Time series

Librerias a Utilizar
library(forecast)

library(tseries)
library(funtimes)
library(TSA)
##########################
#Carga de Datos
ventasTrimestrales <- read.delim("~/Series de Tiempo/Tarea 4/PredictingRetailSales.txt", comment.char="#")
TIME <- na.omit(ventasTrimestrales[,1])
WASA <- na.omit(ventasTrimestrales[,2])
EMPL <- na.omit(ventasTrimestrales[,3])
BLDG <- na.omit(ventasTrimestrales[,4])
AUTO <- na.omit(ventasTrimestrales[,5])
FURN <- na.omit(ventasTrimestrales[,6])
GMER <- na.omit(ventasTrimestrales[,7])

#Suavizado por Promedio movil para ventas trimestrales
p_movil_WASA <- filter(WASA, sides = 2, rep(1,3)/3)
p_movil_WASA <- na.omit(p_movil_WASA)
par(mfrow = c(2,1))
plot.ts(WASA, xlab = 'Trimestres (1979-1989)', ylab = 'Sueldos y salarios a nivel nacional', main = 'Sueldos y salarios a nivel nacional (1979-1989)')
plot(p_movil_WASA, xlab = 'Trimestres (1979-1989)', ylab = 'Sueldos y salarios a nivel nacional', main = 'Promedio movil de 3 puntos')

p_movil_EMPL <- filter(EMPL, sides = 2, rep(1,5)/5)
p_movil_EMPL <- na.omit(p_movil_EMPL)
par(mfrow = c(2,1))
plot.ts(EMPL, xlab = 'Trimestres (1979-1989)', ylab = 'Numero de empleados', main = 'Empleados en las nominas de los establecimientos no agricolas')
plot(p_movil_EMPL, xlab = 'Trimestres (1979-1989)', ylab = 'Numero de empleados', main = 'Promedio movil de 5 puntos')

p_movil_BLDG <- filter(BLDG, sides = 2, rep(1,5)/5)
p_movil_BLDG <- na.omit(p_movil_BLDG)
par(mfrow = c(2,1))
plot.ts(BLDG, xlab = 'Trimestres (1979-1989)', ylab = 'Ventas (Millones de dolares)', main = 'Ventas de los distribuidores de material de construccion')
plot(p_movil_BLDG, xlab = 'Trimestres (1979-1989)', ylab = 'Ventas (Millones de dolares)', main = 'Promedio movil de 5 puntos')

p_movil_AUTO <- filter(AUTO, sides = 2, rep(1,5)/5)
p_movil_AUTO <- na.omit(p_movil_AUTO)
par(mfrow = c(2,1))
plot.ts(AUTO, xlab = 'Trimestres (1979-1989)', ylab = 'Ventas (Millones de dolares)', main = 'Ventas de los concesionarios automotrices')
plot(p_movil_AUTO, xlab = 'Trimestres (1979-1989)', ylab = 'Ventas (Millones de dolares)', main = 'Promedio movil de 5 puntos')

p_movil_FURN <- filter(FURN, sides = 2, rep(1,5)/5)
p_movil_FURN <- na.omit(p_movil_FURN)
par(mfrow = c(2,1))
plot.ts(FURN, xlab = 'Trimestres (1979-1989)', ylab = 'Ventas (Millones de dolares)', main = 'Ventas de los distribuidores de muebles y articulos para el hogar')
plot(p_movil_FURN, xlab = 'Trimestres (1979-1989)', ylab = 'Ventas (Millones de dolares)', main = 'Promedio movil de 5 puntos')

p_movil_GMER <- filter(GMER, sides = 2, rep(1,5)/5)
p_movil_GMER <- na.omit(p_movil_GMER)
par(mfrow = c(2,1))
plot.ts(GMER, xlab = 'Trimestres (1979-1989)', ylab = 'Ventas (Millones de dolares)', main = 'Ventas de los concesionarios de mercancias generales')
plot(p_movil_GMER, xlab = 'Trimestres (1979-1989)', ylab = 'Ventas (Millones de dolares)', main = 'Promedio movil de 5 puntos')

#Suavizado Logaritmico para ventas trimestrales
log_WASA <- log(WASA)
summary(log_WASA)
summary(WASA)
IQR(log_WASA)
IQR(WASA)
par(mfrow = c(2,1))
plot.ts(WASA,xlab = 'Trimestres (1979-1989)', ylab = 'Sueldos y salarios a nivel nacional', main = 'Sueldos y salarios a nivel nacional (1979-1989)')
plot.ts(log_WASA, xlab = 'Trimestres (1979-1989)', ylab = 'Sueldos y salarios a nivel nacional', main = 'Suavizado por logaritmo' )

log_EMPL <- log(EMPL)
summary(log_EMPL)
summary(EMPL)
IQR(log_EMPL)
IQR(EMPL)
par(mfrow = c(2,1))
plot.ts(EMPL,xlab = 'Trimestres (1979-1989)', ylab = 'Numero de empleados', main = 'Empleados en las nominas de los establecimientos no agricolas')
plot.ts(log_EMPL, xlab = 'Trimestres (1979-1989)', ylab = 'Numero de empleados', main = 'Suavizado por logaritmo' )

log_BLDG <- log(BLDG)
summary(log_BLDG)
summary(BLDG)
IQR(log_BLDG)
IQR(BLDG)
par(mfrow = c(2,1))
plot.ts(BLDG,xlab = 'Trimestres (1979-1989)', ylab = 'Ventas (Millones de dolares)', main = 'Ventas de los distribuidores de material de construccion')
plot.ts(log_BLDG, xlab = 'Trimestres (1979-1989)', ylab = 'Ventas (Millones de dolares)', main = 'Suavizado por logaritmo' )

log_AUTO <- log(AUTO)
summary(log_AUTO)
summary(AUTO)
IQR(log_AUTO)
IQR(AUTO)
par(mfrow = c(2,1))
plot.ts(AUTO,xlab = 'Trimestres (1979-1989)', ylab = 'Ventas (Millones de dolares)', main = 'Ventas de los concesionarios automotrices')
plot.ts(log_AUTO, xlab = 'Trimestres (1979-1989)', ylab = 'Ventas (Millones de dolares)', main = 'Suavizado por logaritmo' )

log_FURN <- log(FURN)
summary(log_FURN)
summary(FURN)
IQR(log_FURN)
IQR(FURN)
par(mfrow = c(2,1))
plot.ts(FURN,xlab = 'Trimestres (1979-1989)', ylab = 'Ventas (Millones de dolares)', main = 'Ventas de los distribuidores de muebles y articulos para el hogar')
plot.ts(log_FURN, xlab = 'Trimestres (1979-1989)', ylab = 'Ventas (Millones de dolares)', main = 'Suavizado por logaritmo' )

log_GMER <- log(GMER)
summary(log_GMER)
summary(GMER)
IQR(log_GMER)
IQR(GMER)
par(mfrow = c(2,1))
plot.ts(GMER,xlab = 'Trimestres (1979-1989)', ylab = 'Ventas (Millones de dolares)', main = 'Ventas de los concesionarios de mercancias generales')
plot.ts(log_GMER, xlab = 'Trimestres (1979-1989)', ylab = 'Ventas (Millones de dolares)', main = 'Suavizado por logaritmo' )

