6.1. Estacionalidad del número de pasajeros del aeropuerto Juan Santamaría#

Importando y limpiando los datos#

Los datos fueron obtenidos de la ARESEP

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
plt.style.use('seaborn-talk')
figpath = "../figures/"

plt.rc('figure', figsize=[8.0,4.0])

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
from statsmodels.tsa.x13 import x13_arima_select_order, x13_arima_analysis
from statsmodels.tsa.statespace.sarimax import SARIMAX

x13path = '.'

meses = ['Enero', 'Febrero','Marzo','Abril','Mayo','Junio','Julio','Agosto','Setiembre','Octubre', 'Noviembre','Diciembre']
mesescorto = [x[:3] for x in meses]
meses2 = {mes: i for i, mes in enumerate(meses, start=1)}

SJO = pd.read_csv("https://github.com/randall-romero/econometria/raw/master/data/Datos-ARESEP-Pasajeros-por-aeropuerto.csv")

SJO.query('Aeropuerto =="Aeropuerto Internacional Juan Santamaría"', inplace=True)
SJO
Aeropuerto Mes Año Cantidad Nacionales Cantidad Extrajeros Cantidad En Tránsito Cantidad Exentos Total Pasajeros
0 Aeropuerto Internacional Juan Santamaría Diciembre 2019 98254 153319 1420 0 252993
1 Aeropuerto Internacional Juan Santamaría Noviembre 2019 69338 122130 600 0 192068
2 Aeropuerto Internacional Juan Santamaría Octubre 2019 69836 102038 531 0 172405
3 Aeropuerto Internacional Juan Santamaría Setiembre 2019 72172 101211 456 0 173839
4 Aeropuerto Internacional Juan Santamaría Agosto 2019 57089 156401 370 0 213860
... ... ... ... ... ... ... ... ...
103 Aeropuerto Internacional Juan Santamaría Mayo 2011 30666 82713 2223 0 115602
104 Aeropuerto Internacional Juan Santamaría Abril 2011 35224 103098 2221 0 140543
105 Aeropuerto Internacional Juan Santamaría Marzo 2011 26900 128936 2794 0 158630
106 Aeropuerto Internacional Juan Santamaría Febrero 2011 24621 105360 1888 0 131869
107 Aeropuerto Internacional Juan Santamaría Enero 2011 39797 116312 1920 0 158029

108 rows × 8 columns

SJO.replace(meses2, None,inplace=True)
SJO
Aeropuerto Mes Año Cantidad Nacionales Cantidad Extrajeros Cantidad En Tránsito Cantidad Exentos Total Pasajeros
0 Aeropuerto Internacional Juan Santamaría 12 2019 98254 153319 1420 0 252993
1 Aeropuerto Internacional Juan Santamaría 11 2019 69338 122130 600 0 192068
2 Aeropuerto Internacional Juan Santamaría 10 2019 69836 102038 531 0 172405
3 Aeropuerto Internacional Juan Santamaría 9 2019 72172 101211 456 0 173839
4 Aeropuerto Internacional Juan Santamaría 8 2019 57089 156401 370 0 213860
... ... ... ... ... ... ... ... ...
103 Aeropuerto Internacional Juan Santamaría 5 2011 30666 82713 2223 0 115602
104 Aeropuerto Internacional Juan Santamaría 4 2011 35224 103098 2221 0 140543
105 Aeropuerto Internacional Juan Santamaría 3 2011 26900 128936 2794 0 158630
106 Aeropuerto Internacional Juan Santamaría 2 2011 24621 105360 1888 0 131869
107 Aeropuerto Internacional Juan Santamaría 1 2011 39797 116312 1920 0 158029

