El análisis de coyuntura trata de responder una pregunta aparentemente sencilla: ¿cómo está la economía en este momento y hacia dónde se mueve? El problema es que los datos mensuales que publican las oficinas estadísticas no se pueden leer directamente. Una caída del índice en un mes puede deberse a que la actividad realmente se debilitó, pero también a que ese mes tiene menos días hábiles, a que es temporada baja en algún sector o simplemente a ruido estadístico.
Por eso el trabajo consiste en separar la señal del ruido. En este documento se sigue el procedimiento clásico:
La razón de proyectar antes de filtrar es que los filtros de medias móviles necesitan datos a ambos lados de cada observación. En el último dato disponible no hay “futuro”, y el filtro se vuelve inestable justo en el punto que más nos interesa. Las proyecciones rellenan ese hueco.
El archivo IVAE.xlsx viene tal como se descarga de la
base de datos del BCR: los meses están en columnas y cada fila es un
sector. La primera fila de datos (1 IVAE) es el índice
global, que es el que nos interesa. En lugar de escribir un rango fijo
de celdas, se busca la fila por su nombre; así, cuando se actualice el
archivo con meses nuevos, el código sigue funcionando sin cambios.
datos_raw <- read_excel("IVAE.xlsx", col_names = FALSE, .name_repair = "minimal")
# Fila del IVAE total y fila con las etiquetas de los meses
fila_ivae <- which(str_detect(datos_raw[[1]], "^1 IVAE"))
fila_meses <- which(str_detect(unlist(datos_raw[, 2]), "^Ene"))[1]
etiquetas <- unlist(datos_raw[fila_meses, -1])
valores <- as.numeric(unlist(datos_raw[fila_ivae, -1]))
etiquetas <- etiquetas[!is.na(valores)]
valores <- valores[!is.na(valores)]
anio_inicio <- as.numeric(datos_raw[fila_meses - 1, 2])
ivae <- ts(valores, start = c(anio_inicio, 1), frequency = 12)
# Algunas cifras finales son estimadas (e) o preliminares (p)
n_estimadas <- sum(str_detect(etiquetas, "\\(e\\)|\\(p\\)"))
fecha_ini <- as.yearmon(time(ivae)[1])
fecha_fin <- as.yearmon(time(ivae)[length(ivae)])La serie tiene 260 observaciones mensuales, desde enero 2005 hasta agosto 2026. Hay que tener presente que los últimos 32 meses vienen marcados por el BCR como cifras estimadas o preliminares, de modo que pueden cambiar en la siguiente actualización. Esto es normal en coyuntura y es una razón más para no sacar conclusiones fuertes del dato de un solo mes.
Los últimos dos años se ven así:
## Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2025 123.3 120.4 127.0 124.6 133.8 128.9 127.8 128.2 126.1 127.2 134.1 144.3
## 2026 128.4 125.0 132.9 131.1 140.1 136.1 134.9 133.7
autoplot(ivae, colour = azul, linewidth = 0.6) +
annotate("rect", xmin = 2020.17, xmax = 2020.75, ymin = -Inf, ymax = Inf,
alpha = 0.12, fill = ocre) +
annotate("text", x = 2020.45, y = max(ivae) * 0.99, label = "COVID-19",
color = ocre, size = 3.4) +
labs(title = "IVAE total, serie original",
subtitle = paste(mes_texto(fecha_ini), "a", mes_texto(fecha_fin)),
x = NULL, y = "Índice",
caption = "Fuente: Banco Central de Reserva de El Salvador.")A simple vista se distinguen tres cosas: una tendencia creciente de largo plazo, un patrón estacional muy marcado (los diciembres siempre sobresalen y los primeros meses del año suelen ser bajos) y el desplome de 2020 por el confinamiento. Este último episodio es atípico y conviene tenerlo en cuenta al estimar el modelo, porque una caída de esa magnitud puede influir en los parámetros.
Para obtener las proyecciones se utiliza auto.arima(),
que busca entre distintas combinaciones de órdenes \((p,d,q)(P,D,Q)_{12}\) y elige la que
minimiza el criterio de información AICc. No se busca el mejor
pronóstico posible del IVAE, sino uno razonable que sirva para completar
los extremos de la serie antes de filtrarla.