#Suavizado por Diferencias para ventas trimestrales
d_WASA <- diff(diff(WASA, lag = 1), lag = 1)
par(mfrow = c(2,1))
plot.ts(WASA, xlab = 'Trimestres (1979-1989)', ylab = 'Sueldos y salarios a nivel nacional', main = 'Sueldos y salarios a nivel nacional (1979-1989)')
plot.ts(d_WASA, xlab = 'Trimestres (1979-1989)', ylab = 'Sueldos y salarios a nivel nacional', main = 'Suavizado por diferencias')

d_EMPL <- diff(diff(EMPL, lag = 1), lag = 1)
par(mfrow = c(2,1))
plot.ts(EMPL, xlab = 'Trimestres (1979-1989)', ylab = 'Numero de empleados', main = 'Empleados en las nominas de los establecimientos no agricolas')
plot.ts(d_EMPL, xlab = 'Trimestres (1979-1989)', ylab = 'Numero de empleados', main = 'Suavizado por diferencias' )

d_BLDG <- diff(diff(BLDG, lag = 1), lag = 1)
par(mfrow = c(2,1))
plot.ts(BLDG, xlab = 'Trimestres (1979-1989)', ylab = 'Ventas (Millones de dolares)', main = 'Ventas de los distribuidores de material de construccion')
plot.ts(d_BLDG, xlab = 'Trimestres (1979-1989)', ylab = 'Ventas (Millones de dolares)', main = 'Suavizado por diferencias' )

d_AUTO <- diff(diff(AUTO, lag = 1), lag = 1)
par(mfrow = c(2,1))
plot.ts(AUTO, xlab = 'Trimestres (1979-1989)', ylab = 'Ventas (Millones de dolares)', main = 'Ventas de los concesionarios automotrices')
plot.ts(d_AUTO, xlab = 'Trimestres (1979-1989)', ylab = 'Ventas (Millones de dolares)', main = 'Suavizado por diferencias' )

d_FURN <- diff(diff(FURN, lag = 1), lag = 1)
par(mfrow = c(2,1))
plot.ts(FURN, xlab = 'Trimestres (1979-1989)', ylab = 'Ventas (Millones de dolares)', main = 'Ventas de los distribuidores de muebles y articulos para el hogar')
plot.ts(d_FURN, xlab = 'Trimestres (1979-1989)', ylab = 'Ventas (Millones de dolares)', main = 'Suavizado por diferencias' )

d_GMER <- diff(diff(GMER, lag = 1), lag = 1)
par(mfrow = c(2,1))
plot.ts(GMER, xlab = 'Trimestres (1979-1989)', ylab = 'Ventas (Millones de dolares)', main = 'Ventas de los concesionarios de mercancias generales')
plot.ts(d_GMER, xlab = 'Trimestres (1979-1989)', ylab = 'Ventas (Millones de dolares)', main = 'Suavizado por diferencias' )

#Pregunta 2
#Calculo de la ACF
par(mfrow = c(2,1))
acfWASA <- Acf(WASA)
acfWASAnumerico <- as.vector(acfWASA[[1]])

acfEMPL <- Acf(EMPL)
acfEMPLnumerico <- as.vector(acfEMPL[[1]])

acfBLDG <- Acf(BLDG)
acfBLDGnumerico <- as.vector(acfBLDG[[1]])

acfAUTO <- Acf(AUTO)
acfAUTOnumerico <- as.vector(acfAUTO[[1]])

acfFURN <- Acf(FURN)
acfFURNnumerico <- as.vector(acfFURN[[1]])

acfGMER <- Acf(GMER)
acfGMERnumerico <- as.vector(acfGMER[[1]])

#Calculo de la ACF para las series suavizadas por promedio movil
acf_p_movil_WASA <- Acf(p_movil_WASA)
acf_p_movil_WASAnumerico <- as.vector(acf_p_movil_WASA[[1]])

acf_p_movil_EMPL <- Acf(p_movil_EMPL)
acf_p_movil_EMPLnumerico <- as.vector(acf_p_movil_EMPL[[1]])

acf_p_movil_BLDG <- Acf(p_movil_BLDG)
acf_p_movil_BLDGnumerico <- as.vector(acf_p_movil_BLDG[[1]])

acf_p_movil_AUTO <- Acf(p_movil_AUTO)
acf_p_movil_AUTOnumerico <- as.vector(acf_p_movil_AUTO[[1]])

acf_p_movil_FURN <- Acf(p_movil_FURN)
acf_p_movil_FURNnumerico <- as.vector(acf_p_movil_FURN[[1]])

acf_p_movil_GMER <- Acf(p_movil_GMER)
acf_p_movil_GMERnumerico <- as.vector(acf_p_movil_GMER[[1]])

#Calculo de la ACF para las series con suavizado logaritmico
acf_log_WASA <- Acf(log_WASA)
acf_log_WASAnumerico <- as.vector(acf_log_WASA[[1]])

acf_log_EMPL <- Acf(log_EMPL)
acf_log_EMPLnumerico <- as.vector(acf_log_EMPL[[1]])

acf_log_BLDG <- Acf(log_BLDG)
acf_log_BLDGnumerico <- as.vector(acf_log_BLDG[[1]])

acf_log_AUTO <- Acf(log_AUTO)
acf_log_AUTOnumerico <- as.vector(acf_log_AUTO[[1]])

acf_log_FURN <- Acf(log_FURN)
acf_log_FURNnumerico <- as.vector(acf_log_FURN[[1]])

acf_log_GMER <- Acf(log_GMER)
acf_log_GMERnumerico <- as.vector(acf_log_GMER[[1]])

#Calculo de la ACF para las series con suavizado por diferencias
acf_d_WASA <- Acf(d_WASA)
acf_d_WASAnumerico <- as.vector(acf_d_WASA[[1]])

acf_d_EMPL <- Acf(d_EMPL)
acf_d_EMPLnumerico <- as.vector(acf_d_EMPL[[1]])

acf_d_BLDG <- Acf(d_BLDG)
acf_d_BLDGnumerico <- as.vector(acf_d_BLDG[[1]])

acf_d_AUTO <- Acf(d_AUTO)
acf_d_AUTOnumerico <- as.vector(acf_d_AUTO[[1]])

acf_d_FURN <- Acf(d_FURN)
acf_d_FURNnumerico <- as.vector(acf_d_FURN[[1]])

acf_d_GMER <- Acf(d_GMER)
acf_d_GMERnumerico <- as.vector(acf_d_GMER[[1]])

