Un paquete de interfase a la API del Portal de Datos del Ministerio de Hacienda
Para instalar el paquete desde CRAN con:
Instalar versión de desarrollo:
Nota: Debe instalarse previamente el paquete devtools
para permitir la descarga desde github
.
Búsqueda de series en la base de meta-datos online con Search_online
.
# Cargar el paquete
library(PortalHacienda)
#> =============================================================================
#> Acceso API Portal Datos Hacienda - v 0.1.6 - 08-2020 por F.García Díaz
# Buscar series relacionadas con el tipo de cambio
Series_TCN <- Search_online("tipo de cambio")
#> Downloading time-series database...
#> | | | 0% | | | 1% | |= | 1% | |= | 2% | |== | 2% | |== | 3% | |== | 4% | |=== | 4% | |=== | 5% | |==== | 5% | |==== | 6% | |===== | 6% | |===== | 7% | |===== | 8% | |====== | 8% | |====== | 9% | |======= | 9% | |======= | 10% | |======= | 11% | |======== | 11% | |======== | 12% | |========= | 12% | |========= | 13% | |========= | 14% | |========== | 14% | |========== | 15% | |=========== | 15% | |=========== | 16% | |============ | 16% | |============ | 17% | |============ | 18% | |============= | 18% | |============= | 19% | |============== | 19% | |============== | 20% | |============== | 21% | |=============== | 21% | |=============== | 22% | |================ | 22% | |================ | 23% | |================ | 24% | |================= | 24% | |================= | 25% | |================== | 25% | |================== | 26% | |=================== | 26% | |=================== | 27% | |=================== | 28% | |==================== | 28% | |==================== | 29% | |===================== | 29% | |===================== | 30% | |===================== | 31% | |====================== | 31% | |====================== | 32% | |======================= | 32% | |======================= | 33% | |======================= | 34% | |======================== | 34% | |======================== | 35% | |========================= | 35% | |========================= | 36% | |========================== | 36% | |========================== | 37% | |========================== | 38% | |=========================== | 38% | |=========================== | 39% | |============================ | 39% | |============================ | 40% | |============================ | 41% | |============================= | 41% | |============================= | 42% | |============================== | 42% | |============================== | 43% | |============================== | 44% | |=============================== | 44% | |=============================== | 45% | |================================ | 45% | |================================ | 46% | |================================= | 46% | |================================= | 47% | |================================= | 48% | |================================== | 48% | |================================== | 49% | |=================================== | 49% | |=================================== | 50% | |=================================== | 51% | |==================================== | 51% | |==================================== | 52% | |===================================== | 52% | |===================================== | 53% | |===================================== | 54% | |====================================== | 54% | |====================================== | 55% | |======================================= | 55% | |======================================= | 56% | |======================================== | 56% | |======================================== | 57% | |======================================== | 58% | |========================================= | 58% | |========================================= | 59% | |========================================== | 59% | |========================================== | 60% | |========================================== | 61% | |=========================================== | 61% | |=========================================== | 62% | |============================================ | 62% | |============================================ | 63% | |============================================ | 64% | |============================================= | 64% | |============================================= | 65% | |============================================== | 65% | |============================================== | 66% | |=============================================== | 66% | |=============================================== | 67% | |=============================================== | 68% | |================================================ | 68% | |================================================ | 69% | |================================================= | 69% | |================================================= | 70% | |================================================= | 71% | |================================================== | 71% | |================================================== | 72% | |=================================================== | 72% | |=================================================== | 73% | |=================================================== | 74% | |==================================================== | 74% | |==================================================== | 75% | |===================================================== | 75% | |===================================================== | 76% | |====================================================== | 76% | |====================================================== | 77% | |====================================================== | 78% | |======================================================= | 78% | |======================================================= | 79% | |======================================================== | 79% | |======================================================== | 80% | |======================================================== | 81% | |========================================================= | 81% | |========================================================= | 82% | |========================================================== | 82% | |========================================================== | 83% | |========================================================== | 84% | |=========================================================== | 84% | |=========================================================== | 85% | |============================================================ | 85% | |============================================================ | 86% | |============================================================= | 86% | |============================================================= | 87% | |============================================================= | 88% | |============================================================== | 88% | |============================================================== | 89% | |=============================================================== | 89% | |=============================================================== | 90% | |=============================================================== | 91% | |================================================================ | 91% | |================================================================ | 92% | |================================================================= | 92% | |================================================================= | 93% | |================================================================= | 94% | |================================================================== | 94% | |================================================================== | 95% | |=================================================================== | 95% | |=================================================================== | 96% | |==================================================================== | 96% | |==================================================================== | 97% | |==================================================================== | 98% | |===================================================================== | 98% | |===================================================================== | 99% | |======================================================================| 99% | |======================================================================| 100%
# Borrar la columna de links que devuelve la búsqueda y un par más
Series_TCN$distribucion_url_descarga <- NULL
Series_TCN$dataset_id <- NULL
Series_TCN$dataset_descripcion <- NULL
# mostrar prieras tres líneas de la tabla
kableExtra::kable_styling(knitr::kable(head(Series_TCN,3) ,"html"),
font_size = 6,
bootstrap_options = c("striped", "hover", "condensed", "responsive"),fixed_thead = T)
catalogo_id |
distribucion_id |
serie_id |
indice_tiempo_frecuencia |
serie_titulo |
serie_unidades |
serie_descripcion |
distribucion_titulo |
distribucion_descripcion |
dataset_responsable |
dataset_fuente |
dataset_titulo |
dataset_tema |
serie_indice_inicio |
serie_indice_final |
serie_valores_cant |
serie_dias_no_cubiertos |
serie_actualizada |
serie_valor_ultimo |
serie_valor_anterior |
serie_var_pct_anterior |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
siep |
1.1 |
tcrse_2weZeH |
R/P1M |
tcrse_alimentos |
Índice - Base Noviembre 2015=100 |
Índice de Tipo de Cambio Real Sectorial Efectivo. Producción y procesamiento de alimentos |
Índice de Tipo de Cambio Real Sectorial Efectivo (series) |
Índice de Tipo de Cambio Real Sectorial Efectivo en formato de series de tiempo |
Ministerio de Producción. Secretaría de Transformación Productiva. Subsecretaría de Desarrollo y Planeamiento Productivo. |
Ministerio de Producción. Secretaría de la Transformación Productiva. Subsecretaría de Desarrollo y Planeamiento Productivo. |
Índice de Tipo de Cambio Real Sectorial Efectivo |
Sector Externo |
2014-01-01 |
2018-07-01 |
55 |
51 |
TRUE |
156.4 |
155.6 |
0.0051414 |
siep |
1.1 |
tcrse_49xDd3 |
R/P1M |
tcrse_impresion |
Índice - Base Noviembre 2015=100 |
Índice de Tipo de Cambio Real Sectorial Efectivo. Actividades de impresión |
Índice de Tipo de Cambio Real Sectorial Efectivo (series) |
Índice de Tipo de Cambio Real Sectorial Efectivo en formato de series de tiempo |
Ministerio de Producción. Secretaría de Transformación Productiva. Subsecretaría de Desarrollo y Planeamiento Productivo. |
Ministerio de Producción. Secretaría de la Transformación Productiva. Subsecretaría de Desarrollo y Planeamiento Productivo. |
Índice de Tipo de Cambio Real Sectorial Efectivo |
Sector Externo |
2014-01-01 |
2018-07-01 |
55 |
51 |
TRUE |
155.9 |
155.7 |
0.0012845 |
siep |
1.1 |
tcrse_4sgTaJ |
R/P1M |
tcrse_cuero |
Índice - Base Noviembre 2015=100 |
Índice de Tipo de Cambio Real Sectorial Efectivo. Productos del cuero |
Índice de Tipo de Cambio Real Sectorial Efectivo (series) |
Índice de Tipo de Cambio Real Sectorial Efectivo en formato de series de tiempo |
Ministerio de Producción. Secretaría de Transformación Productiva. Subsecretaría de Desarrollo y Planeamiento Productivo. |
Ministerio de Producción. Secretaría de la Transformación Productiva. Subsecretaría de Desarrollo y Planeamiento Productivo. |
Índice de Tipo de Cambio Real Sectorial Efectivo |
Sector Externo |
2014-01-01 |
2018-07-01 |
55 |
51 |
TRUE |
151.7 |
151.0 |
0.0046358 |
Bajar serie de tipo de cambio con Get
y extender 12 períodos con Forecast
(usa modelo auto-detectado del paquete forecast y extiende según la frecuencia detectada, días, meses o años). Luego hacer un plot sencillo.
TCN <- Forecast(Get("174.1_T_DE_CATES_0_0_32" , start_date = 2000), 12)
#> Downloading data series...
#> Loaded 248 data points, from 2000-01-01 to 2020-08-01. Periodicity: monthly
#> Registered S3 method overwritten by 'quantmod':
#> method from
#> as.zoo.data.frame zoo
#> Time-series extended 12 data points, using auto-detected model: ARIMA(0,2,3)(0,0,1)[12]
# Mostrar resultado
plot(TCN , main = "Tipo de Cambio Nominal ($/USD)")
También se pueden obtener varias series al mismo tiempo, separando con comas…
plot(Get("6.2_AGCS_2004_T_39,6.2_IM_2004_T_23,6.2_C_2004_T_12") , legend.loc = "topleft" , main = "VAB sectorial ($ de 2004)")
#> Downloading data series...
#> Loaded 198 data points, from 2004-01-01 to 2020-04-01. Periodicity: quarterly
En caso de cargar varias series y desear proyecciones automáticas, utilizar la variante vectorial de Forecast
, que es vForecast
:
TCN <- vForecast(Get("120.1_PCE_1993_0_24,120.1_ED1_1993_0_26"),12)
#> Downloading data series...
#> Loaded 64 data points, from 1986-01-01 to 2017-01-01. Periodicity: yearly
#> Time-series extended 12 data points, using auto-detected models
Las series se cargan en formato XTS, con la periodicidad auto-detectada por el paquete xts
. La periocidiad es usada por la función Forecast
para correcta detección de estacionalidad y lags. Forecast
agrega demás intervalos de confianza del 95%.
Fernando García Díaz. (2020, June 14). fmgarciadiaz/PortalHacienda-CRAN. https://doi.org/10.5281/zenodo.3893947