## Series: ivae
## ARIMA(2,0,3)(0,1,1)[12] with drift
##
## Coefficients:
## ar1 ar2 ma1 ma2 ma3 sma1 drift
## -0.1008 0.6082 0.8335 0.1464 0.2215 -0.7235 0.1828
## s.e. 0.1124 0.1186 0.1179 0.1488 0.0991 0.0649 0.0198
##
## sigma^2 = 7.219: log likelihood = -598.78
## AIC=1213.56 AICc=1214.16 BIC=1241.66
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set -0.02970553 2.58675 1.801669 -0.122692 1.765592 0.4676721
## ACF1
## Training set 0.0008537741
El modelo seleccionado es un SARIMA(2,0,3)(0,1,1)[12]. El componente estacional \(D\) indica cuántas diferencias de orden 12 hacen falta para quitar la estacionalidad, mientras que \(d\) se refiere a las diferencias regulares para quitar la tendencia. Medidas como el MAPE (error porcentual absoluto medio) dan una idea del tamaño del error dentro de muestra: un MAPE de 1.77 % significa que, en promedio, el modelo se equivoca en ese porcentaje del valor del índice.
Antes de usar las proyecciones vale la pena revisar que los residuos se comporten aproximadamente como ruido blanco, es decir, que no quede estructura sin explicar.
##
## Ljung-Box test
##
## data: Residuals from ARIMA(2,0,3)(0,1,1)[12] with drift
## Q* = 20.679, df = 18, p-value = 0.2959
##
## Model df: 6. Total lags used: 24
La prueba de Ljung-Box contrasta la hipótesis nula de que los residuos no están autocorrelacionados. Aquí el p-valor es de 0.296, por lo que no se rechaza la hipótesis nula al 5 %: no hay evidencia de autocorrelación en los residuos. En series con un choque como el de 2020 es habitual ver algunos residuos muy grandes en esos meses y colas pesadas en el histograma. Para el propósito de este ejercicio (proyectar pocos meses para estabilizar el filtro) el modelo es suficiente, aunque en un trabajo más formal se podrían incluir variables de intervención para los meses de la pandemia.
El documento de referencia proyecta 6 meses. Con eso alcanza para centrar la tasa \(T_{1,12}\), que necesita 6 meses hacia adelante, pero no para la \(T_{12,12}\), que se centra adelantándola 12 meses. Por eso aquí se proyectan 12 meses, y así ambas tasas centradas llegan hasta el último dato observado.
h <- 12
pronosticos <- forecast(modelo, h = h)
autoplot(pronosticos, include = 72, colour = azul, fcol = ocre) +
labs(title = "Proyección del IVAE con el modelo SARIMA",
subtitle = paste("Últimos 6 años observados y", h, "meses proyectados (bandas al 80 % y 95 %)"),
x = NULL, y = "Índice")tibble(Mes = sapply(time(pronosticos$mean), mes_texto),
`Pronóstico` = as.numeric(pronosticos$mean),
`Lím. inf. 95 %` = as.numeric(pronosticos$lower[, 2]),
`Lím. sup. 95 %` = as.numeric(pronosticos$upper[, 2])) %>%
kable(digits = 2, align = "lrrr",
caption = "Valores proyectados del IVAE") %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
full_width = FALSE)| Mes | Pronóstico | Lím. inf. 95 % | Lím. sup. 95 % |
|---|---|---|---|
| septiembre 2026 | 129.39 | 124.13 | 134.66 |
| octubre 2026 | 129.17 | 122.65 | 135.70 |
| noviembre 2026 | 134.54 | 127.09 | 141.99 |
| diciembre 2026 | 142.72 | 134.63 | 150.80 |
| enero 2027 | 127.82 | 119.52 | 136.12 |
| febrero 2027 | 125.76 | 117.28 | 134.23 |
| marzo 2027 | 131.04 | 122.51 | 139.57 |
| abril 2027 | 128.37 | 119.79 | 136.96 |
| mayo 2027 | 136.20 | 127.61 | 144.80 |
| junio 2027 | 133.48 | 124.87 | 142.10 |
| julio 2027 | 131.09 | 122.47 | 139.71 |
| agosto 2027 | 132.34 | 123.71 | 140.96 |
También es útil ver qué tan bien sigue el modelo a la serie dentro de la muestra:
autoplot(pronosticos$x, series = "IVAE observado") +
autolayer(pronosticos$fitted, series = "Valores ajustados") +
scale_colour_manual(values = c("IVAE observado" = gris, "Valores ajustados" = azul)) +
labs(title = "Ajuste del modelo SARIMA", x = NULL, y = "Índice")La serie ampliada simplemente pega, una detrás de otra, las observaciones reales y los valores pronosticados.