#Calculo de la PACF
pcfWASA <- Pacf(WASA)
pcfWASAnumerico <- as.vector(pcfWASA[[1]])

pcfEMPL <- Pacf(EMPL)
pcfEMPLnumerico <- as.vector(pcfEMPL[[1]])

pcfBLDG <- Pacf(BLDG)
pcfBLDGnumerico <- as.vector(pcfBLDG[[1]])

pcfAUTO <- Pacf(AUTO)
pcfAUTOnumerico <- as.vector(pcfAUTO[[1]])

pcfFURN <- Pacf(FURN)
pcfFURNnumerico <- as.vector(pcfFURN[[1]])

pcfGMER <- Pacf(GMER)
pcfGMERnumerico <- as.vector(pcfGMER[[1]])

#Calculo de la PACF para las series suavizadas por promedio movil
pcf_p_movil_WASA <- Pacf(p_movil_WASA)
pcf_p_movil_WASAnumerico <- as.vector(pcf_p_movil_WASA[[1]])

pcf_p_movil_EMPL <- Pacf(p_movil_EMPL)
pcf_p_movil_EMPLnumerico <- as.vector(pcf_p_movil_EMPL[[1]])

pcf_p_movil_BLDG <- Pacf(p_movil_BLDG)
pcf_p_movil_BLDGnumerico <- as.vector(pcf_p_movil_BLDG[[1]])

pcf_p_movil_AUTO <- Pacf(p_movil_AUTO)
pcf_p_movil_AUTOnumerico <- as.vector(pcf_p_movil_AUTO[[1]])

pcf_p_movil_FURN <- Pacf(p_movil_FURN)
pcf_p_movil_FURNnumerico <- as.vector(pcf_p_movil_FURN[[1]])

pcf_p_movil_GMER <- Pacf(p_movil_GMER)
pcf_p_movil_GMERnumerico <- as.vector(pcf_p_movil_GMER[[1]])

#Calculo de la PACF para las series con suavizado logaritmico
pcf_log_WASA <- Pacf(log_WASA)
pcf_log_WASAnumerico <- as.vector(pcf_log_WASA[[1]])

pcf_log_EMPL <- Pacf(log_EMPL)
pcf_log_EMPLnumerico <- as.vector(pcf_log_EMPL[[1]])

pcf_log_BLDG <- Pacf(log_BLDG)
pcf_log_BLDGnumerico <- as.vector(pcf_log_BLDG[[1]])

pcf_log_AUTO <- Pacf(log_AUTO)
pcf_log_AUTOnumerico <- as.vector(pcf_log_AUTO[[1]])

pcf_log_FURN <- Pacf(log_FURN)
pcf_log_FURNnumerico <- as.vector(pcf_log_FURN[[1]])

pcf_log_GMER <- Pacf(log_GMER)
pcf_log_GMERnumerico <- as.vector(pcf_log_GMER[[1]])

#Calculo de la PACF para las series con suavizado por diferencias
pcf_d_WASA <- Pacf(d_WASA)
pcf_d_WASAnumerico <- as.vector(pcf_d_WASA[[1]])

pcf_d_EMPL <- Pacf(d_EMPL)
pcf_d_EMPLnumerico <- as.vector(pcf_d_EMPL[[1]])

pcf_d_BLDG <- Pacf(d_BLDG)
pcf_d_BLDGnumerico <- as.vector(pcf_d_BLDG[[1]])

pcf_d_AUTO <- Pacf(d_AUTO)
pcf_d_AUTOnumerico <- as.vector(pcf_d_AUTO[[1]])

pcf_d_FURN <- Pacf(d_FURN)
pcf_d_FURNnumerico <- as.vector(pcf_d_FURN[[1]])

pcf_d_GMER <- Pacf(d_GMER)
pcf_d_GMERnumerico <- as.vector(pcf_d_GMER[[1]])

#Pregunta 3
#Calculo del valor de q para las series
acfWASA <- Acf(WASA)
print('El posible valor para q es 10')

acfEMPL <- Acf(EMPL)
print('El posible valor para q es 10')

acfBLDG <- Acf(BLDG)
print('El posible valor para q es 12')

acfAUTO <- Acf(AUTO)
print('El posible valor para q es 10')

acfFURN <- Acf(FURN)
print('El posible valor para q es 10')

acfGMER <- Acf(GMER)
print('No existe un valor de q para ajustarle un modelo MA(q)')

#Calculo del valor de q para las series suavizadas por promedio movil
acf_p_movil_WASA <- Acf(p_movil_WASA)
print('El posible valor para q es 9')

acf_p_movil_EMPL <- Acf(p_movil_EMPL)
print('El posible valor para q es 9')

acf_p_movil_BLDG <- Acf(p_movil_BLDG)
print('El posible valor para q es 10')

acf_p_movil_AUTO <- Acf(p_movil_AUTO)
print('El posible valor para q es 10')

acf_p_movil_FURN <- Acf(p_movil_FURN)
print('El posible valor para q es 9')

acf_p_movil_GMER <- Acf(p_movil_GMER)
print('El posible valor para q es 8')

#Calculo del valor de q para las series con suavizado logaritmico
acf_log_WASA <- Acf(log_WASA)
print('El posible valor para q es 10')

acf_log_EMPL <- Acf(log_EMPL)
print('El posible valor para q es 10')

acf_log_BLDG <- Acf(log_BLDG)
print('El posible valor para q es 12')

acf_log_AUTO <- Acf(log_AUTO)
print('El posible valor para q es 10')

acf_log_FURN <- Acf(log_FURN)
print('El posible valor para q es 12')

acf_log_GMER <- Acf(log_GMER)
print('No existe un valor de q para ajustarle un modelo MA(q)')

#Calculo del valor de q para las series con suavizado por diferencias
acf_d_WASA <- Acf(d_WASA)
print('No existe un valor de q para ajustarle un modelo MA(q)')

acf_d_EMPL <- Acf(d_EMPL)
print('No existe un valor de q para ajustarle un modelo MA(q)')

acf_d_BLDG <- Acf(d_BLDG)
print('No existe un valor de q para ajustarle un modelo MA(q)')

acf_d_AUTO <- Acf(d_AUTO)
print('No existe un valor de q para ajustarle un modelo MA(q)')

acf_d_FURN <- Acf(d_FURN)
print('No existe un valor de q para ajustarle un modelo MA(q)')

acf_d_GMER <- Acf(d_GMER)
print('No existe un valor de q para ajustarle un modelo MA(q)')

#Calculo del valor de p para las series
pcfWASA <- Pacf(WASA)
print('El posible valor para p es 1')

pcfEMPL <- Pacf(EMPL)
print('El posible valor para p es 1')

pcfBLDG <- Pacf(BLDG)
print('No existe un valor de p para ajustarle un modelo AR(p)')

pcfAUTO <- Pacf(AUTO)
print('No existe un valor de p para ajustarle un modelo AR(p)')

pcfFURN <- Pacf(FURN)
print('No existe un valor de p para ajustarle un modelo AR(p)')

pcfGMER <- Pacf(GMER)
print('No existe un valor de p para ajustarle un modelo AR(p)')

