Entradas

Curso de análisis de series temporales en R

Imagen
La siguiente entrada contiene las notas sobre series temporales en R utilizadas para varios cursos, asignaturas y material particular de estudio. En tal sentido, al representar notas de estudios particulares, el sitio estará permanentemente en construcción.
Parte 1: Análisis univaridado Clase 1.1. | video: Análisis exploratorio de series temporales Clase 1.2. Estacionariedad y modelos integrados (ARIMA) Clase 1.3. Pronóstico de series temporales en R (ARIMA, ets, hw) Clase 1.4. Modelos de volatilidad condicional (GARCH)
Parte 2: Análisis multivariado Clase 2.1. Vectores autoregresivos (VAR, SVAR) Clase 2.2. Cointegración y vectores de corrección de errores Clase 2.3. Modelos multivariados de volatilidad
Parte 3: Análisis de series temporales II Clase 3.1. Panorama general
...

Nest data en R

Imagen
Pese al título, esta entrada solo pretende intentar explicar las funcionalidades de una data tipo nest. Las próximas líneas presentan un marco de datos, que es una forma tradicional de una base de datos (no requiere explicación) y un nest data, en esta última agrupamos por variable/clase haciendo un collapse o summarise de la data donde variables/clases pasan a ser el id de la data. Posteriormente, las próximas celdas funcionan como lista, por ende, en ella podemos guardar diversos tipos de objetos, sin importar su dimensión y recuperar estos objetos adelante, sin necesidad de crear nuevos objetos y manteniendo una mejor organización.
# Marco de datos + head(iris) Sepal.Length Sepal.Width Petal.Length Petal.Width Species 15.13.51.40.2setosa 24.93.01.40.2setosa 34.73.21.30.2setosa 44.63.11.50.2setosa 55.03.61.40.2setosa 65.43.91.70.4setosa
# nest data > iris %>% + group_by(Species) %>% + nest()

Generando matrices markovianas de transición en el mercado laboral dominicano con la Encuesta Continua de Fuerza de Trabajo (ENCFT)

Imagen
En el próximo código se crean las probabilidades de transición de la PET entre tres estados: ocupados, desocupados e inactivos. Note que cargamos todas (18 bases) las ENCFT entre 2014-3 y 2018-4, lo que permite considerar todas las bases dentro de un bucle sin necesidad de repetir el procedimiento base por base. Todas las bases se guardan en un objeto único llamado miembros.
rm(list = ls(all.names = TRUE))
library(dplyr)
# Dinámina del desempleo setwd("C:/Users/Nery Ramirez/Dropbox/Dinamica ML/Data")
# Carga todas las bases miembros <- lapply(Sys.glob("miembros*.txt"), read.delim)
bases<-sum(lengths(lengths(miembros))) [1] 18
Podemos verificar la lista miembro, donde hemos cargado todas las bases de datos. Ahora procedemos a crear dos matrices: una para guardar los nombres de las bases con la que trabajamos, lo que nos permitirá leer mejor los resultados (matrixNombres [18x1] 18 es el número de bases cargadas) y otra donde se guardan los coeficientes (resultFinalDese…