app.R
In samp891216/ClaseSeriesdeTiempo:
#
# This is a Shiny web application. You can run the application by clicking
# the 'Run App' button above.
#
# Find out more about building applications with Shiny here:
#
# http://shiny.rstudio.com/
#
library(shiny)
library(forecast)
library(descomponer)
library(shinythemes)
library(taRifx)
library(TSA)
library(msir)
library(fANCOVA)
# Define UI for data upload app ----
ui <- fluidPage(theme = shinytheme("superhero"),
navbarPage("Análisis serie de tiempo",
tabPanel("Análisis descriptivo",
# App title ----
titlePanel("Cargar archivo"),
# Sidebar layout with input and output definitions ----
sidebarLayout(
# Sidebar panel for inputs ----
sidebarPanel(
fileInput('TextFile', 'Seleccione el archivo a cargar',
accept = c(
'text/csv',
'text/comma-separated-values',
'text/tab-separated-values',
'text/plain')),
tags$hr(),
radioButtons('skipper', 'Registros a saltar',
c(Zero=0,
One=1
)),
tags$hr(),
numericInput('year','Ingrese año de inicio',value =2017 ),
tags$hr(),
numericInput('month','Ingrese mes de inicio',value=01),
tags$hr(),
numericInput('frequency','Ingrese la frecuencia',value=12)
),#parentesis sidebarPanel
mainPanel(
tabsetPanel(
tabPanel("Análisis básico ST",
h4("Gráfico de la serie de tiempo"),
plotOutput("contents1"),
#Horizontal line ----
tags$hr(),
h4("Resúmen de los datos"),
verbatimTextOutput("contents2"),
#Horizontal line ----
tags$hr(),
h4("Determinar serie Aditiva o Multiplicativa"),
plotOutput("logdata")
),#paréntesis Análisis básico de la serie
tabPanel("Autocorrelación",
h4("Autocorrelacion PAC Datos"),
plotOutput("pac_Data"),
tags$hr(),
h4("Autocorrelacion parcial PACF Datos"),
plotOutput("pacf_Data"),
tags$hr(),
h4("Autocorrelacion PAC logData"),
plotOutput("pacLogData"),
tags$hr(),
h4("Autocorrelacion parcial PACF logData"),
plotOutput("pacfLogData")
),#paréntesis tabpanel Autocorrelación
tabPanel("Estacionalidad - Descomp",
h4("Estacionalidad"),
plotOutput("estacionalidad"),
tags$hr(),
h4("Descomposición multiplicativa de la serie original"),
plotOutput("descomp_mult_data"),
tags$hr(),
h4("Descomposición aditiva del logaritmo"),
plotOutput("descomp_adit_Log"),
tags$hr(),
h4("Descomposición aditiva de la serie"),
plotOutput("descomp_adit_data")
),#paréntesis tabpanel estacionalidad y descomposición
tabPanel("Tendencia - Error",
h4("Tendencia estimada por descomposición clásica"),
plotOutput("tendencia_desc_data"),
tags$hr(),
h4("Tendencia estimada por descomposición clásica (Log)"),
plotOutput("tendencia_desc_logdata"),
tags$hr(),
h4("Error de los datosy logdatos ADITIVA"),
plotOutput("error_datos_logdatos"),
tags$hr(),
h4("Error de los datosy logdatos MULTIPLICATIVA"),
plotOutput("error_datos_logdatos_multi"),
tags$hr(),
h4("Periodograma sobre los logaritmos diferenciados"),
plotOutput("periodograma_log")
)#paréntesis tabpanel Tendencia error
)#paréntesis del tapsetpanel
)#paréntesis main panel
)#paréntesis sidebarlayout
),#paréntesis tabpanel
tabPanel("MODELO 1",
titlePanel("Análisis Modelo 1"),
mainPanel(
tabsetPanel(
tabPanel("Análisis básico ST",
h4("Serie de tiempo de valores ajustados en escala original"),
verbatimTextOutput("st_ajustado_original"),
tags$hr(),
h4("Serie de tiempo de valores ajustados en escala original"),
plotOutput("ythat1_ajustado_original"),
tags$hr(),
h4("Gráfico de residuales en escala LOG con límites 2 sigma"),
plotOutput("residuales2sigma"),
tags$hr(),