#Calculo del valor de p para las series suavizadas por promedio movil
pcf_p_movil_WASA <- Pacf(p_movil_WASA)
print('El posible valor para p es 1')

pcf_p_movil_EMPL <- Pacf(p_movil_EMPL)
print('El posible valor para p es 1')

pcf_p_movil_BLDG <- Pacf(p_movil_BLDG)
print('El posible valor para p es 1')

pcf_p_movil_AUTO <- Pacf(p_movil_AUTO)
print('El posible valor para p es 1')

pcf_p_movil_FURN <- Pacf(p_movil_FURN)
print('El posible valor para p es 1')

pcf_p_movil_GMER <- Pacf(p_movil_GMER)
print('No existe un valor de p para ajustarle un modelo AR(p)')

#Calculo del valor de p para las series con suavizado logaritmico
pcf_log_WASA <- Pacf(log_WASA)
print('El posible valor para p es 1')

pcf_log_EMPL <- Pacf(log_EMPL)
print('El posible valor para p es 1')

pcf_log_BLDG <- Pacf(log_BLDG)
print('No existe un valor de p para ajustarle un modelo AR(p)')

pcf_log_AUTO <- Pacf(log_AUTO)
print('No existe un valor de p para ajustarle un modelo AR(p)')

pcf_log_FURN <- Pacf(log_FURN)
print('No existe un valor de p para ajustarle un modelo AR(p)')

pcf_log_GMER <- Pacf(log_GMER)
print('No existe un valor de p para ajustarle un modelo AR(p)')

#Calculo del valor de p para las series con suavizado por diferencias
pcf_d_WASA <- Pacf(d_WASA)
print('No existe un valor de p para ajustarle un modelo AR(p)')

pcf_d_EMPL <- Pacf(d_EMPL)
print('No existe un valor de p para ajustarle un modelo AR(p)')

pcf_d_BLDG <- Pacf(d_BLDG)
print('No existe un valor de p para ajustarle un modelo AR(p)')

pcf_d_AUTO <- Pacf(d_AUTO)
print('No existe un valor de p para ajustarle un modelo AR(p)')

pcf_d_FURN <- Pacf(d_FURN)
print('No existe un valor de p para ajustarle un modelo AR(p)')

pcf_d_GMER <- Pacf(d_GMER)
print('No existe un valor de p para ajustarle un modelo AR(p)')

#Ajuste de modelos AR y/o MA
MA_WASA <- arima(WASA, order = c(0,0,10))
par(mfrow=c(1,1))
ts.plot(WASA)
MA_WASA_fit <- WASA - resid(MA_WASA)
points(MA_WASA_fit, type = "l", col = 2, lty = 2)
BIC(MA_WASA)
AIC(MA_WASA)
#
AR_WASA <- arima(WASA, order = c(1,0,0))
ts.plot(WASA)
AR_WASA_fit <- WASA - resid(AR_WASA)
points(AR_WASA_fit, type = "l", col = 2, lty = 2)
BIC(AR_WASA)
AIC(AR_WASA)

MA_EMPL <- arima(EMPL, order = c(0,0,10))
ts.plot(EMPL, main = 'Empleados en la nominas de los establecimientos no agricolas (MA)')
MA_EMPL_fit <- EMPL - resid(MA_EMPL)
points(MA_EMPL_fit, type = "l", col = 2, lty = 2)
BIC(MA_EMPL)
AIC(MA_EMPL)
#
AR_EMPL <- arima(EMPL, order = c(1,0,0)) 
ts.plot(EMPL, main = 'Empleados en la nominas de los establecimientos no agricolas (AR)')
AR_EMPL_fit <- EMPL - resid(AR_EMPL)
points(AR_EMPL_fit, type = "l", col = 2, lty = 2)
BIC(AR_EMPL)
AIC(AR_EMPL)

MA_BLDG <- arima(BLDG, order = c(0,0,12))
ts.plot(BLDG, main="Ventas de los materiales de construccion MA")
MA_BLDG_fit <- BLDG - resid(MA_BLDG)
points(MA_BLDG_fit, type = "l", col = 2, lty = 2)
BIC(MA_BLDG)
AIC(MA_BLDG)
#Como no se puede hallar el valor de p, entonces no se puede ajustar un modelo AR(p) al conjunto de datos BLDG

MA_AUTO <- arima(AUTO, order = c(0,0,10))
ts.plot(AUTO)
MA_AUTO_fit <- AUTO - resid(MA_AUTO)
points(MA_AUTO_fit, type = "l", col = 2, lty = 2)
BIC(MA_AUTO)
AIC(MA_AUTO)
#Como no se puede hallar el valor de p, entonces no se puede ajustar un modelo AR(p) al conjunto de datos AUTO

MA_FURN <- arima(FURN, order = c(0,0,10))
ts.plot(FURN, main="Ventas de los distruibuidores de muebles y articulos para el hogar MA")
MA_FURN_fit <- FURN - resid(MA_FURN)
points(MA_FURN_fit, type = "l", col = 2, lty = 2)
BIC(MA_FURN)
AIC(MA_FURN)
#Como no se puede hallar el valor de p, entonces no se puede ajustar un modelo AR(p) al conjunto de datos FURN

#Como no se pueden hallar valores de p y q, entonces no se pueden ajustar modelos MA(q) y AR(p) al conjunto de datos GMER

#Ajuste de modelos AR y/o MA para las series suavizadas por promedio movil
MA_p_movil_WASA <- arima(p_movil_WASA, order = c(0,0,9))
ts.plot(p_movil_WASA, main="Sueldos y salarios a nivel nacional MA")
MA_p_movil_WASA_fit <- p_movil_WASA - resid(MA_p_movil_WASA)
points(MA_p_movil_WASA_fit, type = "l", col = 2, lty = 2)
BIC(MA_p_movil_WASA)
AIC(MA_p_movil_WASA)
#
AR_p_movil_WASA <- arima(p_movil_WASA, order = c(1,0,0))
ts.plot(p_movil_WASA, main="Sueldos y salarios a nivel nacional AR")
AR_p_movil_WASA_fit <- p_movil_WASA - resid(AR_p_movil_WASA)
points(AR_p_movil_WASA_fit, type = "l", col = 2, lty = 2)
BIC(AR_p_movil_WASA)
AIC(AR_p_movil_WASA)

MA_p_movil_EMPL <- arima(p_movil_EMPL, order = c(0,0,9))
ts.plot(p_movil_EMPL, main="Los empleados en las nominas de los establecimientos no agricolas MA")
MA_p_movil_EMPL_fit <- p_movil_EMPL - resid(MA_p_movil_EMPL)
points(MA_p_movil_EMPL_fit, type = "l", col = 2, lty = 2)
BIC(MA_p_movil_EMPL)
AIC(MA_p_movil_EMPL)
#
AR_p_movil_EMPL <- arima(p_movil_EMPL, order = c(1,0,0), method = 'ML')
ts.plot(p_movil_EMPL, main="Los empleados en las nominas de los establecimientos no agricolas AR")
AR_p_movil_EMPL_fit <- p_movil_EMPL - resid(AR_p_movil_EMPL)
points(AR_p_movil_EMPL_fit, type = "l", col = 2, lty = 2)
BIC(AR_p_movil_EMPL)
AIC(AR_p_movil_EMPL)

