Instalar/Cargar librerias necesarias para el análisis

#Cargar librerías necesarias
library(readxl)  # Para leer archivos Excel
library(tseries)  # Para pruebas de estacionariedad
library(forecast)  # Para modelado ARIMA y pronósticos
library(ggplot2)  # Para visualización de datos
library(plotly)  # Para gráficos interactivos
library(timetk)   #timetk simplifica y acelera el análisis exploratorio, visualización, y preparación de datos temporales para modelado. Es ideal para quienes trabajan con series temporales en un flujo de trabajo "tidy" y buscan integrar análisis visuales, detección de patrones y forecasting en un solo paquete.
library(lmtest)
library(dplyr)

Cargar base de datos

data_col <- read_excel("CASO 2/Base Caso2.xlsx", 
    col_types = c("date", "numeric", "numeric", 
        "numeric", "numeric", "numeric", 
        "numeric", "numeric", "numeric", 
        "numeric", "numeric", "numeric", 
        "numeric", "numeric", "numeric", 
        "numeric", "numeric", "numeric", 
        "numeric", "numeric", "numeric", 
        "numeric", "numeric", "numeric", 
        "numeric", "numeric", "numeric", 
        "numeric", "numeric", "numeric", 
        "numeric", "numeric", "numeric", 
        "numeric", "numeric", "numeric", 
        "numeric", "numeric", "numeric", 
        "numeric", "numeric", "numeric", 
        "numeric", "numeric", "numeric", 
        "numeric", "numeric", "numeric", 
        "numeric", "numeric", "numeric", 
        "numeric", "numeric", "numeric", 
        "numeric", "numeric", "numeric", 
        "numeric", "numeric", "numeric", 
        "numeric", "numeric"))

1. Enfoque del trabajo

Este análisis tiene un enfoque económico, estadístico y predictivo, orientado a analizar las señales del sector cafetero colombiano para anticipar su comportamiento futuro y evaluar las oportunidades y riesgos para Juan Valdez.

Sector

Agricultura – Café colombiano

Empresa de referencia

Juan Valdez

2. Objetivo

Analizar el comportamiento histórico de la producción de café, el precio externo del café colombiano y las exportaciones, mediante técnicas de extracción de señales y modelos de series de tiempo, con el fin de identificar tendencias, calcular tasas de crecimiento y realizar el pronóstico de la producción de café, que permita evaluar las perspectivas del sector y su relación con Juan Valdez.

3. Contextualización y propósito del análisis

3.1. Sector y empresa

Escogimos el sector cafetero porque es fundamental para la economía colombiana y tiene una dinámica interesante, influenciada por la producción, los precios internacionales y las exportaciones. Elegimos a Juan Valdez porque es una marca representativa de nuestro café a nivel nacional e internacional. Nos pareció interesante analizar cómo se comportan estas variables y cómo, mediante los pronósticos, podemos anticipar tendencias y posibles oportunidades o riesgos para el sector y la empresa.

Entre 2012 y 2025, el sector cafetero colombiano presentó un crecimiento significativo en su actividad productiva y comercial. La producción aumentó aproximadamente un 78%, pasando de 7,7 a 13,7 millones de sacos de 60 kg, mientras que las exportaciones crecieron un 83%, alcanzando 13,14 millones de sacos. Asimismo, el consumo interno aumentó un 52%, llegando a 2,28 millones de sacos. En términos económicos, el valor de la cosecha llegó a $24,5 billones en el año cafetero 2024/25. Sin embargo, el sector continúa expuesto a factores como la variabilidad climática, los costos de producción y la volatilidad de los precios internacionales. En conclusión, el café sigue siendo una actividad estratégica para la economía colombiana, con oportunidades de crecimiento, pero también con importantes desafíos de productividad y rentabilidad.

Adicionalmente, el desarrollo de marcas como Juan Valdez evidencia cómo el reconocimiento del café colombiano ha trascendido la exportación de materia prima, permitiendo posicionar productos de mayor valor agregado en diferentes mercados. Su crecimiento de ingresos, que pasó de $119.566 millones en 2012 a $863.453 millones en 2025, demuestra el potencial comercial de esta industria.

3.2. Relevancia y relación entras las variables

Las variables seleccionadas permiten comprender el comportamiento del sector cafetero colombiano desde tres dimensiones fundamentales: productiva, económica y comercial. Su análisis facilita identificar tendencias, cambios en el mercado y oportunidades de crecimiento, además de establecer patrones históricos que permitan realizar pronósticos sobre la evolución futura del sector. A continuación, se presenta la importancia de cada variable dentro del estudio.

Asi mismo la integración de estas tres variables permite comprender el comportamiento del sector cafetero desde diferentes perspectivas. La producción nacional (PNCAFE) aporta información sobre la capacidad productiva y la disponibilidad de café para atender la demanda; el precio externo (PECAFE) permite identificar cómo se valoriza el café colombiano en los mercados internacionales y cómo sus fluctuaciones afectan los ingresos; mientras que las exportaciones (XCAF) reflejan el resultado comercial y económico de la actividad, al medir el valor de las ventas realizadas al exterior.