108 rows × 8 columns

SJO.sort_values(['Año','Mes'], inplace=True)
SJO
Aeropuerto Mes Año Cantidad Nacionales Cantidad Extrajeros Cantidad En Tránsito Cantidad Exentos Total Pasajeros
107 Aeropuerto Internacional Juan Santamaría 1 2011 39797 116312 1920 0 158029
106 Aeropuerto Internacional Juan Santamaría 2 2011 24621 105360 1888 0 131869
105 Aeropuerto Internacional Juan Santamaría 3 2011 26900 128936 2794 0 158630
104 Aeropuerto Internacional Juan Santamaría 4 2011 35224 103098 2221 0 140543
103 Aeropuerto Internacional Juan Santamaría 5 2011 30666 82713 2223 0 115602
... ... ... ... ... ... ... ... ...
4 Aeropuerto Internacional Juan Santamaría 8 2019 57089 156401 370 0 213860
3 Aeropuerto Internacional Juan Santamaría 9 2019 72172 101211 456 0 173839
2 Aeropuerto Internacional Juan Santamaría 10 2019 69836 102038 531 0 172405
1 Aeropuerto Internacional Juan Santamaría 11 2019 69338 122130 600 0 192068
0 Aeropuerto Internacional Juan Santamaría 12 2019 98254 153319 1420 0 252993

108 rows × 8 columns

SJO.index = pd.period_range(start=f"{SJO['Año'].iloc[0]}-{SJO['Mes'].iloc[0]}", periods=SJO.shape[0], freq='M')
SJO
Aeropuerto Mes Año Cantidad Nacionales Cantidad Extrajeros Cantidad En Tránsito Cantidad Exentos Total Pasajeros
2011-01 Aeropuerto Internacional Juan Santamaría 1 2011 39797 116312 1920 0 158029
2011-02 Aeropuerto Internacional Juan Santamaría 2 2011 24621 105360 1888 0 131869
2011-03 Aeropuerto Internacional Juan Santamaría 3 2011 26900 128936 2794 0 158630
2011-04 Aeropuerto Internacional Juan Santamaría 4 2011 35224 103098 2221 0 140543
2011-05 Aeropuerto Internacional Juan Santamaría 5 2011 30666 82713 2223 0 115602
... ... ... ... ... ... ... ... ...
2019-08 Aeropuerto Internacional Juan Santamaría 8 2019 57089 156401 370 0 213860
2019-09 Aeropuerto Internacional Juan Santamaría 9 2019 72172 101211 456 0 173839
2019-10 Aeropuerto Internacional Juan Santamaría 10 2019 69836 102038 531 0 172405
2019-11 Aeropuerto Internacional Juan Santamaría 11 2019 69338 122130 600 0 192068
2019-12 Aeropuerto Internacional Juan Santamaría 12 2019 98254 153319 1420 0 252993

108 rows × 8 columns

SJO.drop(['Aeropuerto', 'Mes', 'Año', 'Cantidad En Tránsito', 'Cantidad Exentos','Total Pasajeros'], axis=1,inplace=True)
SJO.rename(columns={'Cantidad Nacionales':'nacionales', 'Cantidad Extrajeros':'extranjeros'}, inplace=True)
SJO
nacionales extranjeros
2011-01 39797 116312
2011-02 24621 105360
2011-03 26900 128936
2011-04 35224 103098
2011-05 30666 82713
... ... ...
2019-08 57089 156401
2019-09 72172 101211
2019-10 69836 102038
2019-11 69338 122130
2019-12 98254 153319

108 rows × 2 columns

Gráficos de estacionalidad#

Serie de tiempo original contra el tiempo#

sjodatos = SJO/1000

fig, ax = plt.subplots()
sjodatos.plot(ax=ax)
ax.set(xlabel='', ylabel='miles de pasajeros', title='Cantidad de pasajeros del aeropuerto Juan Santamaría, por mes y residencia')
fig.savefig(figpath+'SJO-pasajeros.pdf', bbox_inches='tight')
../_images/SJO-pasajeros_14_0.png

