Herramientas para Pronósticos de Series de Tiempo en Python - Parte 3: Prophet

1. Introducción

En la anterior versión de este proyecto, este análisis correspondió a la parte 3 de mis estimaciones, por lo que esta actualización toma como base dicho código, y únicamente actualizo la base de datos para incluir la nueva información que se ha generado al respecto. La notebook con el código completo de esta publicación se puede encontrar en mi repositorio de Github o la pueden ver directamente aquí.

2. ¿Por qué Prophet?

Recordando, Prophet es una herramienta de ciencia de datos desarrollada por el equipo de inteligencia artificial de Facebook y consiste en “un procedimiento para pronosticar datos de series de tiempo basado en un modelo aditivo en el que las tendencias no lineales se ajustan a la estacionalidad anual, semanal y diaria, más los efectos de las vacaciones. Funciona mejor con series de tiempo que tienen fuertes efectos estacionales y varias temporadas de datos históricos. Prophet es robusto ante los datos faltantes y los cambios en la tendencia, y por lo general maneja bien los valores atípicos.”

Como descubrí antes, una de las grandes ventajas es que Prophet realiza el análisis completo de manera automática, requiere mucho menos código que un análisis del tipo SARIMAX e incluso se pueden introducir pequeños ajustes manualmente leyendo la documentación de Prophet. Con todas estas ventajas me era imposible dejar fuera a Prophet.

Al parecer esta herramienta ha tenido un fuerte impacto en el mundo de la ciencia de datos como puede verse aquí, aquí, aquí y aquí e incluso, en este último caso se convierte en la primera herramienta a utilizar.

En este duelo, tomaré como base el análisis estadístico hecho en la parte 1, dado que de momento solo tengo nuevas observaciones. Con ello, para el Impuesto al Valor Agregado (IVA) y para el Impuesto Sobre la Renta (ISR), utilizaré como variables explícativas el PIB y una dummy con la tasa del IVA o la reforma del ISR, respectivamente. En el resto de las series, haré el análisis de manera mensual.

La notebook con el código completo de esta publicación se puede encontrar en mi repositorio de Github o la pueden ver directamente aquí.

3. Series Trimestrales

Buscando no ser repetitivo, en esta parte iniciaré con las series trimestrales. Al igual que en mis otras publicaciones, solo dejaré comentarios completos para la serie de ISR, mientras que para la serie del IVA dejo el análisis con muchos menos comentarios.

3.1 Impuesto Sobre la Renta, ISR

Para utilizar Prophet, los datos deben ser cargados con una columna ds que tenga las fechas en formato estándar y una variable y que incluya la serie a estimar. Los ajustes que incluí al modelo básico fueron los siguientes:

• Indiqué que la estacionalidad en multiplicativa.
• Incluí variables explicativas a Prophet, para lo cual consideré el PIB y la reforma ISR.

Para hacer el análisis, la serie se ajusta de manera automática con Prophet utilizando el siguiente código:

isr=df[['fecha','isr_real','pib_reale4','reformaisr']]
isr.columns=['ds','y','pib','reformaisr']
pron_isr=Prophet(seasonality_mode='multiplicative')
pron_isr.add_regressor('pib')
pron_isr.add_regressor('reformaisr')
pron_isr.fit(isr)

Y el código completo para hacer el pronóstico hacia adelante y su correspondiente gráfica, es el siguiente:

future = pron_isr.make_future_dataframe(periods=6)
future = future.merge(isr, on='ds')
fcst = pron_isr.predict(future)
py.init_notebook_mode()
fig=plot_plotly(pron_isr, fcst)
py.iplot(fig)

Con estas pocas líneas, el pronóstico que obtuve me parece muy adecuado:

Además, el pronóstico que resulta se puede descomponer en 3 partes: tendencia, parte estacional y la parte que corresponde a las variables explicativas. No aplica la parte de la descomposición por los días feriados puesto que la serie es trimestral; de ser diaria, se podría separar el efecto que tienen los días feriados en el pronóstico.

3.2 Impuesto al Valor Agregado, IVA

Repitiendo la misma metodología que para el ISR, obtuve resultados que igualmente me parecen adecuados para el IVA:

Además, el pronóstico que resulta se puede descomponer en sus 3 partes:

4. Series Mensuales

Ahora bien, para el análisis de las series mensuales comenzaré con el IEPS Cervezas. El resto de las series mensuales tienen pocos comentarios, y solo dejaré los principales resultados.