Su relación es importante porque permite analizar cómo los cambios en la producción y en los precios internacionales pueden influir en el valor de las exportaciones. De esta manera, se puede identificar si el crecimiento de los ingresos externos está asociado a una mayor cantidad de café comercializado, a mejores precios internacionales o a una combinación de ambos factores.

Producción de café (PNCAFE-Miles de sacos de 60 Kg de café verde equivalente )

Es importante porque permite conocer la capacidad productiva del sector cafetero colombiano, identificar sus variaciones a lo largo del tiempo y evaluar la disponibilidad de materia prima. Su comportamiento puede influir en el abastecimiento y los costos de empresas como Juan Valdez.

Precio externo del café colombiano (PECAFE-Centavos de dólar por libra de 453.6 gr de Café Excelso )

Es relevante porque refleja las condiciones del mercado internacional y permite identificar cambios en el valor comercial del café. Sus fluctuaciones pueden generar oportunidades o presiones sobre los costos de adquisición y comercialización.

Exportaciones de café (XCAF-Miles de dólares)

Permiten evaluar el comportamiento comercial del café colombiano en los mercados internacionales, identificar el crecimiento o disminución de la demanda externa y analizar la competitividad del sector.

Específicamente esperamos encontrar las siguientes relaciones: * Precio externo y producción: un precio externo elevado, incentiva a los caficultores a recolectar más, por lo que esperamos que la producción aumente junto con el precio. * Producción y exportaciones: Una mayor producción aumenta el volumen para exportar, esperamos que el aumento de una, vaya de la mano con el aumento de otra y viceversa. *Precio externo y exportaciones: Como las exportaciones se miden en dolares, esperamos que aumenten cuando suba el precio de exportación.

3.3. Interacción y comportamiento esperado de las variables

Esperamos identificar cómo se relacionan la producción, los precios externos y las exportaciones de café colombiano, y cómo sus variaciones pueden influir en el comportamiento del sector. Consideramos que un aumento en la producción puede favorecer las exportaciones al generar una mayor disponibilidad de producto, mientras que los cambios en los precios internacionales pueden impactar los ingresos y la competitividad del café colombiano en el mercado externo.

Desde el análisis financiero, nos interesa evaluar cómo se comportan estas variables a través del tiempo, identificar sus principales tendencias y determinar, mediante modelos de pronóstico, su posible evolución y crecimiento futuro. Esto nos permitirá reconocer oportunidades y posibles riesgos para el sector cafetero y empresas como Juan Valdez.

3.4. Aplicación de la información

La información obtenida podría apoyar decisiones empresariales relacionadas con la planificación de compras, el abastecimiento de materia prima y la gestión de costos de Juan Valdez. Al conocer el comportamiento de la producción, los precios externos y las exportaciones de café, la empresa podría anticiparse a posibles cambios en la disponibilidad y el costo del producto, ajustar sus estrategias de compra, evaluar oportunidades de negociación con proveedores y planificar mejor sus necesidades de abastecimiento. De esta manera, los pronósticos permitirían reducir la incertidumbre, identificar posibles riesgos y tomar decisiones con mayor fundamento financiero.

4. Extracción de señales

Variable 1

# Convertir/declarar variable 1=PNCAFE en serie de tiempo mensual
variable1_ts <- ts(data_col$PNCAFE, start = c(2012, 1), frequency = 12)

Variable 2

# Convertir/declarar el PECAFE en serie de tiempo  mensual
variable2_ts <- ts(data_col$PECAFE, start = c(2012, 1), frequency = 12)

Variable 3

# Convertir/declarar las exportaciones de café en serie de tiempo mensual
variable3_ts <- ts(data_col$XCAF, start = c(2012, 1), frequency = 12)

5. Extracción de señales

Gráficos iniciales de las series originales

# Convertir la serie temporal a un vector numérico para lograr graficar con ggplot2
data_col$variable1 <- as.numeric(variable1_ts)

# Crear el gráfico
grafico_serie_var1 <- ggplot(data_col, aes(x = seq.Date(from = as.Date("2012-01-01"), by = "month", length.out = nrow(data_col)), 
                                      y = variable1)) +
  geom_line(color = "grey", linewidth = 0.4) +
  geom_point(color = "black", size = 0.1) +
  ggtitle("Producción de café: serie original") +
  xlab("Tiempo") +
  ylab("Miles de sacos de 60 kg") +
  theme_minimal()

ggplotly(grafico_serie_var1)

La gráfica muestra el comportamiento de la producción de café colombiano durante el período aproximado 2012-2025. Se observa una tendencia general de crecimiento respecto a los niveles iniciales, aunque acompañada de fluctuaciones importantes a lo largo del tiempo. Entre 2012 y 2016 se evidencia una fase de expansión sostenida, en la que la producción pasa de valores cercanos a 550 miles de sacos de 60 kg a niveles superiores a 1.400 miles de sacos, reflejando uno de los periodos de mayor crecimiento de toda la serie.

