se muestra un ejemplo de cómo hacerlo:

require(tidyverse)
# Crear variables de efectos de retardo
ts_data <- ts_data %>%
  mutate(lag1 = lag(value, 1),
         lag2 = lag(value, 2))

# Ajustar un modelo de regresión con efectos de retardo
modelo_regresion <- lm(value ~ lag1 + lag2, data = ts_data)

# Resumen del modelo ajustado
summary(modelo_regresion)

Call:
lm(formula = value ~ lag1 + lag2, data = ts_data)

Residuals:
    Min      1Q  Median      3Q     Max 
-95.236 -20.825  -5.126  20.163  78.198 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) 16.48212    6.88371   2.394    0.018 *  
lag1         1.27664    0.08060  15.839  < 2e-16 ***
lag2        -0.32983    0.08029  -4.108 6.78e-05 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 31.87 on 139 degrees of freedom
  (2 observations deleted due to missingness)
Multiple R-squared:  0.9295,    Adjusted R-squared:  0.9285 
F-statistic: 916.2 on 2 and 139 DF,  p-value: < 2.2e-16

Evaluación y Validación de Modelos

Es esencial evaluar la calidad de los modelos ajustados. Puedes utilizar técnicas como la validación cruzada y las métricas de rendimiento para determinar la precisión de tus modelos en la predicción de valores futuros.

Note

Esto se abordará en la siguiente clase

Conclusiones

Ajustar modelos de series de tiempo en R es una habilidad valiosa para comprender patrones y realizar pronósticos precisos. Con la combinación adecuada de paquetes y técnicas, puedes analizar tus datos temporales de manera efectiva y tomar decisiones basadas en evidencia. Recuerda que el ajuste de modelos de series de tiempo es un proceso iterativo que requiere experiencia y práctica para obtener resultados óptimos.