library(dplyr)
library(readxl)
library(mFilter)
library(forecast)
# Carga de los datos 
PIB_trimestral <- read_excel("datos_PIB_trim_CA.xlsx", skip = 5)

PIB_trimestral_CR <- PIB_trimestral %>% select(`PIB trimestral en constantes...2`) 

PIB_trim<-ts(PIB_trimestral_CR,start = c(1991,1),frequency = 4)
# Aplica el filtro de Hodrick-Prescott
# Ajusta el parámetro lambda resegún la frecuencia de los datos, 1600 para datos trimestrales. 
hp_result <- hpfilter(PIB_trim, freq = 1600)
# Extrae la tendencia y el componente cíclico
trend <- hp_result$trend
cycle <- hp_result$cycle

plot(PIB_trim, type = "l", main = "Análisis del PIB - Costa Rica", ylab = "PIB (millones de USD)", xlab = "Tiempo")
lines(trend, col = "blue", lwd = 2)
legend("topleft", legend = c("Serie Original", "Tendencia (Filtro HP)"), col = c("black", "red"), lty = 1, lwd = 2)

PIB_trimestral_SV<- PIB_trimestral %>% select(`PIB trimestral en constantes...3`) 

PIB_trim_SV <- ts(PIB_trimestral_SV,start = c(1991,1),frequency = 4)

# Aplica el filtro de Hodrick-Prescott

# Ajusta el parámetro lambda según la frecuencia de los datos, 1600 para datos trimestrales. 

hp_result_sv <- hpfilter(PIB_trim_SV, freq = 1600)
# Extrae la tendencia y el componente cíclico
trend_sv <- hp_result_sv$trend
cycle_sv <- hp_result_sv$cycle

plot(PIB_trim_SV, type = "l", main = "Análisis del PIB - El salvador",ylab = "PIB (millones de USD)", xlab = "Tiempo")
lines(trend_sv, col = "blue", lwd = 2)
legend("topleft", legend = c("Serie Original", "Tendencia (Filtro HP)"),col = c("black", "red"), lty = 1, lwd = 2)

PIB_trimestral_HN <- PIB_trimestral %>% select(`PIB trimestral en constantes...5`) 

PIB_trim_HN <- ts(PIB_trimestral_HN ,start = c(1991,1),frequency = 4)

# Aplica el filtro de Hodrick-Prescott

# Ajusta el parámetro lambda según la frecuencia de los datos, 1600 para datos trimestrales. 

hp_result_HN <- hpfilter(PIB_trim_HN, freq = 1600)
# Extrae la tendencia y el componente cíclico
trend_hn <- hp_result_HN$trend
cycle_hn <- hp_result_HN$cycle


# Visualiza los resultados
plot(PIB_trim_HN, type = "l", main = "Análisis de serie temporal, para el PIB a precios corrientes, Guatemala (1991-2024)", ylab = "PIB", xlab = "Tiempo")
lines(trend_hn, col = "red", lwd = 2)
legend("topleft", legend = c("PIB Original", "Tendencia (Filtro HP)"), col = c("black", "red"), lty = 1, lwd = 2)

PIB_trimestral_NC <- PIB_trimestral %>% select(`PIB trimestral en constantes...6`) 

PIB_trim_NC <- ts(PIB_trimestral_NC ,start = c(1991,1),frequency = 4)

# Aplica el filtro de Hodrick-Prescott

# Ajusta el parámetro lambda según la frecuencia de los datos, 1600 para datos trimestrales. 

hp_result_NC <- hpfilter(PIB_trim_NC, freq = 1600)
# Extrae la tendencia y el componente cíclico
trend_nc <- hp_result_NC$trend
cycle_nc <- hp_result_NC$cycle


# Visualiza los resultados
plot(PIB_trim_NC, type = "l", main = "Análisis de serie temporal, para el PIB a precios corrientes, Guatemala (1991-2024)", ylab = "PIB", xlab = "Tiempo")
lines(trend_nc, col = "red", lwd = 2)
legend("topleft", legend = c("PIB Original", "Tendencia (Filtro HP)"), col = c("black", "red"), lty = 1, lwd = 2)

library (dplyr)
PIB_trimestral_RD <- PIB_trimestral %>% select(`PIB trimestral en constantes...7`) 

PIB_trim_RD <- ts(PIB_trimestral_RD ,start = c(1991,1),frequency = 4)

# Aplica el filtro de Hodrick-Prescott

# Ajusta el parámetro lambda según la frecuencia de los datos, 1600 para datos trimestrales. 

hp_result_RD <- hpfilter(PIB_trim_RD, freq = 1600)
# Extrae la tendencia y el componente cíclico
trend_rd <- hp_result_RD$trend
cycle_rd <- hp_result_RD$cycle


# Visualiza los resultados
plot(PIB_trim_RD, type = "l", main = "Análisis de serie temporal, para el PIB a precios corrientes, Guatemala (1991-2024)", ylab = "PIB", xlab = "Tiempo")
lines(trend_rd, col = "red", lwd = 2)
legend("topleft", legend = c("PIB Original", "Tendencia (Filtro HP)"), col = c("black", "red"), lty = 1, lwd = 2)

PIB_trimestral_PAN <- PIB_trimestral %>% select(`PIB trimestral en constantes...8`) 

PIB_trim_PAN <- ts(PIB_trimestral_PAN ,start = c(1991,1),frequency = 4)

# Aplica el filtro de Hodrick-Prescott

# Ajusta el parámetro lambda según la frecuencia de los datos, 1600 para datos trimestrales. 

hp_result_pan <- hpfilter(PIB_trim_PAN,  freq = 1600)
# Extrae la tendencia y el componente cíclico
trend_pan <- hp_result_pan$trend
cycle_pan <- hp_result_pan$cycle


# Visualiza los resultados
plot(PIB_trim_PAN, type = "l", main = "Análisis de serie temporal, para el PIB a precios corrientes, Guatemala (1991-2024)", ylab = "PIB", xlab = "Tiempo")
lines(trend_pan, col = "red", lwd = 2)
legend("topleft", legend = c("PIB Original", "Tendencia (Filtro HP)"), col = c("black", "red"), lty = 1, lwd = 2)