Series de tiempo
Se utilizara el método de Arima con estacionalidad, debido a que se observa en los datos un comportamiento estacionaly con tendencia positiva.
Se construye la serie
Observación de Estacionalidad
Se aplica Transformación de los Datos
Se calcula la tasa de crecimiento y segráfica
Identifica las ordenes de tendencia del modelo
Se estiman los parametros de orden 1
Call:
arima(x = gnpgr, order = c(1, 0, 0))
Coefficients:
ar1intercept
-0.0323 -0.0002
s.e. 0.1293 0.0722
sigma^2 estimated as 0.3278: log likelihood = -50.81, aic = 107.62
Se estiman los parametros de orden 2Call:
arima(x = gnpgr, order = c(0, 0, 2))
Coefficients:
ma1 ma2 intercept
-0.0242 0.0773 0.0010
s.e. 0.1273 0.1613 0.0782
sigma^2estimated as 0.3265: log likelihood = -50.7, aic = 109.4
Calculo de los estimadores PSI
[1] 3.500000e-01 1.225000e-01 4.287500e-02 1.500625e-02 5.252187e-03
[6]1.838266e-03 6.433930e-04 2.251875e-04 7.881564e-05 2.758547e-05
Analisis de residuos y comparacion de modelos
Residuo Estándar
Hacemos Test de EstacionalidadShapiro-Wilk normality test
data: gnpgr.ma$resid
W = 0.9502, p-value = 0.01719
Calculos de Sigma
> gnpgr.ar$aic
[1] 107.6237
> gnpgr.ma$aic
[1] 109.4001
>log(sar) + (n+kar)/(n-kar-2) #AICc del AR(1) -8.285
[1] -0.006368209
> log(sma) + (n+kma)/(n-kma-2) #AICc del MA(2) -8.288
[1] 0.02870508
> log(sar) + kar*log(n)/n#BIO del AR(1) -9.264
[1] -0.9772375
> log(sma) + kma*log(n)/n #BIC del MA(2) -9.252
[1] -0.9121107
2.- Promostique la demanda por mes para el año 2008. Comente
Regístrate para leer el documento completo.