A partir de 2017, la producción continúa manteniendo niveles elevados, aunque con variaciones más pronunciadas. Entre 2020 y 2023 se presenta el periodo de mayor volatilidad, caracterizado por fuertes oscilaciones entre máximos y mínimos. Durante estos años se registran picos superiores a 1.700 miles de sacos y caídas cercanas a 550 miles de sacos, lo que evidencia cambios abruptos en la producción y una mayor incertidumbre en la dinámica del sector cafetero.

Los descensos más significativos se observan principalmente entre 2020 y 2022, cuando la serie experimenta reducciones rápidas después de alcanzar niveles máximos de producción. Estas caídas son considerablemente más intensas que las registradas en los primeros años de la serie, indicando una mayor sensibilidad a factores externos. Asimismo, los periodos de recuperación también son notorios, ya que después de cada descenso la producción logra retornar a niveles cercanos o superiores a 1.200 miles de sacos.

Hacia 2024 y 2025 se identifica una nueva etapa de crecimiento, acompañada de algunos de los valores más altos observados en toda la serie. Este comportamiento sugiere una recuperación de la actividad cafetera después de los episodios de contracción registrados en años anteriores.

En términos generales, la serie presenta tres características principales: una tendencia creciente de largo plazo, una marcada volatilidad a partir de 2020 y la posible presencia de patrones estacionales asociados a los ciclos de cosecha. Estos resultados sugieren que la producción de café en Colombia ha mantenido una capacidad de recuperación importante, aunque continúa expuesta a factores como las condiciones climáticas, las variaciones en la productividad agrícola y los ciclos propios de la actividad cafetera.

# Convertir la serie temporal a un vector numérico para lograr graficar con ggplot2
data_col$variable2 <- as.numeric(variable2_ts)

# Crear el gráfico
grafico_serie_var2 <- ggplot(data_col, aes(x = seq.Date(from = as.Date("2012-01-01"), by = "month", length.out = nrow(data_col)), 
                                      y = variable2)) +
  geom_line(color = "grey", linewidth = 0.4) +
  geom_point(color = "black", size = 0.1) +
  ggtitle("Precio externo del café colombiano: serie original") +
  xlab("Tiempo") +
  ylab("Centavos de dólar por libra") +
  theme_minimal()

ggplotly(grafico_serie_var2)

El comportamiento del precio externo del café colombiano entre 2012 y 2025, expresado en centavos de dólar por libra. Durante los primeros años se observa una tendencia a la baja marcada, especialmente entre 2012 y 2013, cuando el precio pasó de niveles cercanos a 250 centavos a valores inferiores a 150 centavos por libra. Esta caída representa uno de los descensos más importantes de todo el período, reflejando una etapa de no tan buena en los precios internacionales del café.

Entre 2014 y 2017 se registra una recuperación moderada, con incrementos que llevaron el precio nuevamente a niveles superiores a 200 centavos por libra. Sin embargo, esta fase estuvo caracterizada por fluctuaciones frecuentes y correcciones posteriores, lo que impidió consolidar una tendencia de crecimiento sostenida. Entre 2017 y 2020 la serie se mantuvo relativamente estable dentro de un rango entre 130 y 180 centavos por libra, mostrando una volatilidad moderada en comparación con los años posteriores.

A partir de 2020 se presenta un cambio significativo en la dinámica del mercado. El precio inicia una fase de crecimiento acelerado que se intensifica durante 2021 y 2022, alcanzando niveles cercanos a 300 centavos por libra. Este incremento representa uno de los mayores periodos de valorización de toda la serie, impulsado probablemente por restricciones en la oferta mundial y una mayor demanda internacional.

Entre 2022 y 2024 se observa un aumento de la volatilidad, evidenciado por fuertes oscilaciones entre máximos y mínimos. Aunque se producen correcciones importantes que llevan los precios nuevamente hacia niveles cercanos a 200 centavos por libra, la tendencia general continúa siendo alcista. Estas fluctuaciones indican una mayor sensibilidad del mercado a factores externos y cambios en las condiciones globales de producción.

Finalmente, durante 2024 y 2025 se registra el crecimiento más pronunciado de toda la serie, con incrementos rápidos que permiten superar los 400 centavos de dólar por libra. Este nivel constituye el máximo observado en el período analizado y evidencia una fuerte valorización del café colombiano en los mercados internacionales.