MA_p_movil_BLDG <- arima(p_movil_BLDG, order = c(0,0,10))
ts.plot(p_movil_BLDG, main="Ventas de los distribuidores de material de construccion")
MA_p_movil_BLDG_fit <- p_movil_BLDG - resid(MA_p_movil_BLDG)
points(MA_p_movil_BLDG_fit, type = "l", col = 2, lty = 2)
BIC(MA_p_movil_BLDG)
AIC(MA_p_movil_BLDG)
#
AR_p_movil_BLDG <- arima(p_movil_BLDG, order = c(1,0,0))
ts.plot(p_movil_BLDG, main="Ventas de los distribuidores de material de construccion AR")
AR_p_movil_BLDG_fit <- p_movil_BLDG - resid(AR_p_movil_BLDG)
points(AR_p_movil_BLDG_fit, type = "l", col = 2, lty = 2)
BIC(AR_p_movil_BLDG)
AIC(AR_p_movil_BLDG)

MA_p_movil_AUTO <- arima(p_movil_AUTO, order = c(0,0,10))
ts.plot(p_movil_AUTO, main="Ventas de los concesionarios automotrices MA")
MA_p_movil_AUTO_fit <- p_movil_AUTO - resid(MA_p_movil_AUTO)
points(MA_p_movil_AUTO_fit, type = "l", col = 2, lty = 2)
BIC(MA_p_movil_AUTO)
AIC(MA_p_movil_AUTO)
#
AR_p_movil_AUTO <- arima(p_movil_AUTO, order = c(1,0,0))
ts.plot(p_movil_AUTO,  main="Ventas de los concesionarios automotrices AR")
AR_p_movil_AUTO_fit <- p_movil_AUTO - resid(AR_p_movil_AUTO)
points(AR_p_movil_AUTO_fit, type = "l", col = 2, lty = 2)
BIC(AR_p_movil_AUTO)
AIC(AR_p_movil_AUTO)

MA_p_movil_FURN <- arima(p_movil_FURN, order = c(0,0,9))
ts.plot(p_movil_FURN, main="Ventas de los distribuidores de muebles y articulos para el hogar MA")
MA_p_movil_FURN_fit <- p_movil_FURN - resid(MA_p_movil_FURN)
points(MA_p_movil_FURN_fit, type = "l", col = 2, lty = 2)
BIC(MA_p_movil_FURN)
AIC(MA_p_movil_FURN)
#
AR_p_movil_FURN <- arima(p_movil_FURN, order = c(1,0,0), method = 'ML')
ts.plot(p_movil_FURN, main="Ventas de los distribuidores de muebles y articulos para el hogar AR")
AR_p_movil_FURN_fit <- p_movil_FURN - resid(AR_p_movil_FURN)
points(AR_p_movil_FURN_fit, type = "l", col = 2, lty = 2)
BIC(AR_p_movil_FURN)
AIC(AR_p_movil_FURN)

MA_p_movil_GMER <- arima(p_movil_GMER, order = c(0,0,8))
ts.plot(p_movil_GMER, main="Ventas de los concesionarios de mercancias generales MA")
MA_p_movil_GMER_fit <- p_movil_GMER - resid(MA_p_movil_GMER)
points(MA_p_movil_GMER_fit, type = "l", col = 2, lty = 2)
BIC(MA_p_movil_GMER)
AIC(MA_p_movil_GMER)
#Como no se puede hallar un valor de p, entonces no se puede ajustar un modelo AR(p) al conjunto de datos p_movil_GMER

#Ajuste de modelos AR y/o MA para las series con suavizado logaritmico
MA_log_WASA <- arima(log_WASA, order = c(0,0,10))
ts.plot(log_WASA, main = "Sueldos y Salarios a Nivel Nacional MA")
MA_log_WASA_fit <- log_WASA - resid(MA_log_WASA)
points(MA_log_WASA_fit, type = "l", col = 2, lty = 2)
BIC(MA_log_WASA)
AIC(MA_log_WASA)
#
AR_log_WASA <- arima(log_WASA, order = c(1,0,0))
ts.plot(log_WASA,  main = "Sueldos y Salarios a Nivel Nacional AR")
AR_log_WASA_fit <- log_WASA - resid(AR_log_WASA)
points(AR_log_WASA_fit, type = "l", col = 2, lty = 2)
BIC(AR_log_WASA)
AIC(AR_log_WASA)

MA_log_EMPL <- arima(log_EMPL, order = c(0,0,10))
ts.plot(log_EMPL,  main = "Empleados en las nominas de los establecimientos MA")
MA_log_EMPL_fit <- log_EMPL - resid(MA_log_EMPL)
points(MA_log_EMPL_fit, type = "l", col = 2, lty = 2)
BIC(MA_log_EMPL)
AIC(MA_log_EMPL)
#
AR_log_EMPL <- arima(log_EMPL, order = c(1,0,0))
ts.plot(log_EMPL, main = "Empleados en las nominas de los establecimientos AR")
AR_log_EMPL_fit <- log_EMPL - resid(AR_log_EMPL)
points(AR_log_EMPL_fit, type = "l", col = 2, lty = 2)
BIC(AR_log_EMPL)
AIC(AR_log_EMPL)
#
MA_log_BLDG <- arima(log_BLDG, order = c(0,0,12))
ts.plot(log_BLDG, main ="Venta de los distribuidores de material de construccion MA")
MA_log_BLDG_fit <- log_BLDG - resid(MA_log_BLDG)
points(MA_log_BLDG_fit, type = "l", col = 2, lty = 2)
BIC(MA_log_BLDG)
AIC(MA_log_BLDG)
#Como no se puede hallar un valor de p, entonces no se puede ajustar un modelo AR(p) al conjunto de datos log_BLDG

MA_log_AUTO <- arima(log_AUTO, order = c(0,0,10))
ts.plot(log_AUTO, main ="Venta de los concesionarios automotrices MA")
MA_log_AUTO_fit <- log_AUTO - resid(MA_log_AUTO)
points(MA_log_AUTO_fit, type = "l", col = 2, lty = 2)
BIC(MA_log_AUTO)
AIC(MA_log_AUTO)
#Como no se puede hallar un valor de p, entonces no se puede ajustar un modelo AR(p) al conjunto de datos log_AUTO