4.1 IEPS Cervezas

Para utilizar Prophet en las series mensuales, el código es incluso más simple que en el análisis trimestral debido a que no tengo variables explicativas y solo hay que adecuar la frecuencia. De hecho, el código para hacer el análisis, y generar su respectiva gráfica es el siguiente:

iepsc2=df[['fecha','ieps_cervezas']]
iepsc=iepsc2.dropna()
iepsc.columns=['ds','y']
proniepsc=Prophet(seasonality_mode='multiplicative').fit(iepsc)
future = proniepsc.make_future_dataframe(periods=17, freq='M')
fcst = proniepsc.predict(future)
fig=plot_plotly(proniepsc, fcst)
py.iplot(fig)

A pesar de su sencillez, me sorprende cómo con este código se obtienen muy buenos resultados:

Incluso, con el siguiente código se pueden extraer los quiebres estructurales que detecta Prophet:

fig=proniepsc.plot(fcst)
a=add_changepoints_to_plot(fig.gca(),proniepsc,fcst)

4.2 IEPS Bebidas Alcohólicas

Repitiendo la metodología mensual, el pronóstico que obtuve para el IEPS a las bebidas alcohólicas es el siguiente:

4.3 IEPS Tabacos

Repitiendo la metodología mensual, el pronóstico que obtuve para el IEPS de tabacos es el siguiente:

4.4 IEPS Gasolinas y Diésel

Repitiendo la metodología mensual, el pronóstico que obtuve para el IEPS federal a las gasolinas y diésel es el siguiente:

4.5 IEPS Bebidas Saborizadas

Repitiendo la metodología mensual, el pronóstico que obtuve para el IEPS a las bebidas saborizadas es el siguiente:

4.6 IEPS Alimentos

Repitiendo la metodología mensual, el pronóstico que obtuve para el IEPS a los alimentos de alta densidad calórica es el siguiente:

4.7 Impuesto a la importación

Repitiendo la metodología mensual, el pronóstico que obtuve para el impuesto a la importación es el siguiente:

4.8 Ingresos Petroleros

Repitiendo la metodología mensual, el pronóstico que obtuve para los ingresos petroleros de la RFP es el siguiente:

5. Conclusión

Con esto concluye la tercera parte de este segundo round entre diferentes metodologías. Prophet resultó ser una de las herramientas que más llamó mi atención porque difiere profundamente de las metodologías anteriores, resulta de fácil implementación y de buenos resultados. De hecho, por la sencillez de este método no me detuve tanto en otros, puesto que quería una competencia rápida. Para ver la versión completa de este análisis, lo pueden consultar en mi repositorio de Github o la pueden ver directamente aquí.

Sin embargo, y como señale en las entregas anteriores, quiero evaluar los pronósticos que vaya obteniendo en términos de qué tan cercanos resultan a la siguiente observación. En esta segunda parte, los pronósticos para el tercer trimestre de 2021 resultaron los siguientes:

Variable	Tercer Trimestre 2021
ISR	335,920.2
IVA	290,548.8
IEPS Gasolinas	59,340.4
IEPS Bebidas Alcohólicas	17,439.8
IEPS Cervezas	3,497.6
IEPS Tabacos	10,651.0
IEPS Bebidas Saborizadas	8,518.7
IEPS Alimentos	6,323.5
Impuesto a la importación	20,128.9
Ingresos Petroleros	56,735.0
RFP	809,103.8

Aprovechando, que el 8 de septiembre, el Gobierno Federal presentó su Iniciativa de Ley de Ingresos de la Federación para 2022, me parece oportuno extraer y comparar el pronóstico que da esta metodología para la RFP para 2022 (en la última parte, juntaré todos los pronósticos):

Variable	Prophet	ILIF 2022
ISR	1,657,308.2	1,687,013.2
IVA	1,150,655.2	1,213,777.9
IEPS Gasolinas	267,167.2	288,602.5
IEPS Bebidas Alcohólicas	55,286.0	46,103.1
IEPS Cervezas	18,729.1	20,169.2
IEPS Tabacos	43,904.3	42,651.0
IEPS Bebidas Saborizadas	31,306.5	32,950.6
IEPS Alimentos	25,128.9	26,962.3
Impuesto a la importación	76,164.2	72,939.5
Ingresos Petroleros	149,831.1	297,818.2
RFP	3,475,480.6	3,728,987.5

Sin más por el momento, eso es to, eso es to, eso es todo amigos.