h4("Pronosticando n periodos en escala original"),
verbatimTextOutput("pronostico_periodos"),
tags$hr(),
h4("Serie de tiempo con pronosticos puntuales"),
plotOutput("pronostico_puntuales")
)#paréntesis tabPanel interior
)#paréntesis tabsetPanel Modelo 1
)#paréntesis mainPanel Modelo 1
)#paréntesis tabPanel Modelo1
)#Paréntesis NavbarPage
)#paréntesis fuidPage
# Define server logic to read selected file ----
server <- function(input, output) {
data_l<-reactive({
inFile <- input$TextFile
if (is.null(inFile))
return(NULL)
data_st<-ts(scan(inFile$datapath,skip=input$skipper),start=c(input$year,input$month),
frequency = input$frequency)
return(data_st)
})#anterior
#GRAFICAR LA SERIE DE TIEMPO
output$contents1 <- renderPlot({
data_st<-data_l()
plot.ts(data_st, ylim=c(min(data_st),max(data_st)), type = 'o', lwd = 2)
grid()
})#anterior
#ADICIONAR EL RESUMEN DE LOS DATOS
output$contents2 <- renderPrint({
data_st<-data_l()
summary(data_st)})#anterior
#GRAFICAR LOGDATA PARA DETERMINAR MOD ADITIVO - MULTIPLICATIVO
output$logdata <- renderPlot({
data_st <- data_l()
logdata <- log(data_st)
plot(logdata,ylim=c(min(logdata),max(logdata)))
title(main="log(data)")
})#anterior
#GRAFICAR AUTOCORRELACION DATOS
output$pac_Data <- renderPlot({
data_st <- data_l()
acf(data_st)
})#anterior
#GRAFICAR AUTOCORRELACION PARCIAL DATOS
output$pacf_Data <- renderPlot({
data_st <- data_l()
pacf(data_st)
})#anterior
#GRAFICAR PAC LOGDATOS
output$pacLogData <- renderPlot({
data_st <- data_l()
logdata <- log(data_st)
acf(logdata)
})#anterior
#GRAFICAR PACF LOGDATOS
output$pacfLogData <- renderPlot({
data_st <- data_l()
logdata <- log(data_st)
pacf(logdata)
})#anterior
#GRAFICAR ESTACIONALIDAD
output$estacionalidad <- renderPlot({
data_st <- data_l()
boxplot(data_st~cycle(data_st),names=month.abb)
title(main="Estacionalidad")
})#anterior
#GRAFICAR DESCOMPOSICION MULTIPLICATIVA DE LA SERIE
output$descomp_mult_data <- renderPlot({
data_st <- data_l()
plot(decompose(data_st, type = "multiplicative"))
})#anterior
#GRAFICAR DESCOMPOSICION ADITIVA DEL LOGARITMO
output$descomp_adit_Log <- renderPlot({
data_st <- data_l()
plot(decompose(log(data_st), type="additive"))
})#anterior
#GRAFICAR DESCOMPOSICION ADITIVA DE LA SERIR
output$descomp_adit_data <- renderPlot({
data_st <- data_l()
plot(decompose(data_st, type="additive"))
})#anterior
#GRAFICAR TENDENCIA POR DESCOMPOSION DE LA SERIE
output$tendencia_desc_data <- renderPlot({
data_st <- data_l()
Tt=decompose(data_st,type="additive")$trend
plot(Tt,ylim=c(min(data_st),max(data_st)),main="Componente tendencia estimada por descomposición
clásica\ gráfico ajustado a rango de variación de la serie")
})#anterior
#GRAFICAR TENDENCIA POR DESCOMPOSION DEL LOGARITMO DE LA SERIE
output$tendencia_desc_logdata <- renderPlot({
data_st <- data_l()
log_data <- (data_st)
Tt_log=decompose(log_data,type="multiplicative")$trend
plot(Tt_log,ylim=c(min(data_st),max(data_st)),main="Componente tendencia estimada por descomposición
clásica\ gráfico ajustado a rango de variación del log de la serie")
})#anterior
#GRAFICAR ERROR DATOS Y LOGDATOS ADITIVA
output$error_datos_logdatos <- renderPlot({
data_st <- data_l()
log_data <- (data_st)
Tt_error_datos=decompose(data_st,type="additive")$random
plot(Tt_error_datos,main="Componente error estimada por descomposición clásica aditiva")
})#anterior
#GRAFICAR ERROR DATOS Y LOGDATOS MULTIPLICATIVA
output$error_datos_logdatos_multi <- renderPlot({