Cada mes en su propio gráfico#

sjodatos.index = pd.MultiIndex.from_arrays([sjodatos.index.year, sjodatos.index.month])
sjodatos
nacionales extranjeros
2011 1 39.797 116.312
2 24.621 105.360
3 26.900 128.936
4 35.224 103.098
5 30.666 82.713
... ... ... ...
2019 8 57.089 156.401
9 72.172 101.211
10 69.836 102.038
11 69.338 122.130
12 98.254 153.319

108 rows × 2 columns

sjodatoscuadro = sjodatos.unstack()
sjodatoscuadro
nacionales ... extranjeros
1 2 3 4 5 6 7 8 9 10 ... 3 4 5 6 7 8 9 10 11 12
2011 39.797 24.621 26.900 35.224 30.666 30.401 37.952 28.605 34.890 33.800 ... 128.936 103.098 82.713 87.984 103.344 102.893 64.575 62.624 77.548 90.298
2012 43.013 26.159 32.688 33.113 32.652 33.565 40.250 31.762 39.582 37.254 ... 130.949 106.010 82.235 89.148 105.916 105.745 67.775 60.425 79.305 92.365
2013 43.173 27.828 35.259 31.420 32.242 35.732 40.899 32.744 40.120 36.303 ... 133.010 108.496 85.302 94.980 110.324 112.790 69.996 67.254 83.521 107.738
2014 49.453 29.900 31.389 41.355 35.077 41.290 40.989 33.387 42.932 39.352 ... 146.267 111.881 93.133 96.394 111.423 116.790 71.728 67.279 85.296 104.898
2015 52.436 32.709 45.565 42.523 45.060 41.610 55.015 40.342 51.761 49.628 ... 143.845 122.819 96.530 105.053 121.514 129.884 79.581 76.395 100.505 122.606
2016 65.559 39.922 54.733 50.743 50.182 49.813 71.237 47.848 61.263 59.788 ... 161.254 131.984 108.096 113.257 134.607 138.666 84.513 83.165 102.438 124.247
2017 83.350 45.407 59.057 75.897 56.384 57.548 72.454 55.641 66.218 67.918 ... 178.954 148.746 119.364 126.756 141.006 142.777 97.889 90.238 117.062 134.992
2018 80.747 46.119 61.855 58.915 57.026 59.374 66.564 53.858 66.628 69.615 ... 189.397 161.284 127.450 134.066 148.868 155.950 100.333 93.870 120.440 140.736
2019 83.142 50.683 50.288 74.966 62.038 61.487 67.462 57.089 72.172 69.836 ... 206.724 157.030 128.220 136.965 151.372 156.401 101.211 102.038 122.130 153.319

9 rows × 24 columns

sjodatoscuadro['nacionales']
1 2 3 4 5 6 7 8 9 10 11 12
2011 39.797 24.621 26.900 35.224 30.666 30.401 37.952 28.605 34.890 33.800 33.581 44.776
2012 43.013 26.159 32.688 33.113 32.652 33.565 40.250 31.762 39.582 37.254 36.664 50.781
2013 43.173 27.828 35.259 31.420 32.242 35.732 40.899 32.744 40.120 36.303 37.553 55.599
2014 49.453 29.900 31.389 41.355 35.077 41.290 40.989 33.387 42.932 39.352 39.118 60.798
2015 52.436 32.709 45.565 42.523 45.060 41.610 55.015 40.342 51.761 49.628 52.292 78.466
2016 65.559 39.922 54.733 50.743 50.182 49.813 71.237 47.848 61.263 59.788 57.809 94.613
2017 83.350 45.407 59.057 75.897 56.384 57.548 72.454 55.641 66.218 67.918 60.708 94.701
2018 80.747 46.119 61.855 58.915 57.026 59.374 66.564 53.858 66.628 69.615 64.815 94.955
2019 83.142 50.683 50.288 74.966 62.038 61.487 67.462 57.089 72.172 69.836 69.338 98.254 
promediomensual = sjodatoscuadro.mean().unstack().T

