PRESENTADO POR:

INTEGRANTES	CARNET
LOPEZ RIVAS, ROXANA BEATRIZ	LR12002
CORTEZ CARRILLO, KARLA XIOMARA	CC19020
LEON REYES, CESIA YASMIN	LR21033
ZOMETA MORAN, KIMBERLY YAMILETH	ZM21018

Base de datos

library(readxl)
datos_PIB_trim_CA <- read_excel("C:/Users/cc190/OneDrive/Escritorio/Metodos/datos_PIB_trim_CA.xlsx")
print(datos_PIB_trim_CA)

## # A tibble: 139 × 8
##    Fechas   `Costa Rica`              `El Salvador` Guatemala Honduras Nicaragua
##    <chr>    <chr>                     <chr>         <chr>     <chr>    <chr>    
##  1 <NA>     PIB trimestral en consta… PIB trimestr… PIB trim… PIB tri… PIB trim…
##  2 1990-I   --                        48.97         --        --       --       
##  3 1990-II  --                        56.32         --        --       --       
##  4 1990-III --                        56.41         --        --       --       
##  5 1990-IV  --                        59.88         --        --       --       
##  6 1991-I   2730297.53                50.54         --        --       --       
##  7 1991-II  2585732.5299999998        58.01         --        --       --       
##  8 1991-III 2614916.7799999998        56.98         --        --       --       
##  9 1991-IV  2873789.53                59.37         --        --       --       
## 10 1992-I   2966524.89                53.82         --        --       --       
## # ℹ 129 more rows
## # ℹ 2 more variables: `República Dominicana` <chr>, Panamá <chr>

PIB trimestral para Costa Rica

library(mFilter)
library(forecast)

datos_PIB_trim_CA$`Costa Rica` <- as.numeric(datos_PIB_trim_CA$`Costa Rica`)

# Crea la serie temporal
CR <- ts(datos_PIB_trim_CA$`Costa Rica`, start = c(1991, 1), frequency = 4)

CR <- CR[is.finite(CR)]

# Aplica el filtro de Hodrick-Prescott
hp_CR_result <- hpfilter(CR, freq = 1600)

# Extrae la tendencia y el componente cíclico
trend <- hp_CR_result$trend
cycle <- hp_CR_result$cycle

# Visualiza los resultados
plot(CR, type = "l", main = "Filtro de Hodrick-Prescott", ylab = "PIB", xlab = "Tiempo")
lines(trend, col = "red", lwd = 2)
legend("topleft", legend = c("Costa Rica", "Tendencia (Filtro HP)"), col = c("black", "red"), lty = 1, lwd = 2)

plot(cycle, type = "l", main = "Componente Ciclico Costa Rica (1991.I - 2024.II)", ylab = "Ciclo", xlab = "Tiempo")

Implementación Rapida

plot(hp_CR_result , ask = FALSE)

PIB trimestral para El Salvador

library(mFilter)
library(forecast)

datos_PIB_trim_CA$`El Salvador` <- as.numeric(datos_PIB_trim_CA$`El Salvador`)

# Crea la serie temporal
El_Salvador <- ts(datos_PIB_trim_CA$`El Salvador`, start = c(1990, 1), frequency = 4)

El_Salvador <- El_Salvador[is.finite(El_Salvador)]

# Aplica el filtro de Hodrick-Prescott
hp_ES_result <- hpfilter(El_Salvador, freq = 1600)

# Extrae la tendencia y el componente cíclico
trend <- hp_ES_result$trend
cycle <- hp_ES_result$cycle

# Visualiza los resultados
plot(El_Salvador, type = "l", main = "Filtro de Hodrick-Prescott", ylab = "PIB", xlab = "Tiempo")
lines(trend, col = "red", lwd = 2)
legend("topleft", legend = c("El Salvador", "Tendencia (Filtro HP)"), col = c("black", "red"), lty = 1, lwd = 2)

plot(cycle, type = "l", main = "Componente Ciclico El Salvador (1991.I - 2024.II)", ylab = "Ciclo", xlab = "Tiempo")

Implementación rapida

plot(hp_ES_result , ask = FALSE)

PIB trimestral para Guatemala

library(mFilter)
library(forecast)

datos_PIB_trim_CA$Guatemala <- as.numeric(datos_PIB_trim_CA$Guatemala)

# Crea la serie temporal
Guatemala <- ts(datos_PIB_trim_CA$Guatemala, start = c(2001, 1), frequency = 4)

Guatemala <- Guatemala[is.finite(Guatemala)]

# Aplica el filtro de Hodrick-Prescott
hp_G_result <- hpfilter(Guatemala, freq = 1600)

# Extrae la tendencia y el componente cíclico
trend <- hp_G_result$trend
cycle <- hp_G_result$cycle

# Visualiza los resultados
plot(Guatemala, type = "l", main = "Filtro de Hodrick-Prescott", ylab = "PIB", xlab = "Tiempo")
lines(trend, col = "red", lwd = 2)
legend("topleft", legend = c("Guatemala", "Tendencia (Filtro HP)"), col = c("black", "red"), lty = 1, lwd = 2)

plot(cycle, type = "l", main = "Componente Ciclico Guatemala (2001.I - 2024.II)", ylab = "Ciclo", xlab = "Tiempo")