data_st <- data_l()
log_data <- log(data_st)
error_datos_logdatos_multi=decompose(data_st,type="multiplicative")$random
plot(error_datos_logdatos_multi,main="Componente error estimada por descomposiciÃn clásica multiplicativa")
})#anterior
#GRAFICAR PERIODODOGRAMA
output$periodograma_log <- renderPlot({
data_st <- data_l()
log_data <- (data_st)
periodogram(diff(log(data_st))) #periodograma sobre los logaritmos diferenciados
abline(v=c(0.25,0.5),col=2,lty=2)
})
#GRAFICAR SERIE DE TIEMPO DE VALORES AJUSTADOS EN ESCALA ORIGINAL
output$st_ajustado_original <- renderPrint({
data_st <- data_l()
log_data <- log(data_st)
m = 4 #N´umero de per´iodos a pronosticar dentro de la muestra
n = length(data_st)-m #tama~no de la muestra para el ajuste
t = 1:n #´indice de tiempo
yt2=ts(data_st[t],frequency=4,start=c(input$year,input$month)) #serie con las primeras n observaciones
trimestre=seasonal(decompose(yt2))
#trimestre=relevel(trimestre,ref="4Q")
lnyt2=log(yt2)
lnyt2
modelo1=lm(lnyt2~t+I(t^2)+trimestre)
summary(modelo1)
})#anterior
#GRAFICAR SERIE DE TIEMPO DE VALORES AJUSTADOS EN ESCALA ORIGINAL
output$ythat1_ajustado_original <- renderPlot({
ythat1=ts(exp(fitted(modelo1))*exp(summary(modelo1)$sigma^2/2),frequency=4,start=c(input$year,input$month))
plot.ts(ythat1)
})
#GRÁFICO DE RESIDUALES EN ESCALA LOG CON LIMITES 2sigma
output$residuales2sigma <- renderPlot({
plot.ts(residuals(modelo1),main="Residuos vs. t en escala Log\nModelo Log cuadratico estacional")
abline(h=0,col=2)
abline(h=c(-2*summary(modelo1)$sigma,2*summary(modelo1)$sigma),col=2)
plot(fitted(modelo1),residuals(modelo1),main="Residuos vs. ajustados en escala Log\nModelo Log cuadratico estacional")
abline(h=0,col=2)
abline(h=c(-2*summary(modelo1)$sigma,2*summary(modelo1)$sigma),col=2)
})
##PRONOSTICANDO PER´IODOS t=152 a 155 EN ESCALA ORIGINAL
output$pronostico_periodos <- renderPrint({
tnuevo=c((n+1):(n+m)) #definiendo valor de t para las m observaciones a pronosticar
trimestre.nuevo=season(yt)[(length(yt2)+1):length(yt)] #definiendo trimestre correspondiente a tiempos de pron´ostico,
trimestre.nuevo1 <- as.numeric(substr(trimestre.nuevo[1], start = 1,stop = 1))
#estos s´olo para la regresi´on lineal
ytf=ts(yt[tnuevo],frequency=4,start=c(2016,4)) #Tomando de la serie completa los ´ultimos m valores que son pronosticados
plot.ts(ytf)
predicciones1=exp(predict(modelo1,data.frame(t=tnuevo,trimestre=trimestre.nuevo1),
interval="prediction"))*exp(summary(modelo1)$sigma^2/2)
predicciones1=ts(predicciones1,frequency=4,start=c(2016,4))
predicciones1
})
#GRÁFICO DE SERIE DE TIEMPO CON PRONOSTICOS PUNTUALES
output$pronostico_puntuales <- renderPlot({
ytpron1=ts(predicciones1[,1],frequency=4,start=c(2016,4)) #los pron´osticos comienzan desde 1993-Q4
accuracy(ytpron1,ytf) #Calculando exactitud de los pron´osticos
#GRAFICANDO LA SERIE, SUS AJUSTES Y PRON´OSTICOS
plot(yt,main="Serie real, ajustes y pron´osticos\nModelo Log cuadr´atico estacional")
lines(ythat1,col=2)
lines(ytpron1,col=4)
legend("topleft",legend=c("Original","Ajustada","Pron´osticos"),col=c(1,2,4),lty=1)
})
}#paréntesis para cerrar el server
# Create Shiny app ----
shinyApp(ui, server)
samp891216/ClaseSeriesdeTiempo documentation built on May 6, 2019, 5:03 p.m.
R Package Documentation
Browse R Packages
We want your feedback!
Note that we can't provide technical support on individual packages. You should contact the package authors for that.
