Ajuste de splines con R

El ajuste por polinomios, el ajuste por spline, es una técnica imprescindible dentro de análisis actuarial. Como siempre la parte matemática y la parte debida al puro azar pueden arrojar discrepancias. ¿Dónde son mayores estas discrepancias cuando usamos métodos estadísticos clásicos? Donde siempre, donde tenemos pocos datos, el comportamiento errático que tiene una tendencia y que habitualmente achacamos a la falta de información los actuarios gustan de corregirlo con ajuste por cúbicas, aunque es mejor emplear ajuste por polinomios ya que no tienen que ser necesariamente polinomios de grado 3. En mi caso particular tengo un Excel que no puedo poner a vuestra disposición porque no lo hice yo, creo que lo hizo alguna divinidad egipcia y desde entonces circula por el mundo la función cubic_spline. Hoy quiero aprovechar el blog no solo para sugeriros como realizar splines con R, además quería pedir ayuda para crear una herramienta en shiny que permita realizar este ajuste que voy a mostraros a continuación.

Disponemos de una serie de datos, probablemente una serie de parámetros de un modelo, que tiene tendencia. Deseamos ajustar un polinomio que recoja esa tendencia y que evite por interpolación los comportamientos erráticos que tienen algunos puntos de la serie. El código de R es

:

puntos <- c(2.1017	, 1.4464,1.4951,1.4068,1.3682,1.2061,1.1787,1.1191,1.0766,
1.0274,1.0077,0.9911,0.9525,0.8762,0.9327,0.8982,0.8896,0.8905,0.9036,
0.8791,0.8807,0.9061,0.8941,0.9064,0.9022,0.8821,0.8806,0.9252,0.9311,
0.9012,0.9457,0.9095,0.9389,0.9047,0.8975,0.9431,0.9236,0.9143,0.9294,
0.8885,0.9417,0.9189,0.9510,0.8897,0.8780,0.8484,0.8823,1.0000)

pesos <- c(0.01,0.01,0.01,1,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,
0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,
0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,
0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01)

par(mfrow = c(1, 1))
plot(puntos)
suavizado.datos <- smooth.spline(puntos,w=pesos,spar=0.45)
lines(suavizado.datos$y,col="red")

#Es importante ver la tendendia de los residuos
plot(rep(0,nrow(datos)),col="red",type="l")
lines(residuals(suavizado.datos),col="blue")

Simplificando mucho tenemos la serie de puntos y mediante la función smooth.spline podemos ajustar una spline en base a unos pesos y en base a un smothing parameter (spar). Por este motivo quiero usar R en vez de mi viejo Excel, quiero ponderar el ajuste y jugar con el parámetro de suavizado que habitualmente toma valores entre 0 y 1. En este ejemplo también se genera un gráfico de residuos que nos permite ver que error cometemos con el ajuste. Los pesos me interesan porque hago «análisis caseros» de este tipo:

#En cierto modo obligamos que pase por detemirnados puntos
plot(datos)
pesos[1]=2
pesos[15]=1
pesos[48]
suavizado.datos <- smooth.spline(datosy,w=pesos,spar=0.75)
lines(suavizado.datosy,col="red")

plot(rep(0,nrow(datos)),col="red",type="l")
lines(residuals(suavizado.datos),col="blue")

Se puede observar que la curva se ha modificado ligeramente. El análisis no tiene mucho rigor estadístico, pero se trata de ajustar la curva a un criterio comercial. Y esto es lo que creo que sería interesante montar en una aplicación shiny que quiero montar y si alguien que lee esto quier ayudarme a crear ya sabe donde estoy. La app de shiny nos pediría los datos a suavizar y pintaría un gráfico. También considero importante poner los pesos para «forzar en cierto modo» que la curva pase por los puntos que a mi me interese y por último poder seleccionar el parámetro de suavizado, esas son las palancas que tendría que mover para poder crear la spline y por último sería necesario obtener los parámetros resultantes. A ver si puedo montarlo y subirlo para poder realizar este tipo de ajustes sin necesidad de mi viejo Excel.