-
Notifications
You must be signed in to change notification settings - Fork 51
/
EstudioSerieTemporal.R
167 lines (140 loc) · 6.76 KB
/
EstudioSerieTemporal.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
covid19=read.csv("covid_19_clean_complete.csv")
covid19$Date=as.Date(as.character(covid19$Date),"%m/%d/%Y")
covid19=covid19[covid19$Country.Region=="China",]
infectados.totales.por.dia = aggregate(covid19$Confirmed ~
covid19$Date,FUN=sum)
fallecidos.totales.por.dia = aggregate(covid19$Deaths ~
covid19$Date,FUN=sum)
recuperados.totales.por.dia = aggregate(covid19$Recovered ~
covid19$Date,FUN=sum)
tabla.totales = data.frame(infectados.totales.por.dia[,1],infectados.totales.por.dia[,2],
fallecidos.totales.por.dia[,2],recuperados.totales.por.dia[,2])
names(tabla.totales) = c("Fecha", "Infectados", "Fallecidos", "Recuperados")
library(ggplot2)
x=tabla.totales[,1]
ggplot(tabla.totales, aes(x)) +
geom_line(aes(y=tabla.totales$Infectados, colour="Infectados")) +
geom_line(aes(y=tabla.totales$Fallecidos, colour="Fallecidos")) +
geom_line(aes(y=tabla.totales$Recuperados, colour="Recuperados")) +
xlab("Fecha") + ylab("Frecuencias") +
scale_color_manual(values=c("red", "blue", "green"))
serie.temporal.infectados = ts(tabla.totales$Infectados,frequency = 7,start=c(1,22))
serie.temporal.infectados
plot.ts(serie.temporal.infectados)
?ts
# Decomposing Time Series
# Suposing Non-Seasonal Data
# Trend component suposing addicional model
library(TTR)
componente.trend = SMA(serie.temporal.infectados,n=7) # moving averages of n=7
plot.ts(componente.trend)
# Suposing Seasonal Data
components = decompose(serie.temporal.infectados)
components$seasonal
plot(components)
serie.temporal.infectados.adjusted = serie.temporal.infectados-components$seasonal
plot.ts(serie.temporal.infectados.adjusted)
# Forecasts
# Simple Exponential Smoothing
forecast.infectados = HoltWinters(serie.temporal.infectados.adjusted,gamma=FALSE)
forecast.infectados$fitted
plot(forecast.infectados)
forecast.infectados$SSE
# further time point
library(forecast)
forecast.infectados2 = forecast:::forecast.HoltWinters(forecast.infectados,h=10)
forecast:::plot.forecast(forecast.infectados2)
acf(forecast.infectados2$residuals[3:75],lag.max=20)
Box.test(forecast.infectados2$residuals,lag=20,type="Ljung-Box") # no evidence of non-zero autocorrelation
plot.ts(forecast.infectados2$residuals)
shapiro.test(forecast.infectados2$residuals)
#------------ESTUDIO FALLECIDOS---------------------
serie.temporal.fallecidos = ts(tabla.totales$Fallecidos,frequency = 7,start=c(1,22))
serie.temporal.fallecidos
plot.ts(serie.temporal.fallecidos)
?ts
# Decomposing Time Series
# Suposing Non-Seasonal Data
# Trend component suposing addicional model
library(TTR)
componente.trend = SMA(serie.temporal.fallecidos,n=7) # moving averages of n=7
plot.ts(componente.trend)
# Suposing Seasonal Data
components = decompose(serie.temporal.fallecidos)
components$seasonal
plot(components)
serie.temporal.fallecidos.adjusted = serie.temporal.fallecidos-components$seasonal
plot.ts(serie.temporal.infectados.adjusted)
# Forecasts
# Simple Exponential Smoothing
(forecast.fallecidos = HoltWinters(serie.temporal.fallecidos.adjusted,gamma=FALSE))
forecast.fallecidos$fitted
plot(forecast.fallecidos)
forecast.fallecidos$SSE
# further time point
library(forecast)