#
# This is a Shiny web application. You can run the application by clicking
# the 'Run App' button above.
#
# Find out more about building applications with Shiny here:
#
# http://shiny.rstudio.com/
#
library(shiny)
library(forecast)
library(descomponer)
library(shinythemes)
library(taRifx)
library(TSA)
library(msir)
library(fANCOVA)
# Define UI for data upload app ----
ui <- fluidPage(theme = shinytheme("superhero"),
navbarPage("Análisis serie de tiempo",
tabPanel("Análisis descriptivo",
# App title ----
titlePanel("Cargar archivo"),
# Sidebar layout with input and output definitions ----
sidebarLayout(
# Sidebar panel for inputs ----
sidebarPanel(
fileInput('TextFile', 'Seleccione el archivo a cargar',
accept = c(
'text/csv',
'text/comma-separated-values',
'text/tab-separated-values',
'text/plain')),
tags$hr(),
radioButtons('skipper', 'Registros a saltar',
c(Zero=0,
One=1
)),
tags$hr(),
numericInput('year','Ingrese año de inicio',value =2017 ),
tags$hr(),
numericInput('month','Ingrese mes de inicio',value=01),
tags$hr(),
numericInput('frequency','Ingrese la frecuencia',value=12)
),#parentesis sidebarPanel
mainPanel(
tabsetPanel(
tabPanel("Análisis básico ST",
h4("Gráfico de la serie de tiempo"),
plotOutput("contents1"),
#Horizontal line ----
tags$hr(),
h4("Resúmen de los datos"),
verbatimTextOutput("contents2"),
#Horizontal line ----
tags$hr(),
h4("Determinar serie Aditiva o Multiplicativa"),
plotOutput("logdata")
),#paréntesis Análisis básico de la serie
tabPanel("Autocorrelación",
h4("Autocorrelacion PAC Datos"),
plotOutput("pac_Data"),
tags$hr(),
h4("Autocorrelacion parcial PACF Datos"),
plotOutput("pacf_Data"),
tags$hr(),
h4("Autocorrelacion PAC logData"),
plotOutput("pacLogData"),
tags$hr(),
h4("Autocorrelacion parcial PACF logData"),
plotOutput("pacfLogData")
),#paréntesis tabpanel Autocorrelación
tabPanel("Estacionalidad - Descomp",
h4("Estacionalidad"),
plotOutput("estacionalidad"),
tags$hr(),
h4("Descomposición multiplicativa de la serie original"),
plotOutput("descomp_mult_data"),
tags$hr(),
h4("Descomposición aditiva del logaritmo"),
plotOutput("descomp_adit_Log"),
tags$hr(),
h4("Descomposición aditiva de la serie"),
plotOutput("descomp_adit_data")
),#paréntesis tabpanel estacionalidad y descomposición
tabPanel("Tendencia - Error",
h4("Tendencia estimada por descomposición clásica"),
plotOutput("tendencia_desc_data"),
tags$hr(),
h4("Tendencia estimada por descomposición clásica (Log)"),
plotOutput("tendencia_desc_logdata"),
tags$hr(),
h4("Error de los datosy logdatos ADITIVA"),
plotOutput("error_datos_logdatos"),
tags$hr(),
h4("Error de los datosy logdatos MULTIPLICATIVA"),
plotOutput("error_datos_logdatos_multi"),
tags$hr(),
h4("Periodograma sobre los logaritmos diferenciados"),
plotOutput("periodograma_log")
)#paréntesis tabpanel Tendencia error
)#paréntesis del tapsetpanel
)#paréntesis main panel
)#paréntesis sidebarlayout
),#paréntesis tabpanel
tabPanel("MODELO 1",
titlePanel("Análisis Modelo 1"),
mainPanel(
tabsetPanel(
tabPanel("Análisis básico ST",
h4("Serie de tiempo de valores ajustados en escala original"),
verbatimTextOutput("st_ajustado_original"),
tags$hr(),
h4("Serie de tiempo de valores ajustados en escala original"),
plotOutput("ythat1_ajustado_original"),
tags$hr(),
h4("Gráfico de residuales en escala LOG con límites 2 sigma"),
plotOutput("residuales2sigma"),
tags$hr(),
h4("Pronosticando n periodos en escala original"),
