Análisis de datos: precios de materias primas

Ganar dinero con materias primas no es fácil. La mayoría de quienes operan con commodities pierde dinero en lugar de ganarlo. El paquete astsa incluye el conjunto de datos chicken, que recoge el precio spot mensual del pollo entero, en los muelles de Georgia, en centavos de dólar por libra, desde agosto de 2001 hasta julio de 2016.

El paquete astsa está precargado en tu consola de R y los datos ya están representados; fíjate en la tendencia y en los componentes estacionales.

Primero, usarás tus habilidades para ajustar con cuidado un modelo SARIMA a esta materia prima. Después, utilizarás el modelo ajustado para intentar pronosticar el precio spot del pollo entero.

Tras eliminar la tendencia, la ACF y la PACF muestrales sugieren un modelo AR(2) porque la PACF se corta tras el rezago 2 y la ACF decrece lentamente. Sin embargo, en la ACF queda un pequeño componente estacional. Esto puede resolverse ajustando un componente adicional SAR(1).

Por cierto, si te interesa analizar otras materias primas de distintas regiones, puedes encontrar muchas series temporales en index mundi.

Este ejercicio forma parte del curso

Modelos ARIMA en R

Instrucciones del ejercicio

Representa los datos diferenciados (d = 1) con diff(chicken). Observa que se elimina la tendencia y fíjate en el comportamiento estacional.
Grafica la ACF y la PACF muestrales de los datos diferenciados hasta el rezago 60 (5 años). Verás que un AR(2) parece adecuado, pero queda un componente estacional pequeño aunque significativo en los datos sin tendencia.
Ajusta un ARIMA(2,1,0) a los datos de chicken para comprobar que queda correlación en los residuos.
Ajusta un SARIMA(2,1,0)x(1,0,0)₁₂ y observa que el modelo ajusta bien.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Plot differenced chicken


# Plot P/ACF pair of differenced data to lag 60


# Fit ARIMA(2,1,0) to chicken - not so good


# Fit SARIMA(2,1,0,1,0,0,12) to chicken - that works

Editar y ejecutar código

Este ejercicio forma parte del curso

Modelos ARIMA en R

PrincipianteNivel de habilidad

4.9+

Comienza el curso gratis

Investigarás la naturaleza de los datos de series temporales y aprenderás los fundamentos de los modelos ARMA que pueden explicar el comportamiento de estos datos. Aprenderás los comandos básicos de R necesarios para preparar datos de series temporales en bruto y dejarlos listos para analizarlos con modelos ARMA.

Exercise 1: Lo primero de todo Exercise 2: Jugar con los datos Exercise 3: Elementos de series temporales Exercise 4: Estacionariedad y no estacionariedad Exercise 5: Diferenciación Exercise 6: Eliminar la tendencia de los datos Exercise 7: Cómo tratar la tendencia y la heterocedasticidad Exercise 8: Series temporales estacionarias: ARMA Exercise 9: Simulación de modelos ARMA

Descubrirás el apasionante mundo de los modelos ARMA y cómo ajustarlos a datos de series temporales. Aprenderás a identificar un modelo, elegir el modelo adecuado y verificarlo una vez lo ajustes a los datos. También aprenderás a usar comandos de series temporales de R de los paquetes stats y astsa.

Exercise 1: Modelos AR y MA Exercise 2: Ajuste de un modelo AR(1)Exercise 3: Ajustar un modelo AR(2)Exercise 4: Ajuste de un modelo MA(1)Exercise 5: AR y MA juntos Exercise 6: Ajuste de un modelo ARMA Exercise 7: Identifica un modelo ARMA Exercise 8: Elección del modelo y análisis de residuos Exercise 9: Elección de modelo - I Exercise 10: Elección de modelo - II Exercise 11: Análisis de residuos - I Exercise 12: Análisis de residuos - II Exercise 13: Entra ARMA

Ahora que ya sabes ajustar modelos ARMA a series temporales estacionarias, aprenderás sobre los modelos ARMA integrados (ARIMA) para series temporales no estacionarias. Ajustarás los modelos a datos reales usando comandos de series temporales de R de los paquetes stats y astsa.

Exercise 1: ARIMA - ARMA integrado Exercise 2: ARIMA - plug and play Exercise 3: ARIMA simulado Exercise 4: Calentamiento global Exercise 5: Diagnóstico de ARIMA Exercise 6: Diagnóstico: sobreajuste simulado Exercise 7: Diagnósticos - temperaturas globales Exercise 8: Pronóstico con ARIMA Exercise 9: Pronóstico con ARIMA simulado Exercise 10: Pronosticar temperaturas globales

Aprenderás a ajustar y a pronosticar series temporales estacionales usando modelos ARIMA estacionales. Lo harás aplicando lo que has aprendido en los capítulos anteriores y ampliando los comandos de series temporales de R disponibles en los paquetes stats y astsa.

Exercise 1: Modelos estacionales puros Exercise 2: P/ACF de modelos estacionales puros Exercise 3: Ajusta un modelo puramente estacional Exercise 4: Modelos estacionales mixtos Exercise 5: Ajusta un modelo estacional mixto Exercise 6: Análisis de datos - desempleo I Exercise 7: Análisis de datos - desempleo II Exercise 8: Análisis de datos: precios de materias primas

Ejercicio actual

Exercise 9: Análisis de datos - tasa de natalidad Exercise 10: Pronosticar con ARIMA estacional Exercise 11: Previsión del desempleo mensual Exercise 12: ¿Qué tan difícil es pronosticar los precios de las materias primas?Exercise 13: ¡Enhorabuena!