promediomensual
nacionales extranjeros
1 60.074444 142.041333
2 35.927556 131.679778
3 44.192667 157.704000
4 49.350667 127.927556
5 44.591889 102.560333
6 45.646667 109.400333
7 54.758000 125.374889
8 42.364000 129.099556
9 52.840667 81.955667
10 51.499333 78.143111
11 50.208667 98.693889
12 74.771444 119.022111 
plt.style.use('seaborn')
fig, axs= plt.subplots(2,12, figsize=[10,4], sharex=True, sharey='row')

sjodatoscuadro['nacionales'].plot(subplots=True, ax=axs[0],legend=False);
for ax, (mes, mean) in zip(axs[0], promediomensual['nacionales'].iteritems()):
    ax.set_title(mesescorto[mes-1])
    color = ax.lines[0].get_color()
    ax.axhline(mean, color=color, ls=':')
    ax.grid(False)
    

sjodatoscuadro['extranjeros'].plot(subplots=True, ax=axs[1],legend=False);
for ax, (mes, mean) in zip(axs[1], promediomensual['extranjeros'].iteritems()):
    color = ax.lines[0].get_color()
    ax.axhline(mean, color=color, ls=':')
    ax.grid(False)    
    ax.set_xlabel('')
    
axs[0,0].set_xticks([2010,2014,2018])
axs[0,0].set_xticklabels(['10','14','18'])


axs[0,0].set_ylabel('nacionales', size=14)
axs[1,0].set_ylabel('extranjeros', size=14)

fig.suptitle('Miles de pasajeros del aeropuerto Juan Santamaría, por mes y residencia', size=16)
fig.savefig(figpath+'SJO-pasajeros-por-mes.pdf', bbox_inches='tight')
../_images/SJO-pasajeros_21_0.png

Cada año como serie individual, meses en el eje horizontal#

fig, axs= plt.subplots(1,2, figsize=[10,3.5], sharex=True)

sjodatoscuadro['nacionales'].T.plot(ax=axs[0], cmap = 'Blues', marker='o', legend=False);
sjodatoscuadro['extranjeros'].T.plot(ax=axs[1], cmap = 'Blues', marker='o', legend=False);


for ax,tlt in zip(axs, ['Nacionales', 'Extranjeros']):
    ax.set(xlabel='', 
           xticks=[3,6,9,12], 
           xticklabels = mesescorto[2::3], 
           xlim=[0.5,13.25],
           ylabel='miles de pasajeros')
    ax.grid(False, axis='y')
    ax.set_title(tlt, size=14)
    colores = [aa.get_color() for aa in ax.lines]
    for (a,v), cc in zip(sjodatoscuadro[tlt.lower()].T.loc[12].iteritems(), colores):
        ax.annotate(str(a), [12, v], color=cc)
        
fig.savefig(figpath+'SJO-pasajeros-por-mes2.pdf', bbox_inches='tight')
../_images/SJO-pasajeros_23_0.png

Estudiando la autocorrelación#

def correlogramas4(serie, residencia, func):
    fig, axs= plt.subplots(2,2, figsize=[15,4], sharex=True, sharey=True)
    opts = dict(lags=24)
    if func is plot_pacf:
        opts['method'] = 'ols'
    
    func(serie, **opts,ax=axs[0,0], title='$y_t$');
    func(serie.diff(1).dropna(), **opts, ax=axs[0,1],title='$\Delta y_t$');
    func(serie.diff(12).dropna(), **opts, ax=axs[1,0],title='$\Delta_{12}y_t$');
    func(serie.diff(1).diff(12).dropna(), **opts, ax=axs[1,1],title='$\Delta\Delta_{12}y_t$');
    
    for ax in axs.flat:
        ax.set(xlim=[-0.5,24.5], xticks=np.arange(0,25,6))
    