forecast.fallecidos2 = forecast:::forecast.HoltWinters(forecast.fallecidos,h=10)
forecast:::plot.forecast(forecast.fallecidos2)
acf(forecast.fallecidos2$residuals[3:75],lag.max=20)
Box.test(forecast.fallecidos2$residuals,lag=20,type="Ljung-Box") # no evidence of non-zero autocorrelation
plot.ts(forecast.fallecidos2$residuals)
shapiro.test(forecast.fallecidos2$residuals)
#-------------Estudio modelo SIR-------------------------
# Fijamos un pais: España
library(wbstats)
pop_data <- wb(indicator = "SP.POP.TOTL", startdate = 2018, enddate = 2019)
covid19.España = covid19[covid19$Country.Region=="Spain",]
infectados.por.dia = aggregate(covid19.España$Confirmed ~
covid19.España$Date,FUN=sum)
fallecidos.por.dia = aggregate(covid19.España$Deaths ~
covid19.España$Date,FUN=sum)
infectados.por.dia2 = infectados.por.dia[,2] + fallecidos.por.dia[,2]
recuperados.por.dia = aggregate(covid19.España$Recovered ~
covid19.España$Date,FUN=sum)
habitantes=pop_data$value[pop_data$country=="Spain"]
susceptibles.por.dia = habitantes-infectados.por.dia2-recuperados.por.dia[,2]
tabla.totales = data.frame(infectados.totales.por.dia[,1],susceptibles.por.dia,infectados.por.dia2,recuperados.por.dia[,2])
names(tabla.totales) = c("Fecha", "Susceptibles","Infectados", "Recuperados")
library(ggplot2)
x=tabla.totales[,1]
ggplot(tabla.totales, aes(x)) +
geom_line(aes(y=tabla.totales$Susceptibles/1000, colour="Susceptibles")) +
geom_line(aes(y=tabla.totales$Infectados, colour="Infectados")) +
geom_line(aes(y=tabla.totales$Recuperados, colour="Recuperados")) +
xlab("Fecha") + ylab("Frecuencias") +
scale_color_manual(values=c("red", "blue", "green"))
plot(-tabla.totales$Recuperados,habitantes*log(tabla.totales$Susceptibles/habitantes))
x=-tabla.totales$Recuperados
y=habitantes*log(tabla.totales$Susceptibles)
summary(lm( y ~ x))
#--------------------------------China
# Fijamos un pais: China
library(wbstats)
pop_data <- wb(indicator = "SP.POP.TOTL", startdate = 2018, enddate = 2019)
covid19.China = covid19[covid19$Country.Region=="China",]
infectados.por.dia = aggregate(covid19.China$Confirmed ~
covid19.China$Date,FUN=sum)
fallecidos.por.dia = aggregate(covid19.China$Deaths ~
covid19.China$Date,FUN=sum)
infectados.por.dia2 = infectados.por.dia[,2] + fallecidos.por.dia[,2]
recuperados.por.dia = aggregate(covid19.China$Recovered ~
covid19.China$Date,FUN=sum)
habitantes=pop_data$value[pop_data$country=="China"]
susceptibles.por.dia = habitantes-infectados.por.dia2-recuperados.por.dia[,2]
tabla.totales = data.frame(infectados.totales.por.dia[,1],susceptibles.por.dia,infectados.por.dia2,recuperados.por.dia[,2])
names(tabla.totales) = c("Fecha", "Susceptibles","Infectados", "Recuperados")
library(ggplot2)
x=tabla.totales[,1]
ggplot(tabla.totales, aes(x)) +
geom_line(aes(y=tabla.totales$Susceptibles/1000, colour="Susceptibles")) +
geom_line(aes(y=tabla.totales$Infectados, colour="Infectados")) +
geom_line(aes(y=tabla.totales$Recuperados, colour="Recuperados")) +
xlab("Fecha") + ylab("Frecuencias") +
scale_color_manual(values=c("red", "blue", "green"))
plot(-tabla.totales$Recuperados,habitantes*log(tabla.totales$Susceptibles/habitantes))
x=tabla.totales$Recuperados
y=habitantes*log(tabla.totales$Susceptibles)
summary(lm( y ~ x))
R0=-summary(lm( y ~ x))$coefficients[2]
exp(-R0*tabla.totales$Recuperados[75]/habitantes)
R0