ivae_h <- ts(c(as.numeric(pronosticos$x), as.numeric(pronosticos$mean)),
start = start(ivae), frequency = 12)
inicio_pron <- time(pronosticos$mean)[1]Queda una serie de 272 meses que termina en agosto 2027. En los gráficos que siguen, la parte proyectada aparece sombreada para no confundirla con datos reales.
La descomposición STL (Seasonal and Trend decomposition using Loess) separa la serie en tres componentes:
\[Y_t = TC_t + S_t + I_t\]
donde \(TC_t\) es la
tendencia-ciclo, \(S_t\) la
estacionalidad e \(I_t\) el componente
irregular. Con s.window = "periodic" se supone que el
patrón estacional es el mismo todos los años. Además se usa la opción
robust = TRUE, que reduce el peso de las observaciones
atípicas (como las de 2020) en la estimación; sin ella, la caída de la
pandemia contamina el componente estacional de todos los demás años.
fit <- stl(ivae_h, s.window = "periodic", robust = TRUE)
autoplot(fit, colour = azul) +
labs(title = "Descomposición STL de la serie ampliada", x = NULL)El panel más importante para la coyuntura es el de la tendencia
(trend), que es lo que llamamos tendencia-ciclo:
TC <- fit$time.series[, "trend"]
autoplot(ivae_h, series = "Serie ampliada") +
autolayer(TC, series = "Tendencia-ciclo") +
annotate("rect", xmin = inicio_pron, xmax = Inf, ymin = -Inf, ymax = Inf,
alpha = 0.10, fill = ocre) +
scale_colour_manual(values = c("Serie ampliada" = "#c9d1d9", "Tendencia-ciclo" = azul)) +
labs(title = "IVAE y su tendencia-ciclo",
subtitle = "La zona sombreada corresponde a meses proyectados",
x = NULL, y = "Índice")La tendencia-ciclo elimina los saltos estacionales y deja ver la trayectoria de fondo: el crecimiento moderado antes de 2020, el desplome de la pandemia y la recuperación posterior.
Sobre la tendencia-ciclo se calculan tres tasas de variación:
La tasa interanual de un mes compara dos puntos separados por 12 meses, de modo que en realidad refleja lo que pasó en promedio a lo largo de ese año, cuyo punto medio está 6 meses atrás. Si la usamos tal cual, el diagnóstico llega con medio año de retraso. Algo parecido ocurre con \(T_{12,12}\), cuyo retraso es de unos 12 meses.
El centrado corrige esto asignando a cada tasa la fecha del punto medio del periodo que mide. En la práctica equivale a adelantar la \(T_{1,12}\) seis meses y la \(T_{12,12}\) doce meses. Para poder hacerlo en el último mes observado se necesitan datos “del futuro”, y es justamente para eso que se proyectó la serie.