# Convertir la serie temporal a un vector numérico para lograr graficar con ggplot2
data_col$variable3 <- as.numeric(variable3_ts)

# Crear el gráfico
grafico_serie_var3 <- ggplot(data_col, aes(x = seq.Date(from = as.Date("2012-01-01"), by = "month", length.out = nrow(data_col)), 
                                      y = variable3)) +
  geom_line(color = "grey", linewidth = 0.4) +
  geom_point(color = "black", size = 0.1) +
  ggtitle("Exportaciones de café: serie original") +
  xlab("Tiempo") +
  ylab("Miles de dólares FOB") +
  theme_minimal()

ggplotly(grafico_serie_var3)

durante el período 2012-2025, aunque acompañada por episodios de marcada volatilidad. Entre 2012 y 2019, las exportaciones mostraron un comportamiento relativamente estable, oscilando principalmente entre 120.000 y 280.000 miles de dólares FOB, con algunos incrementos puntuales que no lograron consolidarse en una tendencia sostenida. Durante esta etapa, la volatilidad fue moderada y las fluctuaciones se mantuvieron dentro de un rango relativamente constante.

A partir de 2020 se identifica un cambio estructural en la dinámica de la serie. Las exportaciones comienzan una fase de crecimiento acelerado que las lleva a superar los 400.000 miles de dólares FOB en varios períodos de 2021 y 2022. Este incremento coincide con el aumento observado en los precios internacionales del café, lo que sugiere una relación positiva entre ambas variables y una mejora en los ingresos generados por las ventas externas.

Entre 2022 y 2024 la serie experimenta una mayor volatilidad, caracterizada por fuertes oscilaciones entre máximos y mínimos. Aunque se observan descensos temporales respecto a los niveles alcanzados previamente, las exportaciones permanecen en niveles superiores a los registrados durante la mayor parte de la década anterior, evidenciando una capacidad de recuperación importante del sector.

El crecimiento más significativo se presenta entre finales de 2024 y 2025, cuando las exportaciones aumentan rápidamente desde niveles cercanos a 300.000 miles de dólares hasta valores superiores a 500.000 miles de dólares FOB, alcanzando un máximo cercano a 590.000 miles de dólares. Este comportamiento representa el punto más alto de toda la serie y coincide con los máximos observados en el precio externo del café colombiano, que superó los 400 centavos de dólar por libra durante el mismo período.

En términos generales, la evolución de las exportaciones refleja una estrecha relación con el comportamiento del mercado internacional del café. Aunque la producción nacional presentó fluctuaciones importantes durante algunos años, el fuerte incremento de los precios externos parece haber contribuido significativamente al crecimiento del valor exportado. Esto sugiere que, en los últimos años, la valorización del café en los mercados internacionales ha sido uno de los principales factores que explican el aumento de los ingresos por exportaciones del sector cafetero colombiano.

Extracción señales variable 1 - Producción de Cafe

# Descomposición de la serie temporal
stl_decomp_var1 <- stl(variable1_ts, s.window = "periodic")

# Convertir la descomposición a un data frame para graficar con ggplot2
stl_df_var1 <- data.frame(
  Time = rep(time(variable1_ts), 4),  # Tiempo repetido para cada componente (son 4 componentes)
  Value = c(stl_decomp_var1$time.series[, "seasonal"], 
            stl_decomp_var1$time.series[, "trend"], 
            stl_decomp_var1$time.series[, "remainder"], 
            variable1_ts),
  Component = rep(c("Estacional", "Tendencia", "Residuo", "Serie Original"), each = length(variable1_ts))
)

# Crear gráfico con ggplot2
p <- ggplot(stl_df_var1, aes(x = Time, y = Value, color = Component)) +
  geom_line() +
  facet_wrap(~Component, scales = "free_y", ncol = 1) + 
  theme_minimal() +
  labs(title = "Descomposición temporal de la variable 1",
       x = "Tiempo",
       y = "Valor")

# Convertir a gráfico interactivo con plotly
ggplotly(p)

La grafica muestra que la producción de café colombiano presenta una tendencia creciente entre 2012 y 2016, pasando de aproximadamente 700 a 1.200 miles de sacos de 60 kg. Posteriormente, entre 2017 y 2023, se observa una disminución gradual hasta niveles cercanos a 900 miles de sacos, seguida de una recuperación importante en 2024 que supera nuevamente los 1.200 miles de sacos, antes de registrar una leve caída al final de la serie.

El componente estacional evidencia un patrón repetitivo y estable durante todo el período, con fluctuaciones que oscilan aproximadamente entre -250 y +250 miles de sacos, lo que confirma la influencia de los ciclos de cosecha sobre la producción cafetera. La regularidad de este comportamiento indica que la estacionalidad constituye una característica estructural de la serie.

Por su parte, los residuos se concentran alrededor de cero, aunque se observan valores atípicos entre 2020 y 2025, con variaciones cercanas a ±300 miles de sacos. Esto sugiere la presencia de factores extraordinarios, como condiciones climáticas o cambios en la productividad, que afectan temporalmente la producción y explican las fluctuaciones no capturadas por la tendencia ni por la estacionalidad.

