The hardware and bandwidth for this mirror is donated by dogado GmbH, the Webhosting and Full Service-Cloud Provider. Check out our Wordpress Tutorial.
If you wish to report a bug, or if you are interested in having us mirror your free-software or open-source project, please feel free to contact us at mirror[@]dogado.de.
Un paquete de interfase a la API del Portal de Datos del Ministerio de Hacienda
Para instalar el paquete desde CRAN con:
install.packages("PortalHacienda")Instalar versión de desarrollo:
# install.packages("devtools")
devtools::install_github("fmgarciadiaz/PortalHacienda-CRAN")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 0.1.7 - 06-2023 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% | |==== | 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% | |================= | 25% | |================== | 25% | |================== | 26% | |=================== | 27% | |=================== | 28% | |==================== | 28% | |==================== | 29% | |===================== | 29% | |===================== | 30% | |===================== | 31% | |====================== | 31% | |====================== | 32% | |======================= | 32% | |======================= | 33% | |======================== | 34% | |======================== | 35% | |========================= | 35% | |========================= | 36% | |========================== | 36% | |========================== | 37% | |========================== | 38% | |=========================== | 38% | |=========================== | 39% | |============================ | 39% | |============================ | 40% | |============================ | 41% | |============================= | 41% | |============================= | 42% | |============================== | 42% | |============================== | 43% | |=============================== | 44% | |=============================== | 45% | |================================ | 45% | |================================ | 46% | |================================= | 46% | |================================= | 47% | |================================= | 48% | |================================== | 48% | |================================== | 49% | |=================================== | 49% | |=================================== | 50% | |=================================== | 51% | |==================================== | 51% | |====================================== | 55% | |======================================= | 55% | |======================================= | 56% | |======================================== | 57% | |======================================== | 58% | |========================================= | 58% | |========================================= | 59% | |========================================== | 59% | |========================================== | 60% | |========================================== | 61% | |=========================================== | 61% | |=========================================== | 62% | |============================================ | 62% | |============================================ | 63% | |============================================= | 64% | |============================================= | 65% | |============================================== | 65% | |============================================== | 66% | |=============================================== | 67% | |=============================================== | 68% | |================================================ | 68% | |================================================ | 69% | |================================================= | 69% | |================================================= | 70% | |================================================= | 71% | |================================================== | 71% | |================================================== | 72% | |=================================================== | 72% | |=================================================== | 73% | |==================================================== | 74% | |==================================================== | 75% | |===================================================== | 75% | |===================================================== | 76% | |====================================================== | 77% | |====================================================== | 78% | |======================================================= | 78% | |======================================================= | 79% | |======================================================== | 79% | |======================================================== | 80% | |======================================================== | 81% | |========================================================= | 81% | |========================================================= | 82% | |========================================================== | 82% | |========================================================== | 83% | |========================================================== | 84% | |=========================================================== | 84% | |=========================================================== | 85% | |============================================================ | 85% | |============================================================ | 86% | |============================================================= | 87% | |============================================================= | 88% | |============================================================== | 88% | |============================================================== | 89% | |=============================================================== | 89% | |=============================================================== | 90% | |=============================================================== | 91% | |================================================================ | 91% | |================================================================ | 92% | |================================================================= | 92% | |================================================================= | 93% | |================================================================== | 94% | |================================================================== | 95% | |=================================================================== | 95% | |=================================================================== | 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 279 data points, from 2000-01-01 to 2023-03-01. Periodicity: monthly
#> Registered S3 method overwritten by 'quantmod':
#> method from
#> as.zoo.data.frame zoo
#> Warning in .check_tzones(e1, e2): 'tzone' attributes are inconsistent
#> 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 228 data points, from 2004-01-01 to 2022-10-01. 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 70 data points, from 1986-01-01 to 2020-01-01. Periodicity: yearly
#> Warning in .check_tzones(e1, e2): 'tzone' attributes are inconsistent
#> Time-series extended 12 data points, using auto-detected modelsLas 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
These binaries (installable software) and packages are in development.
They may not be fully stable and should be used with caution. We make no claims about them.
Health stats visible at Monitor.