verbatimTextOutput("pronostico_periodos"),
tags$hr(),
h4("Serie de tiempo con pronosticos puntuales"),
plotOutput("pronostico_puntuales")
)#paréntesis tabPanel interior
)#paréntesis tabsetPanel Modelo 1
)#paréntesis mainPanel Modelo 1
)#paréntesis tabPanel Modelo1
)#Paréntesis NavbarPage
)#paréntesis fuidPage
# Define server logic to read selected file ----
server <- function(input, output) {
data_l<-reactive({
inFile <- input$TextFile
if (is.null(inFile))
return(NULL)
data_st<-ts(scan(inFile$datapath,skip=input$skipper),start=c(input$year,input$month),
frequency = input$frequency)
return(data_st)
})#anterior
#GRAFICAR LA SERIE DE TIEMPO
output$contents1 <- renderPlot({
data_st<-data_l()
plot.ts(data_st, ylim=c(min(data_st),max(data_st)), type = 'o', lwd = 2)
grid()
})#anterior
#ADICIONAR EL RESUMEN DE LOS DATOS
output$contents2 <- renderPrint({
data_st<-data_l()
summary(data_st)})#anterior
#GRAFICAR LOGDATA PARA DETERMINAR MOD ADITIVO - MULTIPLICATIVO
output$logdata <- renderPlot({
data_st <- data_l()
logdata <- log(data_st)
plot(logdata,ylim=c(min(logdata),max(logdata)))
title(main="log(data)")
})#anterior
#GRAFICAR AUTOCORRELACION DATOS
output$pac_Data <- renderPlot({
data_st <- data_l()
acf(data_st)
})#anterior
#GRAFICAR AUTOCORRELACION PARCIAL DATOS
output$pacf_Data <- renderPlot({
data_st <- data_l()
pacf(data_st)
})#anterior
#GRAFICAR PAC LOGDATOS
output$pacLogData <- renderPlot({
data_st <- data_l()
logdata <- log(data_st)
acf(logdata)
})#anterior
#GRAFICAR PACF LOGDATOS
output$pacfLogData <- renderPlot({
data_st <- data_l()
logdata <- log(data_st)
pacf(logdata)
})#anterior
#GRAFICAR ESTACIONALIDAD
output$estacionalidad <- renderPlot({
data_st <- data_l()
boxplot(data_st~cycle(data_st),names=month.abb)
title(main="Estacionalidad")
})#anterior
#GRAFICAR DESCOMPOSICION MULTIPLICATIVA DE LA SERIE
output$descomp_mult_data <- renderPlot({
data_st <- data_l()
plot(decompose(data_st, type = "multiplicative"))
})#anterior
#GRAFICAR DESCOMPOSICION ADITIVA DEL LOGARITMO
output$descomp_adit_Log <- renderPlot({
data_st <- data_l()
plot(decompose(log(data_st), type="additive"))
})#anterior
#GRAFICAR DESCOMPOSICION ADITIVA DE LA SERIR
output$descomp_adit_data <- renderPlot({
data_st <- data_l()
plot(decompose(data_st, type="additive"))
})#anterior
#GRAFICAR TENDENCIA POR DESCOMPOSION DE LA SERIE
output$tendencia_desc_data <- renderPlot({
data_st <- data_l()
Tt=decompose(data_st,type="additive")$trend
plot(Tt,ylim=c(min(data_st),max(data_st)),main="Componente tendencia estimada por descomposición
clásica\ gráfico ajustado a rango de variación de la serie")
})#anterior
#GRAFICAR TENDENCIA POR DESCOMPOSION DEL LOGARITMO DE LA SERIE
output$tendencia_desc_logdata <- renderPlot({
data_st <- data_l()
log_data <- (data_st)
Tt_log=decompose(log_data,type="multiplicative")$trend
plot(Tt_log,ylim=c(min(data_st),max(data_st)),main="Componente tendencia estimada por descomposición
clásica\ gráfico ajustado a rango de variación del log de la serie")
})#anterior
#GRAFICAR ERROR DATOS Y LOGDATOS ADITIVA
output$error_datos_logdatos <- renderPlot({
data_st <- data_l()
log_data <- (data_st)
Tt_error_datos=decompose(data_st,type="additive")$random
plot(Tt_error_datos,main="Componente error estimada por descomposición clásica aditiva")
})#anterior
#GRAFICAR ERROR DATOS Y LOGDATOS MULTIPLICATIVA
output$error_datos_logdatos_multi <- renderPlot({
data_st <- data_l()
log_data <- log(data_st)