MA_log_FURN <- arima(log_FURN, order = c(0,0,12))
ts.plot(log_FURN, main = "Venta de los concesionarios de mercancias generales MA")
MA_log_FURN_fit <- log_FURN - resid(MA_log_FURN)
points(MA_log_FURN_fit, type = "l", col = 2, lty = 2)
BIC(MA_log_FURN)
AIC(MA_log_FURN)
#Como no se puede hallar un valor de p, entonces no se puede ajustar un modelo AR(p) al conjunto de datos log_FURN

#Como no se pueden hallar valores de p y q, entonces no se pueden ajustar modelos MA(q) y AR(p) al conjunto de datos log_GMER

#Ajuste de modelos AR y/o MA para las series con suavizado por diferencias
#Como no se pueden hallar valores de p y q, entonces no se pueden ajustar modelos MA(q) y AR(p) al conjunto de datos d_WASA

#Como no se pueden hallar valores de p y q, entonces no se pueden ajustar modelos MA(q) y AR(p) al conjunto de datos d_EMPL

#Como no se pueden hallar valores de p y q, entonces no se pueden ajustar modelos MA(q) y AR(p) al conjunto de datos d_BLDG

#Como no se pueden hallar valores de p y q, entonces no se pueden ajustar modelos MA(q) y AR(p) al conjunto de datos d_AUTO

#Como no se pueden hallar valores de p y q, entonces no se pueden ajustar modelos MA(q) y AR(p) al conjunto de datos d_FURN

#Como no se pueden hallar valores de p y q, entonces no se pueden ajustar modelos MA(q) y AR(p) al conjunto de datos d_GMER

#Pregunta 4
#Calculo de los estimadores de Maxima Verosimilitud 
MA_WASA_ML <- arima(WASA, order = c(0,0,10), method = "ML")
AR_WASA_ML <- arima(WASA, order = c(1,0,0), method = "ML")
AR_WASA_YW <- ar.yw(WASA)
print("Los estimadores utilizando el metodo ML para WASA en el caso MA son:")
print(MA_WASA_ML)
print("Los estimadores utilizando el metodo ML para WASA en el caso AR son:")
print(AR_WASA_ML)
print("Los estimadores utilizando el metodo Yule-Walker para WASA en el caso AR son:")
print(AR_WASA_YW)

MA_EMPL_ML <- arima(EMPL, order = c(0,0,10), method = "ML")
AR_EMPL_ML <- arima(EMPL, order = c(1,0,0), method = "ML")
AR_WASA_YW <- ar.yw(EMPL)
print("Los estimadores utilizando el metodo ML para EMPL en el caso MA son:")
print(MA_EMPL_ML)
print("Los estimadores utilizando el metodo ML para EMPL en el caso AR son:")
print(AR_EMPL_ML)
print("Los estimadores utilizando el metodo Yule-Walker para EMPL en el caso AR son:")
print(AR_EMPL_YW)


MA_BLDG_ML <- arima(BLDG, order = c(0,0,12), method = "ML")
#No se puede hallar el estimador de Maxima Verosimilitud a estos datos ya que no se puede ajustar un modelo AR(p) al conjunto de datos BLDG
print("Los estimadores utilizando el metodo ML para BLDG en el caso MA son:")
print(MA_BLDG_ML)


MA_AUTO_ML <- arima(AUTO, order = c(0,0,10), method = "ML")
#No se puede hallar el estimador de Maxima Verosimilitud a estos datos ya que no se puede ajustar un modelo AR(p) al conjunto de datos AUTO
print("Los estimadores utilizando el metodo ML para AUTO en el caso MA son:")
print(MA_AUTO_ML)



MA_FURN_ML <- arima(FURN, order = c(0,0,10), method = "ML")
#No se puede hallar el estimador de Maxima Verosimilitud a estos datos ya que no se puede ajustar un modelo AR(p) al conjunto de datos FURN
print("Los estimadores utilizando el metodo ML para FURN en el caso MA son:")
print(MA_FURN_ML)


#No se puede hallar el estimador de Maxima Verosimilitud a estos datos ya que no se pueden ajustar modelos MA(q) ni AR(p) al conjunto de datos GMER



#Calculo de los estimadores de Maxima Verosimilitud para las series suavizadas por promedio movil
MA_p_movil_WASA_ML <- arima(p_movil_WASA, order = c(0,0,9), method = "ML")
AR_p_movil_WASA_ML <- arima(p_movil_WASA, order = c(1,0,0), method = "ML")
AR_p_movil_WASA_YW <- ar.yw(p_movil_WASA)
print("Los estimadores utilizando el metodo ML para p_movil_WASA en el caso MA son:")
print(MA_p_movil_WASA_ML)
print("Los estimadores utilizando el metodo ML para p_movil_WASA en el caso AR son:")
print(AR_p_movil_WASA_ML)
print("Los estimadores utilizando el metodo Yule-Walker para p_movil_WASA en el caso AR son:")
print(AR_p_movil_WASA_YW)


MA_p_movil_EMPL_ML <- arima(p_movil_EMPL, order = c(0,0,9), method = "ML")
AR_p_movil_EMPL_ML <- arima(p_movil_EMPL, order = c(1,0,0), method = "ML")
AR_p_movil_EMPL_YW <- ar.yw(p_movil_EMPL)
print("Los estimadores utilizando el metodo ML para p_movil_EMPL en el caso MA son:")
print(MA_p_movil_EMPL_ML)
print("Los estimadores utilizando el metodo ML para p_movil_EMPL en el caso AR son:")
print(AR_p_movil_EMPL_ML)
print("Los estimadores utilizando el metodo Yule-Walker para p_movil_EMPL en el caso AR son:")
print(AR_p_movil_EMPL_YW)

MA_p_movil_BLDG_ML <- arima(p_movil_BLDG, order = c(0,0,10), method = "ML")
AR_p_movil_BLDG_ML <- arima(p_movil_BLDG, order = c(1,0,0), method = "ML")
AR_p_movil_BLDG_YW <- ar.yw(p_movil_BLDG)
print("Los estimadores utilizando el metodo ML para p_movil_BLDG en el caso MA son:")
print(MA_p_movil_BLDG_ML)
print("Los estimadores utilizando el metodo ML para p_movil_BLDG en el caso AR son:")
print(AR_p_movil_BLDG_ML)
print("Los estimadores utilizando el metodo Yule-Walker para p_movil_BLDG en el caso AR son:")
print(AR_p_movil_BLDG_YW)

MA_p_movil_AUTO_ML <- arima(p_movil_AUTO, order = c(0,0,10), method = "ML")
AR_p_movil_AUTO_ML <- arima(p_movil_AUTO, order = c(1,0,0), method = "ML")
AR_p_movil_AUTO_YW <- ar.yw(p_movil_AUTO)
print("Los estimadores utilizando el metodo ML para p_movil_AUTO en el caso MA son:")
print(MA_p_movil_AUTO_ML)
print("Los estimadores utilizando el metodo ML para p_movil_AUTO en el caso AR son:")
print(AR_p_movil_AUTO_ML)
print("Los estimadores utilizando el metodo Yule-Walker para p_movil_AUTO en el caso AR son:")
print(AR_p_movil_AUTO_YW)

