library(readxl)
library(mFilter)
library(forecast)

PIB_trimestral <-read_excel("C:/Users/castaneda/OneDrive/Escritorio/MAE/datos_PIB_trim_CA.xlsx", 
    col_types = c("text", "numeric", "numeric", 
        "numeric", "numeric", "numeric", 
        "numeric", "numeric"))

# 1. Encuentra el índice del primer valor no-NA
datos_cr_limpios <- na.omit(PIB_trimestral$`Costa Rica`)

# 2. Crea la serie de tiempo con los datos limpios.
# La longitud ahora debe ser exacta, empezando en 1991, trimestre 1.
PIB_trim_cr <- ts(datos_cr_limpios, 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_cr <- hpfilter(PIB_trim_cr, freq = 1600)
# Extrae la tendencia y el componente cíclico
trend <- hp_result_cr$trend
cycle <- hp_result_cr$cycle

# Visualiza los resultados
plot(PIB_trim_cr, type = "l", main = "Filtro HP: Descomposición del PIB de Costa Rica del Periodo de 1991 a 2024", ylab = "PIB", xlab = "Tiempo")
lines(trend, col = "red", lwd = 2)
legend("topleft", legend = c("PIB Original", "Tendencia (Filtro HP)"), col = c("black", "red"), lty = 1, lwd = 2)

PIB_trim_sv<-ts(PIB_trimestral$`El Salvador`,start = c(1990,1),frequency = 4)
# Aplica el filtro de Hodrick-Prescott
# Ajusta el parámetro lambda según la frecuencia de los datos, 1600 para datos trimestrales. 
hp_result_sv <- hpfilter(PIB_trim_sv, freq = 1600)
# Extrae la tendencia y el componente cíclico
trend <- hp_result_sv$trend
cycle <- hp_result_sv$cycle

# Visualiza los resultados
plot(PIB_trim_sv, type = "l", main = "Filtro HP: Descomposición del PIB de El Salvador del Periodo de 1990 a 2024", ylab = "PIB", xlab = "Tiempo")
lines(trend, col = "red", lwd = 2)
legend("topleft", legend = c("PIB Original", "Tendencia (Filtro HP)"), col = c("black", "red"), lty = 1, lwd = 2)

# 1. Encuentra el índice del primer valor no-NA
datos_gua_limpios <- na.omit(PIB_trimestral$Guatemala)

# 2. Crea la serie de tiempo con los datos limpios.
# La longitud ahora debe ser exacta, empezando en 20011, trimestre 1.
PIB_trim_gua <- ts(datos_gua_limpios, start = c(2001, 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_gua <- hpfilter(PIB_trim_gua, freq = 1600)
# Extrae la tendencia y el componente cíclico
trend <- hp_result_gua$trend
cycle <- hp_result_gua$cycle

# Visualiza los resultados
plot(PIB_trim_gua, type = "l", main = "Filtro HP: Descomposición del PIB de Guatemala del Periodo de 2001 a 2024", ylab = "PIB", xlab = "Tiempo")
lines(trend, col = "red", lwd = 2)
legend("topleft", legend = c("PIB Original", "Tendencia (Filtro HP)"), col = c("black", "red"), lty = 1, lwd = 2)

# 1. Encuentra el índice del primer valor no-NA
datos_hon_limpios <- na.omit(PIB_trimestral$Honduras)

# 2. Crea la serie de tiempo con los datos limpios.
# La longitud ahora debe ser exacta, empezando en 2000, trimestre 1.
PIB_trim_hon <- ts(datos_hon_limpios, start = c(2000, 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_hon <- hpfilter(PIB_trim_hon, freq = 1600)
# Extrae la tendencia y el componente cíclico
trend <- hp_result_hon$trend
cycle <- hp_result_hon$cycle

