T10_mST_CP_Macro.R

Ver crudo
# ══════════════════════════════════════════════════
# T10 · Caso práctico Macro — IPC de España (INE)
# Abre primero mSeriesTemporales.Rproj en RStudio
# Datos: data/ipc_mensual_espana.RData (INE, serie IPC290751)
# ══════════════════════════════════════════════════

library(tidyverse)
library(forecast)
library(seasonal)

pausa <- function(msg = "\n  [Pulsa ENTER para continuar...]") {
  if (interactive()) { cat(msg); invisible(readline()) }
}

# ── 1. CARGA Y PREPARACION ────────────────────────
load("data/ipc_mensual_espana.RData")
ipc <- ipc_mensual_espana
ipc$fecha <- as.Date(ipc$fecha)
ipc_ts <- ts(ipc$ipc, start = c(2002, 1), frequency = 12)

m_x13  <- seas(ipc_ts)
ipc_sa <- final(m_x13)
pausa("\n  [Datos cargados y desestacionalizados. Pulsa ENTER...]")

# ── 2. ALISADO EXPONENCIAL SIMPLE (SES) ───────────
m_ses <- ses(ipc_ts, h = 12)
cat(sprintf("SES: alfa=%.4f (pegado al limite superior: no hay tendencia que modelizar)\n",
            m_ses$model$par["alpha"]))
plot(m_ses, main = "SES sobre el IPC: prediccion plana")
pausa()

# ── 3. EQUIVALENCIA SES = ARIMA(0,1,1) ────────────
m_arima011 <- Arima(ipc_ts, order = c(0, 1, 1))
theta_ses   <- unname(m_ses$model$par["alpha"]) - 1
theta_arima <- unname(coef(m_arima011)["ma1"])
cat(sprintf("theta implicito por el SES (alfa-1) = %.4f\n", theta_ses))
cat(sprintf("theta del ARIMA(0,1,1) ajustado directamente = %.4f\n", theta_arima))
pausa()

# ── 4. HOLT SOBRE LA SERIE DESESTACIONALIZADA ─────
m_holt <- holt(ipc_sa, h = 12)
cat(sprintf("Holt (sobre IPC desestacionalizado): alfa=%.4f beta=%.4f\n",
            m_holt$model$par["alpha"], m_holt$model$par["beta"]))
plot(m_holt, main = "Holt sobre el IPC desestacionalizado")
pausa()

# ── 5. HOLT-WINTERS ADITIVO SOBRE LA SERIE ORIGINAL ─
m_hw <- hw(ipc_ts, h = 12, seasonal = "additive")
cat(sprintf("Holt-Winters aditivo: alfa=%.4f beta=%.4f gamma=%.4f\n",
            m_hw$model$par["alpha"], m_hw$model$par["beta"], m_hw$model$par["gamma"]))
plot(m_hw, main = "Holt-Winters aditivo sobre el IPC")
pausa()

# ── 6. SELECCION AUTOMATICA CON ets() ─────────────
m_ets <- ets(ipc_ts)
cat("Modelo ETS seleccionado por AICc:\n")
print(m_ets$method)
cat(sprintf("AICc ETS = %.2f   |   AICc HW aditivo = %.2f\n", m_ets$aicc, m_hw$model$aicc))
pausa()

# ── 7. BACKTEST: SES, HOLT, HW, ETS Y EL SARIMA DEL CAPITULO 6 ─
n <- length(ipc_ts)
train <- window(ipc_ts, end = time(ipc_ts)[n - 12])
test  <- window(ipc_ts, start = time(ipc_ts)[n - 11])

f_ses  <- ses(train, h = 12)$mean
f_holt <- holt(train, h = 12)$mean
f_hw   <- hw(train, h = 12, seasonal = "additive")$mean
f_ets  <- forecast(ets(train), h = 12)$mean
f_sarima <- forecast(Arima(train, order = c(0, 1, 1),
                            seasonal = list(order = c(0, 1, 1), period = 12)), h = 12)$mean

recm <- function(e) sqrt(mean(e^2))
resultado <- tibble(
  modelo = c("SES", "Holt", "Holt-Winters", "ETS", "SARIMA (Cap.6)"),
  RECM = c(recm(test - f_ses), recm(test - f_holt), recm(test - f_hw),
           recm(test - f_ets), recm(test - f_sarima))
) |> arrange(RECM)
print(resultado)
cat(sprintf("\nMejor modelo en el backtest a 12 meses: %s\n", resultado$modelo[1]))

# === FIN Caso Práctico Macro — Tema 10 (IPC, alisado exponencial y ETS) ===