Aplicacion del filtro HP para cada uno de los paises centroamericanos.

library(readxl)
library(mFilter)
library(forecast)
library(tidyr)
library(dplyr)
#Carga de datos
library(readxl)
datos_PIB_trim_CA <- read_excel("datos_PIB_trim_CA.xlsx", 
    col_types = c("text", "numeric", "numeric", "numeric", "numeric", "numeric", "numeric", "numeric"))
#Filtrar datos crrespondientes a Costa Rica
datos_CR <- datos_PIB_trim_CA %>% filter(!is.na(`Costa Rica`))
#Generar la serie temporal
PIB_trim_CR<-ts(datos_CR$`Costa Rica`,start = c(1991,1),frequency = 4)
# Aplica el filtro de Hodrick-Prescott
# Ajusta el parámetro lambda según la frecuencia de los datos, 1600 para datos trimestrales. 
hp_result_CR <- hpfilter(PIB_trim_CR, freq = 1600)
# Extrae la tendencia y el componente cíclico
trend <- hp_result_CR$trend
cycle <- hp_result_CR$cycle
# Visualiza los resultados
plot(PIB_trim_CR, type = "l", main = "Filtro 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", ylab = "Ciclo", xlab = "Tiempo")

plot(hp_result_CR,ask = FALSE)

library(mFilter)
library(forecast)
library(tidyr)
library(dplyr)
#Filtrar datos crrespondientes a Costa Rica
datos_SV <- datos_PIB_trim_CA %>% filter(!is.na(`El Salvador`))
#Generar la serie temporal
PIB_trim_SV<-ts(datos_SV$`El Salvador`,start = c(1990,1),frequency = 4)
# Aplica el filtro de Hodrick-Prescott
# Ajusta el parámetro lambda según la frecuencia de los datos, 1600 para datos trimestrales. 
hp_result_SV <- hpfilter(PIB_trim_SV, freq = 1600)
# Extrae la tendencia y el componente cíclico
trend <- hp_result_SV$trend
cycle <- hp_result_SV$cycle
# Visualiza los resultados
plot(PIB_trim_SV, type = "l", main = "Filtro de Hodrick-Prescott", ylab = "PIB", xlab = "Tiempo")
lines(trend, col = "purple", lwd = 2)
legend("topleft", legend = c("El Salvador", "Tendencia (Filtro HP)"), col = c("black", "purple"), lty = 1, lwd = 2)

plot(cycle, type = "l", main = "Componente Ciclico", ylab = "Ciclo", xlab = "Tiempo")

plot(hp_result_SV,ask = FALSE)

library(mFilter)
library(forecast)
library(tidyr)
library(dplyr)
#Filtrar datos crrespondientes a Costa Rica
datos_GT <- datos_PIB_trim_CA %>% filter(!is.na(`Guatemala`))
#Generar la serie temporal
PIB_trim_GT<-ts(datos_GT$`Guatemala`,start = c(2001,1),frequency = 4)
# Aplica el filtro de Hodrick-Prescott
# Ajusta el parámetro lambda según la frecuencia de los datos, 1600 para datos trimestrales. 
hp_result_GT <- hpfilter(PIB_trim_GT, freq = 1600)
# Extrae la tendencia y el componente cíclico
trend <- hp_result_GT$trend
cycle <- hp_result_GT$cycle
# Visualiza los resultados
plot(PIB_trim_GT, type = "l", main = "Filtro de Hodrick-Prescott", ylab = "PIB", xlab = "Tiempo")
lines(trend, col = "yellow", lwd = 2)
legend("topleft", legend = c("Guatemala", "Tendencia (Filtro HP)"), col = c("black", "yellow"), lty = 1, lwd = 2)

plot(cycle, type = "l", main = "Componente Ciclico", ylab = "Ciclo", xlab = "Tiempo")

plot(hp_result_GT,ask = FALSE)

library(mFilter)
library(forecast)
library(tidyr)
library(dplyr)
#Filtrar datos crrespondientes a Costa Rica
datos_HD <- datos_PIB_trim_CA %>% filter(!is.na(`Honduras`))
#Generar la serie temporal
PIB_trim_HD<-ts(datos_GT$`Honduras`,start = c(2000,1),frequency = 4)
# Aplica el filtro de Hodrick-Prescott
# Ajusta el parámetro lambda según la frecuencia de los datos, 1600 para datos trimestrales. 
hp_result_HD <- hpfilter(PIB_trim_HD, freq = 1600)
# Extrae la tendencia y el componente cíclico
trend <- hp_result_HD$trend
cycle <- hp_result_HD$cycle
# Visualiza los resultados
plot(PIB_trim_HD, type = "l", main = "Filtro de Hodrick-Prescott", ylab = "PIB", xlab = "Tiempo")
lines(trend, col = "green", lwd = 2)
legend("topleft", legend = c("Honduras", "Tendencia (Filtro HP)"), col = c("black", "green"), lty = 1, lwd = 2)

