Descripción
Este repositorio contiene un análisis exhaustivo de una serie temporal de datos de afiliaciones a partir de un conjunto de datos proporcionado. Los datos incluyen diferentes sectores como Agricultura, Industria, Construcción y Servicios. Se llevó a cabo una exploración detallada de los datos, se visualizó la tendencia, se examinó la estacionalidad y se aplicaron modelos de pronóstico.
Contenido
Exploración de datos:
Carga y limpieza de datos, visualización inicial. Análisis de Tendencia: Visualización y modelado de la tendencia a lo largo del tiempo. Estacionalidad: Identificación y descomposición de patrones estacionales. Anomalías y Outliers: Detección y análisis de valores atípicos. Volatilidad: Medición y análisis de la volatilidad en los datos. Correlaciones: Análisis de correlaciones entre diferentes variables. Pronóstico: Aplicación de modelos de pronóstico ARIMA para prever datos futuros. Análisis de Causalidad: Examinar las relaciones causales y los factores de influencia.
Herramientas y Librerías Utilizadas
Python: Lenguaje de programación utilizado para el análisis. Pandas: Para la manipulación y análisis de datos. Matplotlib y Seaborn: Para la visualización de datos. Scikit-learn: Para aplicar modelos de regresión lineal y evaluarlos. Statsmodels: Para aplicar modelos ARIMA y realizar pruebas de hipótesis.
Pasos para Replicar
Clone este repositorio en su máquina local. Asegúrate de tener instaladas todas las librerías mencionadas.
Carga el conjunto de datos "Afiliacions_Exemple_Mitjanes_Anuals.xlsx" en tu entorno de trabajo. Sigue los scripts proporcionados para realizar análisis y visualizaciones específicas.
Resultados Obtenidos
Identificamos la tendencia general de los datos. Detectamos patrones estacionales. Identificamos y analizamos valores atípicos. Medimos la volatilidad y examinamos factores contribuyentes. Establecimos correlaciones claras entre diferentes sectores. Construimos un modelo ARIMA para hacer pronósticos futuros.
Realizamos un análisis de causalidad para identificar relaciones clave y factores de influencia.
Cómo Contribuir
Las contribuciones son bienvenidas!