Extracción señales variable 2 - Precio externo del café colombiano

# Descomposición de la serie temporal
stl_decomp_var2 <- stl(variable2_ts, s.window = "periodic")

# Convertir la descomposición a un data frame para graficar con ggplot2
stl_df_var2 <- data.frame(
  Time = rep(time(variable2_ts), 4),  # Tiempo repetido para cada componente
  Value = c(stl_decomp_var2$time.series[, "seasonal"], 
            stl_decomp_var2$time.series[, "trend"], 
            stl_decomp_var2$time.series[, "remainder"], 
            variable2_ts),
  Component = rep(c("Estacional", "Tendencia", "Residuo", "Serie Original"), each = length(variable2_ts))
)

# Crear gráfico con ggplot2
p <- ggplot(stl_df_var2, aes(x = Time, y = Value, color = Component)) +
  geom_line() +
  facet_wrap(~Component, scales = "free_y", ncol = 1) + 
  theme_minimal() +
  labs(title = "Descomposición temporal de la variable 2",
       x = "Tiempo",
       y = "Valor")

# Convertir a gráfico interactivo con plotly
ggplotly(p)

El precio externo del café colombiano presenta una tendencia variable durante el período 2012-2025. La tendencia disminuye desde niveles cercanos a 240 centavos de dólar por libra en 2012 hasta valores próximos a 140 centavos entre 2018 y 2019. A partir de 2020 se observa una recuperación sostenida que se intensifica después de 2023, alcanzando cerca de 400 centavos de dólar por libra en 2025, el valor más alto de toda la serie.

El componente estacional presenta un comportamiento regular y estable a lo largo del tiempo, con fluctuaciones relativamente pequeñas, entre aproximadamente -6 y +4 centavos de dólar por libra. Esto indica que existen patrones periódicos que se repiten cada año, aunque su impacto es reducido en comparación con la tendencia general de los precios.

Por su parte, los residuos se concentran principalmente alrededor de cero, aunque se observan variaciones más pronunciadas a partir de 2022, con valores cercanos a ±40 centavos de dólar por libra. Esto sugiere la presencia de choques externos o factores coyunturales, como cambios en la oferta mundial, condiciones climáticas o variaciones en la demanda internacional. En conjunto, la descomposición evidencia que el fuerte incremento observado en los últimos años está explicado principalmente por la tendencia de largo plazo más que por efectos estacionales.

Extracción señales variable 3 - Exportaciones de café

# Descomposición de la serie temporal
stl_decomp_var3 <- stl(variable3_ts, s.window = "periodic")

# Convertir la descomposición a un data frame para graficar con ggplot2
stl_df_var3 <- data.frame(
  Time = rep(time(variable3_ts), 4),  # Tiempo repetido para cada componente
  Value = c(stl_decomp_var3$time.series[, "seasonal"], 
            stl_decomp_var3$time.series[, "trend"], 
            stl_decomp_var3$time.series[, "remainder"], 
            variable3_ts),
  Component = rep(c("Estacional", "Tendencia", "Residuo", "Serie Original"), each = length(variable3_ts))
)

# Crear gráfico con ggplot2
p <- ggplot(stl_df_var3, aes(x = Time, y = Value, color = Component)) +
  geom_line() +
  facet_wrap(~Component, scales = "free_y", ncol = 1) + 
  theme_minimal() +
  labs(title = "Descomposición temporal de la variable 3",
       x = "Tiempo",
       y = "Valor")

# Convertir a gráfico interactivo con plotly
ggplotly(p)

La descomposición temporal muestra que las exportaciones de café colombiano presentan una tendencia creciente de largo plazo. Entre 2012 y 2020 la tendencia se mantiene relativamente estable, oscilando entre 180.000 y 250.000 miles de dólares FOB. Sin embargo, a partir de 2021 se observa un crecimiento acelerado que se intensifica desde 2024, alcanzando valores cercanos a 550.000 miles de dólares FOB en 2025, lo que representa el nivel más alto de toda la serie.

El componente estacional evidencia un patrón recurrente y estable durante todo el período analizado, con fluctuaciones aproximadas entre -40.000 y +50.000 miles de dólares FOB. Esto indica que las exportaciones están influenciadas por ciclos regulares asociados a la producción y comercialización del café, aunque la magnitud de estas variaciones es menor en comparación con el crecimiento observado en la tendencia.

Por su parte, los residuos se concentran alrededor de cero, aunque presentan algunos valores atípicos positivos y negativos que superan los ±100.000 miles de dólares FOB, especialmente después de 2020. Estos comportamientos reflejan la influencia de factores extraordinarios no explicados por la tendencia ni la estacionalidad, como cambios en los precios internacionales, variaciones en la demanda externa o condiciones de mercado. En conjunto, la descomposición evidencia que el fuerte aumento de las exportaciones durante los últimos años está explicado principalmente por la tendencia creciente de largo plazo, apoyada por el incremento de los precios internacionales del café.

