En este capítulo se ha presentado la familia de modelos ARIMA como uno de los principales enfoques para pronosticar datos de series de tiempo. Los modelos ARIMA son flexibles y modulares, ya que pueden ser utilizados tanto para datos estacionales como no estacionales mediante la adición o modificación de los componentes del modelo. Se han explicado las aplicaciones de los gráficos ACF y PACF para identificar el tipo de proceso y su orden. Aunque es importante conocer el proceso de ajuste de los modelos ARIMA, cuando se tiene que pronosticar un gran número de series, es útil automatizar este proceso utilizando la función auto.arima en R. Por último, se ha explorado el uso de la regresión lineal con el modelo de errores ARIMA para recuperar información perdida en los residuos del modelo.

En este código se lleva a cabo una predicción con base a los estudiantes de varios países teniendo en cuenta variables tales como: Genero, lugar de nacimiento, materia de estudio, encuestas hechas a los padres, entre otras. Gracias a este código pudimos observan tendencias a las que llegan algunos estudiantes y correlación entre las variables ya mencionadas.