Trabajar datos diarios agrupados por semanas en R: collapse y pronósticos

 En el siguiente ejemplo se utilizan datos diarios de ventas, simulados para presentar algunos ejemplos de con trabajar con series temporales utilizando el tidyverso [datos]. Puntualmente, se muestra como convertir una data en frecuencia diaria a semanal, y como realizar pronósticos con modelos arima usando la data en frecuencia diaria y en frecuencia semanal (vea dplyr como prerrequisito).

 library(readxl)

library(tidyverse)
library(tseries)
library(forecast)
 
data_simulada_venta <- read_excel("data_simulada_venta.xlsx")
data_simulada_venta
# A tibble: 1,356 x 2
   fecha               ventas
   <dttm>               <dbl>
 1 2016-01-01 00:00:00  0.343
 2 2016-01-02 00:00:00  1.28 
 3 2016-01-04 00:00:00  1.59 
 4 2016-01-05 00:00:00  1.83 
 5 2016-01-06 00:00:00  2.29 

Convertir la data diaria en datos semanales

El collapse de la data es una operación usada para agregar data, por ejemplo, pasar de una data a nivel de individuos a datos a nivel de viviendas, o en el caso se series temporales pasar de datos de unafrecuencia mayor a una menor, por poner un caso, de mensual a trimestral. En este sentido, una de las operaciones más frecuente es agrupar los datos diarios en semanas, para esto hacemos un by_group por cada semana de los distintos años disponibles en nuestros datos luego de generar dos nuevas variables para identificar los años y las semanas.

a.       Creamos las variables (en caso de no estar disponibles) sobre las que deseamos agregar la data. En nuestros casos, usamos el año (anio) y el día de la semana, porque queremos agregar por semana para cada año.

b.       Usamos by_group para agregar la data, combinado con el summarize, que es donde se indica cual es el proceso por el cual se va agregar la data. En este ejemplo, corresponde a la suma de las ventas diarias. Note que aquí pudiésemos utilizar otras funciones, tales como la media, la varianza o el primer día de la semana, para obtener otra agregación de la data:

data_semanal <- data_simulada_venta  %>% 
                mutate(anio = format(fecha, "%Y"),
                       dia_semana_num = format(fecha, "%W")) %>% 
                        group_by(anio,dia_semana_num) %>% 
                        summarise(suma_venta = sum(ventas),
                                       fecha = max(fecha))
 
data_semanal
 
# A tibble: 229 x 4
# Groups:   anio [5]
   anio  dia_semana_num suma_venta fecha              
   <chr> <chr>               <dbl> <dttm>             
 1 2016  00                   1.62 2016-01-02 00:00:00
 2 2016  01                  16.6  2016-01-09 00:00:00
 3 2016  02                  40.9  2016-01-16 00:00:00
 4 2016  03                  55.8  2016-01-23 00:00:00
 5 2016  04                  68.3  2016-01-30 00:00:00
 6 2016  05                  88.9  2016-02-06 00:00:00
 7 2016  06                 110.   2016-02-13 00:00:00
 8 2016  07                 120.   2016-02-20 00:00:00
 9 2016  08                 132.   2016-02-27 00:00:00
10 2016  09                 145.   2016-03-05 00:00:00
# ... with 219 more rows

Obtener una data semanal de un solo día de la semana

Otra forma de agregar datos, es obtener una observación (correspondiente a un día en nuestro ejemplo) como representativo de la data agregada (semanal). Aquí, usamos la función wday del paquete lubridate, que nos permite identificar el día de la semana, para posteriormente, obtener un collapse de la data diaria, pero en vez de agregar la data para obtener las semanas (sumamos todos los días para obtener la data semanal), seleccionados uno de los datos semanales. Puntualmente el viernes, pero en caso de otros días de las semanas, solo es necesario modificar el día de la semana seleccionado en el filter.

library(lubridate)

 
# todos los viernes del primer mes de 2016 o 2017
data_simulada_venta  %>% 
  mutate(anio = format(fecha, "%Y"),
         mes = format(fecha, "%B"),
         dia_semana_num = format(fecha, "%W"),
         dia_semana = wday(fecha)) %>% 
  filter(dia_semana==5, anio==2016|2017, mes=="enero") %>% 
  group_by(anio,dia_semana_num) %>% 
  summarise(suma_venta = sum(ventas),
            fecha = max(fecha))
 