Ahora graficamos serie original vs tendencia

Primero se debe obtener la tendencia de cada variable y luego graficarla

Tendencia Variable 1

library(ggplot2)
library(plotly)

# Convertir la serie a un vector numérico
variable1_vec <- as.numeric(variable1_ts)
tendencia_var1 <- as.numeric(stl_decomp_var1$time.series[, "trend"])

# Asegurar que 'fechas' tenga la misma longitud
fechas <- seq.Date(from = as.Date("2012-01-01"), by = "month", length.out = length(variable1_ts))

# Gráfico interactivo de la serie original vs tendencia
grafico_tendencia_var1 <- ggplot() +
  geom_line(aes(x = fechas, y = variable1_vec, color = "Serie Original"), size = 0.7, linetype = "solid") +
  geom_line(aes(x = fechas, y = tendencia_var1, color = "Tendencia"), size = 0.8, linetype = "solid") +
  scale_color_manual(values = c("Serie Original" = "grey", "Tendencia" = "black")) +
  ggtitle("Variable 1: Serie Original vs Tendencia") +
  xlab("Tiempo") +
  ylab("Unidad de medida Variable 1") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) # Rotar etiquetas del eje X

# Convertir a gráfico interactivo con plotly
ggplotly(grafico_tendencia_var1)

La tendencia corrige gran parte de las fluctuaciones observadas en la serie original, suavizando los picos y caídas extremas. Mientras la serie original se mantiene aproximadamente entre 550 y 1.800 miles de sacos, la tendencia se mantiene en un rango más estable de 650 a 1.250 miles de sacos, permitiendo identificar con mayor claridad la evolución de largo plazo. Esto indica que una parte importante de las variaciones observadas corresponde a efectos transitorios o estacionales, mientras que la tendencia recoge el comportamiento estructural de la producción.

Tendencia Variable 2

library(ggplot2)
library(plotly)

# Convertir la serie a un vector numérico
variable2_vec <- as.numeric(variable2_ts)
tendencia_var2 <- as.numeric(stl_decomp_var2$time.series[, "trend"])

# Asegurar que 'fechas' tenga la misma longitud
fechas <- seq.Date(from = as.Date("2012-01-01"), by = "month", length.out = length(variable2_ts))

# Gráfico interactivo de la serie original vs tendencia
grafico_tendencia_var2 <- ggplot() +
  geom_line(aes(x = fechas, y = variable2_vec, color = "Serie Original"), size = 0.7, linetype = "solid") +
  geom_line(aes(x = fechas, y = tendencia_var2, color = "Tendencia"), size = 0.8, linetype = "solid") +
  scale_color_manual(values = c("Serie Original" = "grey", "Tendencia" = "black")) +
  ggtitle("Variable 2: Serie Original vs Tendencia") +
  xlab("Tiempo") +
  ylab("Unidad de medida Variable 2") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) # Rotar etiquetas del eje X

# Convertir a gráfico interactivo con plotly
ggplotly(grafico_tendencia_var2)

La tendencia sigue de cerca el comportamiento de la serie original y elimina gran parte de las fluctuaciones de corto plazo, permitiendo identificar con mayor claridad la evolución de los precios internacionales del café. Se observa una caída importante entre 2012 y 2014, cuando la tendencia pasa de aproximadamente 240 a 150 centavos de dólar por libra, seguida de un período de relativa estabilidad entre 2015 y 2020, con valores cercanos a 140-180 centavos por libra.

A partir de 2020 se evidencia un cambio significativo en la dinámica de la serie, ya que la tendencia inicia una fase de crecimiento sostenido. Este incremento se acelera entre 2021 y 2022, cuando los precios alcanzan niveles próximos a 290 centavos por libra, seguido de una corrección temporal durante 2023 y parte de 2024. Sin embargo, la tendencia vuelve a fortalecerse posteriormente, alcanzando cerca de 400 centavos de dólar por libra en 2025.

Tendencia Variable 3

library(ggplot2)
library(plotly)

# Convertir la serie a un vector numérico
variable3_vec <- as.numeric(variable3_ts)
tendencia_var3 <- as.numeric(stl_decomp_var3$time.series[, "trend"])

# Asegurar que 'fechas' tenga la misma longitud
fechas <- seq.Date(from = as.Date("2012-01-01"), by = "month", length.out = length(variable3_ts))

# Gráfico interactivo de la serie original vs tendencia
grafico_tendencia_var3 <- ggplot() +
  geom_line(aes(x = fechas, y = variable3_vec, color = "Serie Original"), size = 0.7, linetype = "solid") +
  geom_line(aes(x = fechas, y = tendencia_var3, color = "Tendencia"), size = 0.8, linetype = "solid") +
  scale_color_manual(values = c("Serie Original" = "grey", "Tendencia" = "black")) +
  ggtitle("Variable 3: Serie Original vs Tendencia") +
  xlab("Tiempo") +
  ylab("Unidad de medida Variable 3") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) # Rotar etiquetas del eje X

# Convertir a gráfico interactivo con plotly
ggplotly(grafico_tendencia_var3)

La tendencia de las exportaciones de café muestra un comportamiento relativamente estable entre 2012 y 2020, manteniéndose en un rango cercano a 150.000-250.000 miles de dólares FOB, a pesar de las fluctuaciones observadas en la serie original. Durante este período se presentan algunos incrementos temporales, como los registrados entre 2014 y 2017, pero sin generar cambios permanentes en la trayectoria de largo plazo.