    pp = 'parcial' if (func is plot_pacf) else ''
    fig.suptitle(f'Correlogramas {pp} de cantidad de pasajeros {residencia} en SJO', size=18)
    return fig

nacionales = pd.DataFrame(np.log(sjodatos['nacionales'].values), index=pd.period_range('2011-01', '2019-12', freq='M'))
correlogramas4(nacionales, 'nacionales', plot_acf);
../_images/SJO-pasajeros_26_0.png 
correlogramas4(nacionales, 'nacionales', plot_pacf);
../_images/SJO-pasajeros_27_0.png 
extranjeros = pd.DataFrame(np.log(sjodatos['extranjeros'].values), index=pd.period_range('2011-01', '2019-12', freq='M'))
fig = correlogramas4(extranjeros, 'extranjeros', plot_acf);
fig.savefig(figpath+'sjo-ACF-extranjeros.pdf', bbox_inches='tight')
../_images/SJO-pasajeros_28_0.png 
correlogramas4(extranjeros, 'extranjeros', plot_pacf);
../_images/SJO-pasajeros_29_0.png

Estimación de un modelo SARIMA#

Selección de orden usando X13#

Pasajeros nacionales#

resultado = x13_arima_select_order(nacionales, x12path=x13path, log=False)
print(f"Modelo escogido: SARIMA{resultado['order']}X{resultado['sorder']}")

Modelo escogido: SARIMA(0, 1, 2)X(0, 1, 1)

Pasajeros extranjeros#

resultado = x13_arima_select_order(extranjeros, x12path=x13path, log=False)
print(f"Modelo escogido: SARIMA{resultado['order']}X{resultado['sorder']}")

Modelo escogido: SARIMA(0, 1, 1)X(0, 1, 1)

Estimación del modelo#

Pasajeros nacionales#

mod_nacionales = SARIMAX(nacionales, order=(0,1,2), seasonal_order=(0,1,1,12)).fit()
mod_nacionales.summary()
SARIMAX Results
Dep. Variable: 0 No. Observations: 108
Model: SARIMAX(0, 1, 2)x(0, 1, [1], 12) Log Likelihood 110.232
Date: Sat, 23 Apr 2022 AIC -212.464
Time: 16:50:44 BIC -202.249
Sample: 01-31-2011 HQIC -208.336
- 12-31-2019
Covariance Type: opg
coef std err z P>|z| [0.025 0.975]
ma.L1 -1.0127 0.102 -9.967 0.000 -1.212 -0.814
ma.L2 0.3374 0.099 3.408 0.001 0.143 0.531
ma.S.L12 -0.9026 0.332 -2.716 0.007 -1.554 -0.251
sigma2 0.0047 0.001 3.436 0.001 0.002 0.007
Ljung-Box (L1) (Q): 0.07 Jarque-Bera (JB): 3.29
Prob(Q): 0.79 Prob(JB): 0.19
Heteroskedasticity (H): 1.32 Skew: -0.17
Prob(H) (two-sided): 0.43 Kurtosis: 3.84


Warnings:
[1] Covariance matrix calculated using the outer product of gradients (complex-step).

Pasajeros extranjeros#

mod_extranjeros = SARIMAX(extranjeros, order=(0,1,1), seasonal_order=(0,1,1,12)).fit()

with open(figpath+'SJO-extranjeros-SARIMA.tex','w') as archivo:
    archivo.write(mod_extranjeros.summary().as_latex())
    
mod_extranjeros.summary()
SARIMAX Results
Dep. Variable: 0 No. Observations: 108
Model: SARIMAX(0, 1, 1)x(0, 1, 1, 12) Log Likelihood 194.101
Date: Sat, 23 Apr 2022 AIC -382.202
Time: 16:50:44 BIC -374.540
Sample: 01-31-2011 HQIC -379.106
- 12-31-2019
Covariance Type: opg
coef std err z P>|z| [0.025 0.975]
ma.L1 -0.6110 0.087 -7.031 0.000 -0.781 -0.441
ma.S.L12 -0.7649 0.117 -6.524 0.000 -0.995 -0.535
sigma2 0.0009 0.000 6.347 0.000 0.001 0.001
Ljung-Box (L1) (Q): 0.05 Jarque-Bera (JB): 0.23
Prob(Q): 0.83 Prob(JB): 0.89
Heteroskedasticity (H): 1.56 Skew: 0.09
Prob(H) (two-sided): 0.21 Kurtosis: 3.16


Warnings:
[1] Covariance matrix calculated using the outer product of gradients (complex-step).