TC_df <- data.frame(TC = as.numeric(TC))
tabla_coyuntura <- TC_df %>%
mutate(
T_1_1 = (TC / dplyr::lag(TC, n = 1) - 1) * 100,
T_1_12 = (TC / dplyr::lag(TC, n = 12) - 1) * 100,
T_12_12 = (rollapply(TC, 12, mean, align = "right", fill = NA) /
rollapply(dplyr::lag(TC, n = 12), 12, mean, align = "right", fill = NA) - 1) * 100
) %>%
# centrado: se adelanta cada tasa hasta el punto medio de su periodo
mutate(
T_1_12C = dplyr::lead(T_1_12, n = 6),
T_12_12C = dplyr::lead(T_12_12, n = 12)
) %>%
ts(start = start(ivae), frequency = 12)n_obs <- length(ivae)
tabla_coyuntura %>%
as.data.frame() %>%
mutate(Mes = sapply(time(tabla_coyuntura), mes_texto),
Tipo = if_else(row_number() <= n_obs, "Observado", "Proyectado")) %>%
slice((n_obs - 11):(n_obs + 6)) %>%
select(Mes, Tipo, everything()) %>%
kable(digits = 2, align = "llrrrrrr",
col.names = c("Mes", "Tipo", "TC", "T 1,1", "T 1,12", "T 12,12",
"T 1,12 C", "T 12,12 C"),
caption = "Tendencia-ciclo y tasas de variación (%) alrededor del último dato observado") %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
full_width = TRUE, font_size = 14) %>%
row_spec(12, bold = TRUE, background = "#eef3f8") %>%
row_spec(13:18, color = "#8a6a2f")| Mes | Tipo | TC | T 1,1 | T 1,12 | T 12,12 | T 1,12 C | T 12,12 C |
|---|---|---|---|---|---|---|---|
| septiembre 2025 | Observado | 129.81 | 0.34 | 2.92 | 2.29 | 3.71 | 3.25 |
| octubre 2025 | Observado | 130.27 | 0.36 | 3.13 | 2.36 | 3.61 | 3.13 |
| noviembre 2025 | Observado | 130.74 | 0.36 | 3.33 | 2.46 | 3.51 | 2.95 |
| diciembre 2025 | Observado | 131.19 | 0.35 | 3.48 | 2.58 | 3.23 | 2.72 |
| enero 2026 | Observado | 131.64 | 0.34 | 3.62 | 2.71 | 2.96 | 2.45 |
| febrero 2026 | Observado | 131.97 | 0.25 | 3.67 | 2.84 | 2.58 | 2.14 |
| marzo 2026 | Observado | 132.29 | 0.25 | 3.71 | 2.97 | 2.20 | 1.80 |
| abril 2026 | Observado | 132.46 | 0.13 | 3.61 | 3.10 | 1.71 | 1.45 |
| mayo 2026 | Observado | 132.64 | 0.13 | 3.51 | 3.21 | 1.23 | 1.09 |
| junio 2026 | Observado | 132.69 | 0.04 | 3.23 | 3.28 | 0.77 | 0.75 |
| julio 2026 | Observado | 132.74 | 0.04 | 2.96 | 3.32 | 0.31 | 0.42 |
| agosto 2026 | Observado | 132.70 | -0.03 | 2.58 | 3.31 | -0.02 | 0.12 |
| septiembre 2026 | Proyectado | 132.66 | -0.03 | 2.20 | 3.25 | -0.35 | NA |
| octubre 2026 | Proyectado | 132.51 | -0.12 | 1.71 | 3.13 | -0.56 | NA |
| noviembre 2026 | Proyectado | 132.35 | -0.12 | 1.23 | 2.95 | -0.77 | NA |
| diciembre 2026 | Proyectado | 132.20 | -0.11 | 0.77 | 2.72 | -0.89 | NA |
| enero 2027 | Proyectado | 132.05 | -0.11 | 0.31 | 2.45 | -1.01 | NA |
| febrero 2027 | Proyectado | 131.94 | -0.09 | -0.02 | 2.14 | -1.05 | NA |
La fila resaltada es el último mes con datos reales (agosto 2026). Las filas en color ocre usan valores proyectados y por eso las tasas centradas se van quedando vacías al final: no hay suficientes meses hacia adelante para calcularlas.
ggplot(tasas_long, aes(fecha, valor, colour = tasa)) +
geom_hline(yintercept = 0, colour = "grey60", linewidth = 0.4) +
annotate("rect", xmin = inicio_pron, xmax = Inf, ymin = -Inf, ymax = Inf,
alpha = 0.10, fill = ocre) +
geom_line(linewidth = 0.8, na.rm = TRUE) +
scale_colour_manual(values = c(celeste, azul)) +
labs(title = "Tasas de crecimiento centradas de la tendencia-ciclo del IVAE",
subtitle = "Variación porcentual",
x = NULL, y = "%")Las dos tasas cuentan la misma historia, pero con distinto grado de suavidad. La \(T_{1,12}\) centrada reacciona antes a los cambios de dirección, mientras que la \(T_{12,12}\) centrada es más estable y sirve para confirmar si un cambio es duradero. Cuando ambas se mueven en la misma dirección, la señal es más confiable.