# A tibble: 22 x 4
# Groups:   anio [5]
   anio  dia_semana_num suma_venta fecha              
   <chr> <chr>               <dbl> <dttm>             
 1 2016  01                   2.88 2016-01-07 00:00:00
 2 2016  02                   7.51 2016-01-14 00:00:00
 3 2016  03                   9.52 2016-01-21 00:00:00
 4 2016  04                  11.4  2016-01-28 00:00:00
 5 2017  01                 150.   2017-01-05 00:00:00
 6 2017  02                 153.   2017-01-12 00:00:00
 7 2017  03                 155.   2017-01-19 00:00:00
 8 2017  04                 158.   2017-01-26 00:00:00
 9 2018  01                 304.   2018-01-04 00:00:00
10 2018  02                 307.   2018-01-11 00:00:00
# ... with 12 more rows

Esta identificación de datos, nos permite también obtener estadísticos y operaciones semanales en función de días de semana específicos. Por ejemplo, podemos obtener la mediana de ventas de los viernes de junio y julio 2016, utilizando la función filter:

data_simulada_venta  %>%

  mutate(anio = format(fecha, "%Y"),
         mes = format(fecha, "%B"),
         dia_semana_num = format(fecha, "%W"),
         dia_semana = wday(fecha)) %>% 
  filter(dia_semana==5, anio==2016, mes %in% c("junio", "julio")) %>% 
  group_by(anio,dia_semana_num) %>% 
  summarise(suma_venta = median(ventas),
            fecha = max(fecha))
 
`summarise()` regrouping output by 'anio' (override with `.groups` argument)
# A tibble: 9 x 4
# Groups:   anio [1]
  anio  dia_semana_num suma_venta fecha              
  <chr> <chr>               <dbl> <dttm>             
1 2016  22                   61.0 2016-06-02 00:00:00
2 2016  23                   64.3 2016-06-09 00:00:00
3 2016  24                   66.4 2016-06-16 00:00:00
4 2016  25                   68.7 2016-06-23 00:00:00
5 2016  26                   72.9 2016-06-30 00:00:00
6 2016  27                   75.5 2016-07-07 00:00:00
7 2016  28                   78.9 2016-07-14 00:00:00
8 2016  29                   82.7 2016-07-21 00:00:00
9 2016  30                   85.9 2016-07-28 00:00:00

Una vez obtenidos los datos semanales, podemos utilizar los paquetes de pronóstico de R (forecast y tseries) para realizar proyecciones sea de las series semanales o diarias:

a.      Proyección semanal.

ts(data_semanal$suma_venta) %>%

  auto.arima() %>% 
  forecast(h=5)
 
Point Forecast    Lo 80    Hi 80    Lo 95    Hi 95
230       3369.852 3031.907 3707.797 2853.010 3886.694
231       3755.108 3375.773 4134.443 3174.965 4335.251
232       3727.434 3339.778 4115.089 3134.565 4320.302
233       3685.478 3287.301 4083.655 3076.519 4294.437
234       3653.735 3241.844 4065.626 3023.802 4283.668

b.     Proyección diaria (usando los datos de la semana completa).

ts(data_simulada_venta$ventas) %>%

  auto.arima() %>% 
  forecast(h=5)
 
     Point Forecast    Lo 80    Hi 80    Lo 95    Hi 95
1357       674.7300 674.3008 675.1591 674.0736 675.3863
1358       675.1442 674.4392 675.8492 674.0659 676.2224
1359       675.5323 674.4952 676.5694 673.9462 677.1184
1360       675.9322 674.4860 677.3784 673.7204 678.1440
1361       676.3322 674.4527 678.2117 673.4578 679.20

c.      Proyección diaria (usando solo los lunes para proyectar las ventas de los lunes únicamente).

data_lunes <- data_simulada_venta %>%

  mutate(dia_semana_nombre = wday(fecha, label=T),
         dia_semana_num = wday(fecha),
         anio = format(fecha, "%Y"),
         mes = format(fecha, "%B")) %>% 
  filter(dia_semana_num==2) 
  
auto.arima(data_lunes$ventas) %>% 
  forecast(h=5)
 
  Point Forecast    Lo 80    Hi 80    Lo 95    Hi 95
227       676.2422 675.3601 677.1243 674.8932 677.5913
228       679.2780 678.0324 680.5236 677.3730 681.1829
229       682.2478 680.7087 683.7869 679.8940 684.6016
230       685.3183 683.4556 687.1810 682.4695 688.1671
231       688.3682 686.2326 690.5037 685.1021 691.6342

Entradas populares de este blog

Valores perdidos (NA) en R: identificación y tratamiento (I)

Ejemplos de tablas en Stata

Métodos y técnicas de Investigación Económica