MA_p_movil_FURN_ML <- arima(p_movil_FURN, order = c(0,0,9), method = "ML")
AR_p_movil_FURN_ML <- arima(p_movil_FURN, order = c(1,0,0), method = "ML")
AR_p_movil_FURN_YW <- ar.yw(p_movil_FURN)
print("Los estimadores utilizando el metodo ML para p_movil_FURN en el caso MA son:")
print(MA_p_movil_FURN_ML)
print("Los estimadores utilizando el metodo ML para p_movil_FURN en el caso AR son:")
print(AR_p_movil_FURN_ML)
print("Los estimadores utilizando el metodo Yule-Walker para p_movil_FURN en el caso AR son:")
print(AR_p_movil_FURN_YW)


MA_p_movil_GMER_ML <- arima(p_movil_GMER, order = c(0,0,8), method = "ML")
#No se puede hallar el estimador de Maxima Verosimilitud a estos datos ya que no se puede ajustar un modelo AR(p) al conjunto de datos p_movil_GMER
print("Los estimadores utilizando el metodo ML para p_movil_GMER en el caso MA son:")
print(MA_p_movil_GMER_ML)


#Calculo de los estimadores de Maxima Verosimilitud para las series con suavizado logaritmico
MA_log_WASA_ML <- arima(log_WASA, order = c(0,0,10), method = "ML")
AR_log_WASA_ML <- arima(log_WASA, order = c(1,0,0), method = "ML")
AR_log_WASA_YW <- ar.yw(log_WASA)
print("Los estimadores utilizando el metodo ML para log_WASA en el caso MA son:")
print(MA_log_WASA_ML)
print("Los estimadores utilizando el metodo ML para log_WASA en el caso AR son:")
print(AR_log_WASA_ML)
print("Los estimadores utilizando el metodo Yule-Walker para log_WASA en el caso AR son:")
print(AR_log_WASA_YW)


MA_log_EMPL_ML <- arima(log_EMPL, order = c(0,0,10), method = "ML")
AR_log_EMPL_ML <- arima(log_EMPL, order = c(1,0,0), method = "ML")
AR_log_EMPL_YW <- ar.yw(log_EMPL)
print("Los estimadores utilizando el metodo ML para log_EMPL en el caso MA son:")
print(MA_log_EMPL_ML)
print("Los estimadores utilizando el metodo ML para log_EMPL en el caso AR son:")
print(AR_log_EMPL_ML)
print("Los estimadores utilizando el metodo Yule-Walker para log_EMPL en el caso AR son:")
print(AR_log_EMPL_YW)

MA_log_BLDG_ML <- arima(log_BLDG, order = c(0,0,12), method = "ML")
#No se puede hallar el estimador de Maxima Verosimilitud a estos datos ya que no se puede ajustar un modelo AR
print("Los estimadores utilizando el metodo ML para log_BLDG en el caso MA son:")
print(MA_log_BLDG_ML)

MA_log_AUTO_ML <- arima(log_AUTO, order = c(0,0,10), method = "ML")
#No se puede hallar el estimador de Maxima Verosimilitud a estos datos ya que no se puede ajustar un modelo AR
print("Los estimadores utilizando el metodo ML para log_AUTO en el caso MA son:")
print(MA_log_AUTO_ML)

MA_log_FURN_ML <- arima(log_FURN, order = c(0,0,12), method = "ML")
#No se puede hallar el estimador de Maxima Verosimilitud a estos datos ya que no se puede ajustar un modelo AR
print("Los estimadores utilizando el metodo ML para log_FURN en el caso MA son:")
print(MA_log_FURN_ML)

#No se puede hallar el estimador de Maxima Verosimilitud a estos datos ya que no se pueden ajustar modelos MA ni AR

#Calculo de los estimadores de Maxima Verosimilitud para las series con suavizado por diferencias
#No se puede hallar el estimador de Maxima Verosimilitud a estos datos ya que no se pueden ajustar modelos MA ni AR

#No se puede hallar el estimador de Maxima Verosimilitud a estos datos ya que no se pueden ajustar modelos MA ni AR

#No se puede hallar el estimador de Maxima Verosimilitud a estos datos ya que no se pueden ajustar modelos MA ni AR

#No se puede hallar el estimador de Maxima Verosimilitud a estos datos ya que no se pueden ajustar modelos MA ni AR

#No se puede hallar el estimador de Maxima Verosimilitud a estos datos ya que no se pueden ajustar modelos MA ni AR

#No se puede hallar el estimador de Maxima Verosimilitud a estos datos ya que no se pueden ajustar modelos MA ni AR

#Pregunta 5
#Ajuste de modelo ARMA 
ARMA_WASA <- arma(na.omit(WASA, order = c(1, 10)))
ts.plot(WASA, main="Sueldos y salarios a nivel nacional ARMA")
ARMA_WASA_fit <- WASA - resid(ARMA_WASA)
points(ARMA_WASA_fit, type = "l", col = 2, lty = 2)
#
ARMA_EMPL <- arma(na.omit(EMPL, order = c(1, 10)))
ts.plot(EMPL, main="Los empleados en las nominas de los establecimientos no agricolas ARMA")
ARMA_EMPL_fit <- EMPL - resid(ARMA_EMPL)
points(ARMA_EMPL_fit, type = "l", col = 2, lty = 2)
#
#Como no existe un valor p para el cual se puede ajustar un modelo AR(p), entonces no se puede ajustar un modelo ARMA a BLDG

#
#Como no existe un valor p para el cual se puede ajustar un modelo AR(p), entonces no se puede ajustar un modelo ARMA a AUTO

#
#Como no existe un valor p para el cual se puede ajustar un modelo AR(p), entonces no se puede ajustar un modelo ARMA a FURN

#
#Como no existe un valor p para el cual se puede ajustar un modelo AR(p), entonces no se puede ajustar un modelo ARMA a GMER

#Ajuste de modelo ARMA para las series suavizadas por promedio movil
ARMA_p_movil_WASA <- arma(na.omit(p_movil_WASA, order = c(1, 9)))
ts.plot(p_movil_WASA, main="Sueldos y salarios a nivel nacional ARMA")
ARMA_p_movil_WASA_fit <- p_movil_WASA - resid(ARMA_p_movil_WASA)
points(ARMA_p_movil_WASA_fit, type = "l", col = 2, lty = 2)
#
ARMA_p_movil_EMPL <- arma(na.omit(p_movil_EMPL, order = c(1, 10)))
ts.plot(p_movil_EMPL, main="Los empleados de las nominas de los establecimientos no agricolas ARMA")
ARMA_p_movil_EMPL_fit <- p_movil_EMPL - resid(ARMA_p_movil_EMPL)
points(ARMA_p_movil_EMPL_fit, type = "l", col = 2, lty = 2)
#
#Como no existe un valor p para el cual se puede ajustar un modelo AR(p), entonces no se puede ajustar un modelo ARMA a BLDG
#
ARMA_p_movil_AUTO <- arma(na.omit(p_movil_AUTO, order = c(1, 10)))
ts.plot(p_movil_AUTO, main="Ventas de los concesionarios automotrices ARMA")
ARMA_p_movil_AUTO_fit <- p_movil_AUTO - resid(ARMA_p_movil_AUTO)
points(ARMA_p_movil_AUTO_fit, type = "l", col = 2, lty = 2)
#Como no existe un valor p para el cual se puede ajustar un modelo MA(p), entonces no se puede ajustar un modelo ARMA a FURN