# Visualiza los resultados
plot(PIB_trim_hon, type = "l", main = "Filtro HP: Descomposición del PIB de Honduras del Periodo de 2000 a 2024", ylab = "PIB", xlab = "Tiempo")
lines(trend, col = "red", lwd = 2)
legend("topleft", legend = c("PIB Original", "Tendencia (Filtro HP)"), col = c("black", "red"), lty = 1, lwd = 2)

# 1. Encuentra el índice del primer valor no-NA
datos_nic_limpios <- na.omit(PIB_trimestral$Nicaragua)

# 2. Crea la serie de tiempo con los datos limpios.
# La longitud ahora debe ser exacta, empezando en 2006, trimestre 1.
PIB_trim_nic <- ts(datos_nic_limpios, start = c(2006, 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_nic <- hpfilter(PIB_trim_nic, freq = 1600)
# Extrae la tendencia y el componente cíclico
trend <- hp_result_nic$trend
cycle <- hp_result_nic$cycle

# Visualiza los resultados
plot(PIB_trim_nic, type = "l", main = "Filtro HP: Descomposición del PIB de Nicaragua del Periodo de 2006 a 2024", ylab = "PIB", xlab = "Tiempo")
lines(trend, col = "red", lwd = 2)
legend("topleft", legend = c("PIB Original", "Tendencia (Filtro HP)"), col = c("black", "red"), lty = 1, lwd = 2)

# 1. Encuentra el índice del primer valor no-NA
datos_rpd_limpios <- na.omit(PIB_trimestral$`República Dominicana`)

# 2. Crea la serie de tiempo con los datos limpios.
# La longitud ahora debe ser exacta, empezando en 1991, trimestre 1.
PIB_trim_rd <- ts(datos_rpd_limpios, 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 <- hp_result_rd$trend
cycle <- hp_result_rd$cycle

# Visualiza los resultados
plot(PIB_trim_rd, type = "l", main = "Filtro HP: Descomposición del PIB de R. Dominicana del Periodo de 1991 a 2024", ylab = "PIB", xlab = "Tiempo")
lines(trend, col = "red", lwd = 2)
legend("topleft", legend = c("PIB Original", "Tendencia (Filtro HP)"), col = c("black", "red"), lty = 1, lwd = 2)

# 1. Encuentra el índice del primer valor no-NA
datos_pan_limpios <- na.omit(PIB_trimestral$Panamá)

# 2. Crea la serie de tiempo con los datos limpios.
# La longitud ahora debe ser exacta, empezando en 1996, trimestre 1.
PIB_trim_pan <- ts(datos_pan_limpios, start = c(1996, 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 <- hp_result_pan$trend
cycle <- hp_result_pan$cycle

# Visualiza los resultados
plot(PIB_trim_pan, type = "l", main = "Filtro HP: Descomposición del PIB de Panama del Periodo de 1996 a 2022", ylab = "PIB", xlab = "Tiempo")
lines(trend, col = "red", lwd = 2)
legend("topleft", legend = c("PIB Original", "Tendencia (Filtro HP)"), col = c("black", "red"), lty = 1, lwd = 2)

# Visualiza ambos resultados (Tendencia y Ciclo) automáticamente
plot(hp_result_cr, ask = FALSE)

# Visualiza ambos resultados (Tendencia y Ciclo) automáticamente
plot(hp_result_sv, ask = FALSE)

# Visualiza ambos resultados (Tendencia y Ciclo) automáticamente
plot(hp_result_gua, ask = FALSE)

# Visualiza ambos resultados (Tendencia y Ciclo) automáticamente
plot(hp_result_hon, ask = FALSE)

# Visualiza ambos resultados (Tendencia y Ciclo) automáticamente
plot(hp_result_nic, ask = FALSE)

# Visualiza ambos resultados (Tendencia y Ciclo) automáticamente
plot(hp_result_rd, ask = FALSE)

# Visualiza ambos resultados (Tendencia y Ciclo) automáticamente
plot(hp_result_pan, ask = FALSE)