error_datos_logdatos_multi=decompose(data_st,type="multiplicative")$random
plot(error_datos_logdatos_multi,main="Componente error estimada por descomposiciÃn clásica multiplicativa")
})#anterior
#GRAFICAR PERIODODOGRAMA
output$periodograma_log <- renderPlot({
data_st <- data_l()
log_data <- (data_st)
periodogram(diff(log(data_st))) #periodograma sobre los logaritmos diferenciados
abline(v=c(0.25,0.5),col=2,lty=2)
})
#GRAFICAR SERIE DE TIEMPO DE VALORES AJUSTADOS EN ESCALA ORIGINAL
output$st_ajustado_original <- renderPrint({
data_st <- data_l()
log_data <- log(data_st)
m = 4 #N´umero de per´iodos a pronosticar dentro de la muestra
n = length(data_st)-m #tama~no de la muestra para el ajuste
t = 1:n #´indice de tiempo
yt2=ts(data_st[t],frequency=4,start=c(input$year,input$month)) #serie con las primeras n observaciones
trimestre=seasonal(decompose(yt2))
#trimestre=relevel(trimestre,ref="4Q")
lnyt2=log(yt2)
lnyt2
modelo1=lm(lnyt2~t+I(t^2)+trimestre)
summary(modelo1)
})#anterior
#GRAFICAR SERIE DE TIEMPO DE VALORES AJUSTADOS EN ESCALA ORIGINAL
output$ythat1_ajustado_original <- renderPlot({
ythat1=ts(exp(fitted(modelo1))*exp(summary(modelo1)$sigma^2/2),frequency=4,start=c(input$year,input$month))
plot.ts(ythat1)
})
#GRÁFICO DE RESIDUALES EN ESCALA LOG CON LIMITES 2sigma
output$residuales2sigma <- renderPlot({
plot.ts(residuals(modelo1),main="Residuos vs. t en escala Log\nModelo Log cuadratico estacional")
abline(h=0,col=2)
abline(h=c(-2*summary(modelo1)$sigma,2*summary(modelo1)$sigma),col=2)
plot(fitted(modelo1),residuals(modelo1),main="Residuos vs. ajustados en escala Log\nModelo Log cuadratico estacional")
abline(h=0,col=2)
abline(h=c(-2*summary(modelo1)$sigma,2*summary(modelo1)$sigma),col=2)
})
##PRONOSTICANDO PER´IODOS t=152 a 155 EN ESCALA ORIGINAL
output$pronostico_periodos <- renderPrint({
tnuevo=c((n+1):(n+m)) #definiendo valor de t para las m observaciones a pronosticar
trimestre.nuevo=season(yt)[(length(yt2)+1):length(yt)] #definiendo trimestre correspondiente a tiempos de pron´ostico,
trimestre.nuevo1 <- as.numeric(substr(trimestre.nuevo[1], start = 1,stop = 1))
#estos s´olo para la regresi´on lineal
ytf=ts(yt[tnuevo],frequency=4,start=c(2016,4)) #Tomando de la serie completa los ´ultimos m valores que son pronosticados
plot.ts(ytf)
predicciones1=exp(predict(modelo1,data.frame(t=tnuevo,trimestre=trimestre.nuevo1),
interval="prediction"))*exp(summary(modelo1)$sigma^2/2)
predicciones1=ts(predicciones1,frequency=4,start=c(2016,4))
predicciones1
})
#GRÁFICO DE SERIE DE TIEMPO CON PRONOSTICOS PUNTUALES
output$pronostico_puntuales <- renderPlot({
ytpron1=ts(predicciones1[,1],frequency=4,start=c(2016,4)) #los pron´osticos comienzan desde 1993-Q4
accuracy(ytpron1,ytf) #Calculando exactitud de los pron´osticos
#GRAFICANDO LA SERIE, SUS AJUSTES Y PRON´OSTICOS
plot(yt,main="Serie real, ajustes y pron´osticos\nModelo Log cuadr´atico estacional")
lines(ythat1,col=2)
lines(ytpron1,col=4)
legend("topleft",legend=c("Original","Ajustada","Pron´osticos"),col=c(1,2,4),lty=1)
})
}#paréntesis para cerrar el server
# Create Shiny app ----
shinyApp(ui, server)
R Package Documentation
Browse R Packages
We want your feedback!
Note that we can't provide technical support on individual packages. You should contact the package authors for that.
Embedding an R snippet on your website
Add the following code to your website.
For more information on customizing the embed code, read Embedding Snippets.