plot(cycle, type = "l", main = "Componente Ciclico", ylab = "Ciclo", xlab = "Tiempo")

plot(hp_result_HD,ask = FALSE)

library(mFilter)
library(forecast)
library(tidyr)
library(dplyr)
#Filtrar datos crrespondientes a Costa Rica
datos_NC <- datos_PIB_trim_CA %>% filter(!is.na(`Nicaragua`))
#Generar la serie temporal
PIB_trim_NC<-ts(datos_NC$`Nicaragua`,start = c(2006,1),frequency = 4)
# Aplica el filtro de Hodrick-Prescott
# Ajusta el parámetro lambda según la frecuencia de los datos, 1600 para datos trimestrales. 
hp_result_NC <- hpfilter(PIB_trim_NC, freq = 1600)
# Extrae la tendencia y el componente cíclico
trend <- hp_result_NC$trend
cycle <- hp_result_NC$cycle
# Visualiza los resultados
plot(PIB_trim_NC, type = "l", main = "Filtro de Hodrick-Prescott", ylab = "PIB", xlab = "Tiempo")
lines(trend, col = "orange", lwd = 2)
legend("topleft", legend = c("Nicaragua", "Tendencia (Filtro HP)"), col = c("black", "orange"), lty = 1, lwd = 2)

plot(cycle, type = "l", main = "Componente Ciclico", ylab = "Ciclo", xlab = "Tiempo")

plot(hp_result_NC,ask = FALSE)

library(mFilter)
library(forecast)
library(tidyr)
library(dplyr)
#Filtrar datos crrespondientes a Costa Rica
datos_RD <- datos_PIB_trim_CA %>% filter(!is.na(`República Dominicana`))
#Generar la serie temporal
PIB_trim_RD<-ts(datos_RD$`República Dominicana`,start = c(1991,1),frequency = 4)
# Aplica el filtro de Hodrick-Prescott
# Ajusta el parámetro lambda según la frecuencia de los datos, 1600 para datos trimestrales. 
hp_result_RD <- hpfilter(PIB_trim_RD, freq = 1600)
# Extrae la tendencia y el componente cíclico
trend <- hp_result_RD$trend
cycle <- hp_result_RD$cycle
# Visualiza los resultados
plot(PIB_trim_RD, type = "l", main = "Filtro de Hodrick-Prescott", ylab = "PIB", xlab = "Tiempo")
lines(trend, col = "blue", lwd = 2)
legend("topleft", legend = c("República Dominicana", "Tendencia (Filtro HP)"), col = c("black", "blue"), lty = 1, lwd = 2)

plot(cycle, type = "l", main = "Componente Ciclico", ylab = "Ciclo", xlab = "Tiempo")

plot(hp_result_RD,ask = FALSE)

library(mFilter)
library(forecast)
library(tidyr)
library(dplyr)
#Filtrar datos crrespondientes a Costa Rica
datos_PM <- datos_PIB_trim_CA %>% filter(!is.na(`Panamá`))
#Generar la serie temporal
PIB_trim_PM<-ts(datos_PM$`Panamá`,start = c(1996,1),frequency = 4)
# Aplica el filtro de Hodrick-Prescott
# Ajusta el parámetro lambda según la frecuencia de los datos, 1600 para datos trimestrales. 
hp_result_PM <- hpfilter(PIB_trim_PM, freq = 1600)
# Extrae la tendencia y el componente cíclico
trend <- hp_result_PM$trend
cycle <- hp_result_PM$cycle
# Visualiza los resultados
plot(PIB_trim_PM, type = "l", main = "Filtro de Hodrick-Prescott", ylab = "PIB", xlab = "Tiempo")
lines(trend, col = "brown", lwd = 2)
legend("topleft", legend = c("Panamá", "Tendencia (Filtro HP)"), col = c("black", "brown"), lty = 1, lwd = 2)

plot(cycle, type = "l", main = "Componente Ciclico", ylab = "Ciclo", xlab = "Tiempo")

plot(hp_result_PM,ask = FALSE)