Como el periodo de la pandemia comprime la escala del gráfico, conviene ver por separado los años recientes:
ggplot(filter(tasas_long, fecha >= floor(as.numeric(fecha_fin)) - 3),
aes(fecha, valor, colour = tasa)) +
geom_hline(yintercept = 0, colour = "grey60", linewidth = 0.4) +
geom_line(linewidth = 0.9, na.rm = TRUE) +
geom_point(size = 1.3, na.rm = TRUE) +
scale_colour_manual(values = c(celeste, azul)) +
labs(title = "Tasas centradas, últimos años",
x = NULL, y = "%")La \(T_{1,1}\) no necesita centrado, porque compara meses consecutivos. Indica si en el último mes la tendencia-ciclo estaba subiendo o bajando.
tabla_coyuntura[, "T_1_1"] %>%
autoplot(colour = azul) +
geom_hline(yintercept = 0, colour = "grey60", linewidth = 0.4) +
annotate("rect", xmin = inicio_pron, xmax = Inf, ymin = -Inf, ymax = Inf,
alpha = 0.10, fill = ocre) +
labs(title = "Variación mensual de la tendencia-ciclo (T 1,1)",
x = NULL, y = "%")Como complemento, el mismo archivo trae los índices de las nueve grandes ramas de actividad. Sin hacer todo el procedimiento anterior para cada una, la variación interanual simple del último mes da una idea de qué sectores están empujando o frenando la economía.
nombres_cortos <- c("Agropecuario", "Industria (IPI)", "Construcción",
"Comercio, transporte y alojamiento", "Información y comunicaciones",
"Financiero y seguros", "Inmobiliario",
"Servicios profesionales y otros",
"Adm. pública, educación y salud")
filas_sect <- (fila_ivae + 1):(fila_ivae + 9)
sectores <- map_dfr(seq_along(filas_sect), function(i) {
x <- as.numeric(unlist(datos_raw[filas_sect[i], -1]))
x <- x[!is.na(x)]
n <- length(x)
tibble(sector = nombres_cortos[i], var_anual = (x[n] / x[n - 12] - 1) * 100)
})
ggplot(sectores, aes(reorder(sector, var_anual), var_anual,
fill = var_anual > 0)) +
geom_col(width = 0.65) +
geom_text(aes(label = num(var_anual, 1),
hjust = if_else(var_anual > 0, -0.15, 1.15)),
size = 3.4, colour = "#26323d") +
coord_flip() +
scale_fill_manual(values = c(`TRUE` = celeste, `FALSE` = ocre), guide = "none") +
scale_y_continuous(expand = expansion(mult = 0.18)) +
labs(title = paste("Variación interanual por sector,", mes_texto(fecha_fin)),
subtitle = "Serie original, sin desestacionalizar (%)",
x = NULL, y = NULL)Hay que leer este gráfico con cuidado: son datos originales, sin quitar estacionalidad ni irregularidad, así que un sector como el agropecuario puede mostrar variaciones grandes de un mes a otro solo por el calendario de cosechas.
Con datos hasta agosto 2026, la tasa interanual centrada de la tendencia-ciclo del IVAE se ubica en -0.02 % y la tasa del promedio anual centrada en 0.12 %. Tres meses antes, la \(T_{1,12}\) centrada era de 1.23 %, de modo que la actividad económica estaría desacelerándose. La variación mensual de la tendencia-ciclo en el último mes fue de -0.030 %.
Algunas precauciones para interpretar estos números:
El procedimiento permite pasar de una serie mensual llena de saltos estacionales a un diagnóstico claro sobre el momento del ciclo. Los puntos clave son tres. Primero, la tendencia-ciclo es la señal que importa para la coyuntura, no el dato bruto de cada mes. Segundo, sin proyecciones los filtros pierden precisión justo al final de la serie, que es donde está el presente. Tercero, centrar las tasas elimina el retraso de 6 y 12 meses que tienen las variaciones interanuales, y eso es lo que permite hablar de lo que ocurre ahora y no de lo que ocurrió hace medio año.
Una extensión natural sería repetir este mismo análisis para cada sector del IVAE, o comparar la tendencia-ciclo obtenida con STL contra la de otros métodos como X-13ARIMA-SEATS o el filtro de Hodrick-Prescott.
Referencia metodológica: Pérez, A. Introducción al Análisis de Coyuntura Económica. RPubs. Datos: Banco Central de Reserva de El Salvador, IVAE serie original.