#
#Como no existe un valor p para el cual se puede ajustar un modelo MA(p), entonces no se puede ajustar un modelo ARMA a GMER

#Ajuste de modelo ARMA para las series con suavizado logaritmico
ARMA_log_WASA <- arma(na.omit(log_WASA, order = c(1, 10)))
ts.plot(log_WASA, main="Sueldos y salarios a nivel nacional ARMA")
ARMA_log_WASA_fit <- log_WASA - resid(ARMA_log_WASA)
points(ARMA_log_WASA_fit, type = "l", col = 2, lty = 2)
###########################################
ARMA_log_EMPL <- arma(log_EMPL, order = c(1, 10))
ts.plot(log_EMPL)
ARMA_log_EMPL_fit <- log_EMPL - resid(ARMA_log_EMPL)
points(ARMA_log_EMPL_fit, type = "l", col = 2, lty = 2)
###########################################################################
#Como no existe un valor p para el cual se puede ajustar un modelo MA(p), entonces no se puede ajustar un modelo ARMA a BLDG
#JUSTIFICAR MEJOR
#
#Como no existe un valor p para el cual se puede ajustar un modelo MA(p), entonces no se puede ajustar un modelo ARMA a AUTO

#
#Como no existe un valor p para el cual se puede ajustar un modelo MA(p), entonces no se puede ajustar un modelo ARMA a FURN
#
#Como no existe un valor p para el cual se puede ajustar un modelo MA(p), entonces no se puede ajustar un modelo ARMA a GMER
#Ajuste de modelo ARMA para las series con suavizado por diferencias
#Como no existe un valor p para el cual se puede ajustar un modelo MA(p), entonces no se puede ajustar un modelo ARMA a WASA
#
#Como no existe un valor p para el cual se puede ajustar un modelo MA(p), entonces no se puede ajustar un modelo ARMA a EMPL
#
#Como no existe un valor p para el cual se puede ajustar un modelo MA(p), entonces no se puede ajustar un modelo ARMA a BLDG
#
#Como no existe un valor p para el cual se puede ajustar un modelo MA(p), entonces no se puede ajustar un modelo ARMA a AUTO
#
#Como no existe un valor p para el cual se puede ajustar un modelo MA(p), entonces no se puede ajustar un modelo ARMA a FURN
#
#Como no existe un valor p para el cual se puede ajustar un modelo MA(p), entonces no se puede ajustar un modelo ARMA a GMER

#Pregunta 6
#Calculo de la densidad espectral para las series
ARMA_WASA_spec <- WASA - ARMA_WASA$residuals
ARMA_WASA_spec <- na.omit(ARMA_WASA_spec)
spec_WASA <- ARMAspec(model=list(ma=ARMA_WASA_spec)) 
print('La frecuencia en la cual se obtiene el valor maximo esta comprendido entre 0 y 0.001')
#
ARMA_EMPL_spec <- EMPL - ARMA_EMPL$residuals
ARMA_EMPL_spec <- na.omit(ARMA_EMPL_spec)
spec_EMPL <- ARMAspec(model=list(ma=ARMA_EMPL_spec)) 
print('La frecuencia en la cual se obtiene el valor maximo esta comprendido entre 0 y 0.001')
#
#Como no existe un valor p para el cual se puede ajustar un modelo ARMA(p,q) para BLDG, no se puede calcular la densidad espectral del mismo
#
ARMA_AUTO_spec <- AUTO - ARMA_AUTO$residuals
ARMA_AUTO_spec <- na.omit(ARMA_AUTO_spec)
spec_AUTO <- ARMAspec(model=list(ma=ARMA_AUTO_spec)) 
print('La frecuencia en la cual se obtiene el valor maximo esta comprendido entre 0 y 0.001')
#
#Como no existe un valor p para el cual se puede ajustar un modelo ARMA(p,q) para FURN, no se puede calcular la densidad espectral del mismo
#
#Como no existe un valor p para el cual se puede ajustar un modelo ARMA(p,q) para GMER, no se puede calcular la densidad espectral del mismo
#Calculo de la densidad espectral para las series suavizadas por promedio movil
ARMA_p_movil_WASA_spec <- p_movil_WASA - ARMA_p_movil_WASA$residuals
ARMA_p_movil_WASA_spec <- na.omit(ARMA_p_movil_WASA_spec)
spec_p_movil_WASA <- ARMAspec(model=list(ma=ARMA_p_movil_WASA_spec)) 
print('La frecuencia en la cual se obtiene el valor maximo esta comprendido entre 0 y 0.001')
#
ARMA_p_movil_EMPL_spec <- p_movil_EMPL - ARMA_p_movil_EMPL$residuals
ARMA_p_movil_EMPL_spec <- na.omit(ARMA_p_movil_EMPL_spec)
spec_p_movil_EMPL <- ARMAspec(model=list(ma=ARMA_p_movil_EMPL_spec)) 
print('La frecuencia en la cual se obtiene el valor maximo esta comprendido entre 0 y 0.001')
#
#Como no existe un valor p para el cual se puede ajustar un modelo ARMA(p,q) para BLDG, no se puede calcular la densidad espectral del mismo
#
#Como no existe un valor p para el cual se puede ajustar un modelo ARMA(p,q) para AUTO, no se puede calcular la densidad espectral del mismo
#
#Como no existe un valor p para el cual se puede ajustar un modelo ARMA(p,q) para FURN, no se puede calcular la densidad espectral del mismo
#
#Como no existe un valor p para el cual se puede ajustar un modelo ARMA(p,q) para GMER, no se puede calcular la densidad espectral del mismo
#Calculo de la densidad espectral para las series con suavizado logaritmico
ARMA_log_WASA_spec <- log_WASA - ARMA_log_WASA$residuals
ARMA_log_WASA_spec <- na.omit(ARMA_log_WASA_spec)
spec_log_WASA <- ARMAspec(model=list(ma=ARMA_log_WASA_spec)) 
print('La frecuencia en la cual se obtiene el valor maximo esta comprendido entre 0 y 0.001')
#########################################################
ARMA_log_EMPL <- arma(log_EMPL, order = c(1, 10))
ts.plot(log_EMPL)
ARMA_log_EMPL_fit <- log_EMPL - resid(ARMA_log_EMPL)
points(ARMA_log_EMPL_fit, type = "l", col = 2, lty = 2)
###########################################################################