A partir de 2021 se observa un crecimiento significativo en la tendencia, alcanzando valores cercanos a 350.000 miles de dólares FOB en 2022. Posteriormente, se registra una disminución moderada durante 2023 y comienzos de 2024, seguida de una recuperación acelerada que lleva la tendencia hasta aproximadamente 550.000 miles de dólares FOB en 2025, el nivel más alto de toda la serie.

La tendencia suaviza los fuertes picos y caídas presentes en la serie original, permitiendo identificar que el aumento reciente de las exportaciones no corresponde únicamente a variaciones temporales, sino a un crecimiento sostenido de largo plazo. Esto sugiere un fortalecimiento del valor exportado de café, asociado al incremento de los precios internacionales y a una mayor dinámica comercial en los últimos años.

Ahora calculamos la tasa de crecimiento de la serie original vs tendencia:

Tasa de crecimiento de la serie de tendencia y original para la variable 1

#Cálculo de la tasa de crecimiento anual correctamente alineada
tasa_crecimiento_var1 <- (variable1_ts[(13:length(variable1_ts))] / variable1_ts[1:(length(variable1_ts) - 12)] - 1) * 100
tasa_tendencia_var1 <- (tendencia_var1[(13:length(tendencia_var1))] / tendencia_var1[1:(length(tendencia_var1) - 12)] - 1) * 100

# Crear vector de fechas corregido, es decir que inicie desde enero 2013
fechas_corregidas_var1 <- seq(from = as.Date("2013-01-01"), by = "month", length.out = length(tasa_crecimiento_var1))

*Gráfico variable original y tendencia variable 1: tasa de crecimiento anual**

library(ggplot2)
library(plotly)

# Gráfico de la tasa de crecimiento anual variable 1
grafico_crecimiento_var1 <- ggplot() +
  geom_line(aes(x = fechas_corregidas_var1, y = tasa_crecimiento_var1), color = "grey", size = 0.7) +
  geom_line(aes(x = fechas_corregidas_var1, y = tasa_tendencia_var1), color = "black", size = 0.8, linetype = "dashed") +
  ggtitle("Variable1: Tasa de crecimiento anual % de la serie Original y la tendencia") +
  xlab("Tiempo") +
  ylab("% de Crecimiento Anual") +
  theme_minimal()

# Convertir a gráfico interactivo
ggplotly(grafico_crecimiento_var1)

La tasa de crecimiento anual presenta una alta volatilidad en la serie original, con variaciones que oscilan entre aproximadamente -50% y 65%, reflejando cambios importantes de un año a otro. Sin embargo, la tendencia permite identificar con mayor claridad el comportamiento de largo plazo del crecimiento de la producción.

Entre 2012 y 2014 se observa una fase de crecimiento positivo, con tasas superiores al 30%, asociadas a la expansión de la producción durante esos años. Posteriormente, entre 2015 y 2022, la tendencia se desacelera gradualmente hasta ubicarse cerca de valores nulos e incluso ligeramente negativos, indicando una etapa de menor dinamismo y crecimiento limitado.

A partir de 2023 se presenta una recuperación importante, alcanzando tasas cercanas al 30% en 2024 y 2025. No obstante, al final de la serie la tendencia vuelve a disminuir y se ubica en valores negativos, lo que sugiere una desaceleración reciente de la producción. En general, la tendencia evidencia tres etapas: crecimiento acelerado (2012-2014), desaceleración y estancamiento (2015-2022) y recuperación temporal seguida de una nueva caída (2023-2025).

Ahora calculamos la tasa de crecimiento de la serie original vs tendencia: variable 2

#Cálculo de la tasa de crecimiento anual correctamente alineada
tasa_crecimiento_var2 <- (variable2_ts[(13:length(variable2_ts))] / variable2_ts[1:(length(variable2_ts) - 12)] - 1) * 100
tasa_tendencia_var2 <- (tendencia_var2[(13:length(tendencia_var2))] / tendencia_var2[1:(length(tendencia_var2) - 12)] - 1) * 100

# Crear vector de fechas corregido
fechas_corregidas_var2 <- seq(from = as.Date("2013-01-01"), by = "month", length.out = length(tasa_crecimiento_var2))
# Gráfico de la tasa de crecimiento anual variable 2
grafico_crecimiento_var2 <- ggplot() +
  geom_line(aes(x = fechas_corregidas_var2, y = tasa_crecimiento_var2), color = "grey", size = 0.7) +
  geom_line(aes(x = fechas_corregidas_var2, y = tasa_tendencia_var2), color = "black", size = 0.8, linetype = "dashed") +
  ggtitle("Variable2: Tasa de crecimiento anual % de la serie Original y la Tendencia") +
  xlab("Tiempo") +
  ylab("% de Crecimiento Anual") +
  theme_minimal()

# Convertir a gráfico interactivo
ggplotly(grafico_crecimiento_var2)

El crecimiento anual del precio externo del café presenta una alta volatilidad, con períodos alternados de expansión y contracción a lo largo de la serie. La tendencia muestra un fuerte crecimiento entre 2013 y 2015, alcanzando tasas cercanas al 35%-40%, seguido de una desaceleración que lleva el crecimiento a valores negativos entre 2015 y 2016. Posteriormente, entre 2017 y 2020, las tasas se mantienen alrededor de cero, reflejando una etapa de relativa estabilidad en los precios internacionales.