Pronósticos#

def plot_forecast(modelo, serie, residencia, ax):
    fcast = modelo.get_forecast('2020-12')
    ci = np.exp(fcast.conf_int())
    np.exp(fcast.predicted_mean).plot(ax=ax)
    ax.fill_between(ci.index,'lower y', 'upper y', data=ci, alpha=0.5)    
    np.exp(serie).plot(ax=ax, legend=False)
    ax.set(title=f'Pronóstico de pasajeros {residencia} en aeropuerto SJO')
    return ax

fig, ax = plt.subplots(1,1, figsize=[8,3])
plot_forecast(mod_extranjeros, extranjeros['2015':], 'extranjeros', ax)
ax.set(ylabel='miles de pasajeros')
fig.savefig(figpath+'SJO-sarima-extranjeros-forecast.pdf', bbox_inches='tight')
../_images/SJO-pasajeros_43_0.png 
def cuadro(residencia):
    temp = sjodatoscuadro[residencia]
    temp.columns = mesescorto
    temp.index.name = ''
    temp.columns.name= ''
    temp.round(0).astype(int).reset_index().to_latex(figpath + f'cuadro-SJO-{residencia}.tex', index=False)
    return temp

ilustrado = cuadro('extranjeros').round(1).astype(str).iloc[5:,4:8]

v2019 = ilustrado.iloc[-1].values.copy()
rezagos = ['-36', '-24', '-12',r'\phantom{-00}']

ilustrado['May'] = ['']*4
ilustrado['Jun'] = ['']*4
ilustrado['Ago'] = [f'$y_{{t{lag}}}={v}$' for lag, v in zip(rezagos, ilustrado['Ago'])]
ilustrado['Jul'] = [f'$y_{{t{lag}-1}}$' for lag in rezagos]
ilustrado.iloc[-1,:3] = [f'$y_{{t{lag}}}={v}$' for lag, v in zip(['-3','-2','-1'], v2019[:-1])]
ilustrado.reset_index().to_latex(figpath + 'cuadro-SJO-ilustrado.tex',escape=False, index=False)
ilustrado
May Jun Jul Ago
2016 $y_{t-36-1}$ $y_{t-36}=138.7$
2017 $y_{t-24-1}$ $y_{t-24}=142.8$
2018 $y_{t-12-1}$ $y_{t-12}=156.0$
2019 $y_{t-3}=128.2$ $y_{t-2}=137.0$ $y_{t-1}=151.4$ $y_{t\phantom{-00}}=156.4$

Descomposición de una serie usando X13#

def X13ARIMA(serie, show=False):
    
    res = x13_arima_analysis(serie, x12path=x13path, log=False)
    if show:
        print(res.results)
    temp = pd.concat([res.__getattribute__(componente) for componente in ['observed','seasadj','trend','irregular']], axis=1)
    temp.columns = ['Serie original','Serie ajustada por estacionalidad','Serie tendencia ciclo','Componente irregular']
    return temp

componentes = X13ARIMA(extranjeros, False)

componentes
Serie original Serie ajustada por estacionalidad Serie tendencia ciclo Componente irregular
2011-01 4.756276 4.509644 4.508827 0.000818
2011-02 4.657383 4.506701 4.511938 -0.005237
2011-03 4.859316 4.516875 4.514741 0.002133
2011-04 4.635680 4.511089 4.517518 -0.006429
2011-05 4.415377 4.530892 4.519544 0.011348
... ... ... ... ...
2019-08 5.052423 4.948874 4.958813 -0.009940
2019-09 4.617207 4.967796 4.968416 -0.000620
2019-10 4.625345 5.022682 4.980319 0.042363
2019-11 4.805086 4.972898 4.992189 -0.019291
2019-12 5.032521 5.022632 5.002369 0.020262

