Exploración

Puede que hagas gráficas a menudo, pero en este curso es importante que controles de forma explícita en qué eje se dibuja cada serie temporal. Esto será clave para poder evaluar tus predicciones más adelante.

Aquí tu tarea es graficar un conjunto de datos de la producción mensual de dulces en EE. UU. entre 1972 y 2018.

En concreto, vas a representar el índice de producción industrial IPG3113N. Es la cantidad total de productos de azúcar y confitería producidos en EE. UU. por mes, como porcentaje de la producción de enero de 2012. Así, 120 equivale al 120% de la producción industrial de enero de 2012.

Observa cómo ha cambiado esta magnitud a lo largo del tiempo y cómo varía a lo largo del año.

Este ejercicio forma parte del curso

Modelos ARIMA en Python

Instrucciones del ejercicio

Importa matplotlib.pyplot con el alias plt e importa pandas con el alias pd.
Carga la serie temporal de producción de dulces 'candy_production.csv' usando pandas, establece el índice en la columna 'date', analiza las fechas y asígnala a la variable candy.
Dibuja la serie temporal en el eje ax1 usando el método .plot() del DataFrame. Luego, muestra la gráfica.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Import modules
import ____ as ____
import ____ as ____

# Load in the time series
candy = pd.____('candy_production.csv', 
            ____='____',
            ____=____)

# Plot and show the time series on axis ax1
fig, ax1 = plt.subplots()
____.____(ax=____)
____

Editar y ejecutar código

Este ejercicio forma parte del curso

Modelos ARIMA en Python

AvanzadoNivel de habilidad

4.9+

Empieza el curso gratis

Entra de lleno y conoce las propiedades más importantes de las series temporales. Aprenderás qué es la estacionariedad y por qué es clave para los modelos ARMA. Verás cómo comprobar la estacionariedad a simple vista y con una prueba estadística estándar. Por último, conocerás la estructura básica de los modelos ARMA y la usarás para generar datos ARMA y ajustar un modelo ARMA.

Exercise 1: Introducción a las series temporales y la estacionariedad Exercise 2: Exploración

Ejercicio actual

Exercise 3: División en train-test Exercise 4: ¿Es estacionaria?Exercise 5: Hacer estacionarias las series temporales Exercise 6: Dickey-Fuller aumentado Exercise 7: Aplicar la diferenciación Exercise 8: Otras transformaciones Exercise 9: Introducción a los modelos AR, MA y ARMA Exercise 10: Orden del modelo Exercise 11: Generación de datos ARMA Exercise 12: Ajuste: preámbulo

Lo que te espera en este capítulo es que tú predigas lo que viene en tus datos. Aprenderás a usar el elegante paquete statsmodels para ajustar modelos ARMA, ARIMA y ARMAX. Luego usarás tus modelos para predecir el incierto futuro de los precios de las acciones.

Exercise 1: Ajuste de modelos de series temporales Exercise 2: Ajuste de modelos AR y MA Exercise 3: Ajustar un modelo ARMA Exercise 4: Ajustar un modelo ARMAX Exercise 5: Predicción Exercise 6: Generar predicciones de un paso adelante Exercise 7: Representar predicciones de un paso adelante Exercise 8: Generar predicciones dinámicas Exercise 9: Representar previsiones dinámicas Exercise 10: Introducción a los modelos ARIMA Exercise 11: Diferenciación y ajuste de ARMA Exercise 12: Desplegando el pronóstico ARMA Exercise 13: Ajustar un modelo ARIMA Exercise 14: Elegir el modelo ARIMA

En este capítulo, te convertirás en un modelizador con criterio. Aprenderás a identificar órdenes de modelo prometedores a partir de los propios datos y, una vez entrenados los modelos más prometedores, verás cómo elegir el mejor modelo de entre esa selección ajustada. También aprenderás un gran marco de trabajo para estructurar tus proyectos de series temporales.

Exercise 1: Introducción a la ACF y la PACF Exercise 2: AR o MA Exercise 3: Orden de los terremotos Exercise 4: Introducción a AIC y BIC Exercise 5: Búsqueda del orden del modelo Exercise 6: Elegir el orden con AIC y BIC Exercise 7: AIC y BIC vs. ACF y PACF Exercise 8: Diagnóstico del modelo Exercise 9: Error absoluto medio Exercise 10: Estadísticos de resumen de diagnóstico Exercise 11: Diagnósticos de gráfico Exercise 12: Método de Box-Jenkins Exercise 13: Identificación Exercise 14: Identificación II Exercise 15: Estimación Exercise 16: Diagnósticos

En este último capítulo, aprenderás a usar modelos ARIMA estacionales para ajustar datos más complejos. Verás cómo descomponer estos datos en partes estacionales y no estacionales y después tendrás la oportunidad de aplicar todas tus herramientas de ARIMA en un último desafío de pronóstico global.

Exercise 1: Series temporales estacionales Exercise 2: Descomposición estacional Exercise 3: ACF y PACF estacionales Exercise 4: Modelos SARIMA Exercise 5: Ajuste de modelos SARIMA Exercise 6: Elegir el orden de SARIMA Exercise 7: Pronósticos SARIMA vs ARIMA Exercise 8: Automatización y guardado Exercise 9: Selección automática de modelos Exercise 10: Guardar y actualizar modelos Exercise 11: SARIMA y Box-Jenkins Exercise 12: Estacionalidad multiplicativa vs aditiva Exercise 13: Diagnóstico de modelos SARIMA Exercise 14: Pronóstico SARIMA Exercise 15: ¡Enhorabuena!