Representación rapida

plot(hp_G_result, ask = FALSE)

PIB trimestral para Honduras

library(mFilter)
library(forecast)

datos_PIB_trim_CA$Honduras <- as.numeric(datos_PIB_trim_CA$Honduras)

# Crea la serie temporal
Honduras <- ts(datos_PIB_trim_CA$Honduras, start = c(2000, 1), frequency = 4)

Honduras <- Honduras[is.finite(Honduras)]

# Aplica el filtro de Hodrick-Prescott
hp_H_result <- hpfilter(Honduras, freq = 1600)

# Extrae la tendencia y el componente cíclico
trend <- hp_H_result$trend
cycle <- hp_H_result$cycle

# Visualiza los resultados
plot(Honduras, type = "l", main = "Filtro de Hodrick-Prescott", ylab = "PIB", xlab = "Tiempo")
lines(trend, col = "red", lwd = 2)
legend("topleft", legend = c("Honduras", "Tendencia (Filtro HP)"), col = c("black", "red"), lty = 1, lwd = 2)

plot(cycle, type = "l", main = "Componente Ciclico Honduras (2000.I - 2024.II)", ylab = "Ciclo", xlab = "Tiempo")

Representación Rapida

plot(hp_H_result, ask = FALSE)

PIB trimestral para Nicaragua

library(mFilter)
library(forecast)

datos_PIB_trim_CA$Nicaragua <- as.numeric(datos_PIB_trim_CA$Nicaragua)

# Crea la serie temporal
Nicaragua <- ts(datos_PIB_trim_CA$Nicaragua, start = c(2006, 1), frequency = 4)

Nicaragua <- Nicaragua[is.finite(Nicaragua)]

# Aplica el filtro de Hodrick-Prescott
hp_N_result <- hpfilter(Nicaragua, freq = 1600)

# Extrae la tendencia y el componente cíclico
trend <- hp_N_result$trend
cycle <- hp_N_result$cycle

# Visualiza los resultados
plot(Nicaragua, type = "l", main = "Filtro de Hodrick-Prescott", ylab = "PIB", xlab = "Tiempo")
lines(trend, col = "red", lwd = 2)
legend("topleft", legend = c("Nicaragua", "Tendencia (Filtro HP)"), col = c("black", "red"), lty = 1, lwd = 2)

plot(cycle, type = "l", main = "Componente Ciclico Nicaragua (2006.I - 2024.II)", ylab = "Ciclo", xlab = "Tiempo")

Representación Rapida

plot(hp_N_result, ask = FALSE)

PIB trimestral para Republica Dominicana

library(mFilter)
library(forecast)

datos_PIB_trim_CA$`República Dominicana` <- as.numeric(datos_PIB_trim_CA$`República Dominicana`)

# Crea la serie temporal
Republica_Dominicana <- ts(datos_PIB_trim_CA$`República Dominicana`, start = c(1991, 1), frequency = 4)

Republica_Dominicana <- Republica_Dominicana[is.finite(Republica_Dominicana)]

# Aplica el filtro de Hodrick-Prescott
hp_RD_result <- hpfilter(Republica_Dominicana, freq = 1600)

# Extrae la tendencia y el componente cíclico
trend <- hp_RD_result$trend
cycle <- hp_RD_result$cycle

# Visualiza los resultados
plot(Republica_Dominicana, type = "l", main = "Filtro de Hodrick-Prescott", ylab = "PIB", xlab = "Tiempo")
lines(trend, col = "red", lwd = 2)
legend("topleft", legend = c("Republica Dominicana", "Tendencia (Filtro HP)"), col = c("black", "red"), lty = 1, lwd = 2)

plot(cycle, type = "l", main = "Componente Ciclico Republica Dominicana (1991.I - 2024.II)", ylab = "Ciclo", xlab = "Tiempo")

Representación Rapida

plot(hp_RD_result, ask = FALSE)

PIB trimestral para Panamá

library(mFilter)
library(forecast)

datos_PIB_trim_CA$Panamá <- as.numeric(datos_PIB_trim_CA$Panamá)

# Crea la serie temporal
Panamá <- ts(datos_PIB_trim_CA$Panamá, start = c(1996, 1), frequency = 4)

Panamá <- Panamá[is.finite(Panamá)]

# Aplica el filtro de Hodrick-Prescott
hp_P_result <- hpfilter(Panamá, freq = 1600)

# Extrae la tendencia y el componente cíclico
trend <- hp_P_result$trend
cycle <- hp_P_result$cycle

# Visualiza los resultados
plot(Panamá, type = "l", main = "Filtro de Hodrick-Prescott", ylab = "PIB", xlab = "Tiempo")
lines(trend, col = "red", lwd = 2)
legend("topleft", legend = c("Panamá", "Tendencia (Filtro HP)"), col = c("black", "red"), lty = 1, lwd = 2)

plot(cycle, type = "l", main = "Componente Ciclico Republica Dominicana (1996.I - 2022.III)", ylab = "Ciclo", xlab = "Tiempo")

Representación Rapida

plot(hp_P_result, ask = FALSE)