Previsioni con il Software R

# Previsioni con il Software R: analisi dell’ inflazione USA

#Installazione dei “Packages” necessari

install.packages("tidyverse")

install.packages("urca")

install.packages("forecast")

install.packages("tseries")

install.packages("TSstudio")

help(TSstudio)

#Caricamento delle librerie necessarie

library(tidyverse)

library(forecast)

library(tseries)

library(urca)

library(TSstudio)

# Caricamento del dataset inflazione – e’ necessario scaricare i dati in formato .csv

da “FRED”

inflation <- read_csv(file.choose())

head(inflation)

nrow(inflation)

#----- trasformiamo I dati in una serie storica

inf <- ts(inflation$Rate, start = c(2000,1,5), frequency = 12)

# Grafico:

autoplot(inf) + ggtitle("Inflation Rate (USA), January 2000 to April 2020") + labs(x =

"Time", y = "Inflation Rate")

ts_plot(inf, line.mode = "lines", title = "Inflation Rate (USA), January 2000 to April

2020")

# Sommario dei dati (summary)

summary(inf)

# Analisi della correlazione: ACF and PACF

ggAcf(inf) + ggtitle("ACF of Inflation")

ggPacf(inf) + ggtitle("PACF of Inflation")

# differenziazione di primo grado della serie

dinf <- diff(inf)

# Grafico della serie differenziata

ggAcf(dinf) + ggtitle("ACF of Inflation (Differenced)")

ggPacf(dinf) + ggtitle("PACF of Inflation (Differenced)")

#Graphing Levels and Differenced

combo <- cbind(inf, dinf)

# Decomposizione della serie storica

autoplot(combo, facets = TRUE) + ggtitle("Inflation (Rate (Philippines), Level and

Difference") + labs(y ="Rate")

# Test di stazionarieta’

ts_decompose(inf, type = "additive", showline = TRUE)

# Test di Dickey Fuller aumentato (ADF Test)

adf.test(inf, k = 2)

adf.test(inf, k = 1)

adf.test(dinf)

# Test di Phillips Perron

pp.test(inf)

pp.test(dinf)

#Using the KPSS Test

kpss.test(inf)

kpss.test(dinf)

# Partizione dei dati e test di previsione ; partizione dei dati in data test E training

data

split_inf <- ts_split(inf, sample.out = 12)

training <- split_inf$train

testing <- split_inf$test

length(training)

length(testing)

# Diagnostica con modello ARIMA – grafico della previsione

arima_diag(training)

# Prova con diversi modelli:

# Modello 1

arima211 <- arima(training, order = c(2,1,1))

autoplot(arima211)

check_res(arima211)

#Modellol 2 - SARIMA

sarima2111 <- arima(training, order = c(2,1,1), seasonal = list(order = c(1,0,0)))

autoplot(sarima2111)

check_res(sarima2111)