108 rows × 4 columns

fig = plt.figure(figsize=[12,6])
gs = plt.GridSpec(3,1,figure=fig, height_ratios=[4,1,1])
ax0 = fig.add_subplot(gs[0])
np.exp(componentes.iloc[:,:3]).plot(ax=ax0)

ax1 = fig.add_subplot(gs[1],sharex=ax0)
sfact = componentes['Serie original'] - componentes['Serie ajustada por estacionalidad']
np.exp(sfact).plot(ax=ax1)


ax2 = fig.add_subplot(gs[2],sharex=ax0, sharey=ax1)
np.exp(componentes['Componente irregular']).plot(ax=ax2)

ax0.set(title='Series original, ajustada por estacionalidad, y tendencia-ciclo')
ax1.set(title='Factor estacional')
ax2.set(title='Componente irregular')
fig.suptitle('Descomposición multiplicativa de la serie de pasajeros extranjeros en SJO, X13as', size=18)

fig.savefig(figpath+'SJO-extranjeros-descomposición.pdf', bbox_inches='tight')
../_images/SJO-pasajeros_50_0.png

Graficando los factores#

factores2019 = np.exp(sfact['2019':'2019'])
etiq = [f'{ff:.2f}' for ff in factores2019]
fig, ax = plt.subplots(figsize=[9,3])

ax.bar(mesescorto, factores2019-1)
ax.set(yticks=np.array([0.6,0.8,1.0,1.2,1.4])-1, 
       yticklabels = ['0.6','0.8','1.0','1.2','1.4'], 
       ylim=[-0.45,0.45])

ax.grid(False)
ax.axhline(0, color='red')

for mes, ff, tx in zip(range(12), factores2019.values, etiq):
    offs = -1.025 if ff<1 else -0.975
    ax.annotate(tx, (mes,ff+offs),ha='center', va='center')

ax.set(title='Factores estacionales de 2019')
fig.savefig(figpath+'SJO-extranjeros-seasonal-factor.pdf', bbox_inches='tight')
../_images/SJO-pasajeros_52_0.png 
factores2019

2019-01    1.259537
2019-02    1.180528
2019-03    1.402092
2019-04    1.142952
2019-05    0.909268
2019-06    0.959711
2019-07    1.069695
2019-08    1.109101
2019-09    0.704274
2019-10    0.672108
2019-11    0.845513
2019-12    1.009938
Freq: M, dtype: float64

Comparando la tasa de crecimiento obtenida a partir de series ajustadas#

fig, axs = plt.subplots(3,1,figsize=[12,6], sharex=True)

(100 * componentes[['Serie original','Serie tendencia ciclo']].diff(12)).plot(ax=axs[0])

(100 * componentes[['Serie original','Serie tendencia ciclo']].diff()).plot(ax=axs[1])

(100*((componentes[['Serie tendencia ciclo']].diff())*12)).plot(ax=axs[2])
(100 * componentes[['Serie tendencia ciclo']].diff(12)).plot(ax=axs[2])


axs[0].set(title='Tasa de crecimiento interanual')
axs[1].set(title='Tasa de crecimiento mensual')
axs[2].set(title='Tasa de crecimiento de la serie tendencia-ciclo')
axs[2].legend(['Mensual, anualizada', 'Interanual'])

for ax in axs:
    ax.grid(False)
    
fig.savefig(figpath+'SJO-extranjeros-tasa-crecimiento.pdf', bbox_inches='tight')
../_images/SJO-pasajeros_55_0.png