A partir de 2020 se observa una nueva fase de expansión, donde la tendencia aumenta progresivamente hasta superar el 50% en 2022. Este comportamiento coincide con el importante incremento de los precios internacionales del café observado en esos años. Sin embargo, durante 2023 se presenta una corrección significativa que lleva nuevamente las tasas de crecimiento a valores negativos, evidenciando una desaceleración temporal del mercado.

Desde finales de 2024 se registra una recuperación acelerada, alcanzando tasas de crecimiento superiores al 60% en 2025, las más altas de todo el período analizado. Aunque al final de la serie se observa una moderación del crecimiento, los valores permanecen positivos. En general, la tendencia indica que los mayores episodios de expansión del precio externo ocurrieron en 2014-2015, 2021-2022 y especialmente en 2024-2025, mientras que los periodos de contracción más importantes se registraron entre 2015-2016 y durante 2023.

Ahora calculamos la tasa de crecimiento de la serie original vs tendencia: variable 3

#Cálculo de la tasa de crecimiento anual correctamente alineada
tasa_crecimiento_var3 <- (variable3_ts[(13:length(variable3_ts))] / variable3_ts[1:(length(variable3_ts) - 12)] - 1) * 100
tasa_tendencia_var3 <- (tendencia_var3[(13:length(tendencia_var3))] / tendencia_var3[1:(length(tendencia_var3) - 12)] - 1) * 100

# Crear vector de fechas corregido
fechas_corregidas_var3 <- seq(from = as.Date("2013-01-01"), by = "month", length.out = length(tasa_crecimiento_var3))
# Gráfico de la tasa de crecimiento anual variable 2
grafico_crecimiento_var3 <- ggplot() +
  geom_line(aes(x = fechas_corregidas_var3, y = tasa_crecimiento_var3), color = "grey", size = 0.7) +
  geom_line(aes(x = fechas_corregidas_var3, y = tasa_tendencia_var3), color = "black", size = 0.8, linetype = "dashed") +
  ggtitle("Variable3: Tasa de crecimiento anual % de la serie Original y la tendencia") +
  xlab("Tiempo") +
  ylab("% de Crecimiento Anual") +
  theme_minimal()

# Convertir a gráfico interactivo
ggplotly(grafico_crecimiento_var3)

El crecimiento anual de las exportaciones de café presenta una elevada volatilidad, reflejada en las fuertes oscilaciones de la serie original. Sin embargo, la tendencia permite identificar con mayor claridad los cambios de largo plazo en el crecimiento de las exportaciones.

Entre 2012 y 2015 se observa una fase de expansión, con tasas de crecimiento que alcanzan aproximadamente el 40%, seguida por una desaceleración que lleva el crecimiento a valores negativos entre 2015 y 2016. Posteriormente, entre 2017 y 2020, la tendencia se mantiene cercana a cero, indicando un período de relativa estabilidad y bajo crecimiento de las exportaciones.

A partir de 2021 se inicia una nueva etapa de crecimiento, alcanzando tasas cercanas al 45% en 2022. Sin embargo, durante 2023 se presenta una contracción importante, con tasas negativas cercanas al -30%, evidenciando una reducción temporal en la dinámica exportadora. Finalmente, desde finales de 2024 se registra una recuperación acelerada que lleva la tasa de crecimiento a valores superiores al 60% en 2025, los más altos de toda la serie. Este comportamiento coincide con el fuerte incremento observado en el precio internacional del café, lo que sugiere que la valorización del producto contribuyó significativamente al crecimiento reciente de las exportaciones.

Analizar la tasa de crecimiento anual ayuda a detectar cambios en el entorno económico que afectan el sector. Se pueden prever crisis o períodos de auge y prepararse para ellos.

Modelo ARIMA

División en conjunto de entrenamiento y prueba para la variable 1 que es la elegida para pronosticar

El código siguiente divide una serie temporal (variable1_ts) en dos subconjuntos:

Conjunto de entrenamiento (train): Datos desde enero de 2012 hasta septiembre de 2025. Conjunto de prueba (test): Datos desde octubre de 2025 hasta diciembre de 2025.

Esto se hace para evaluar el desempeño de modelos de predicción en datos no vistos.

# Esta división idealmente podria se 80%-70% de los datos para entrenamiento y 20%-30% para prueba o test

# En este ejemplo el conjunto de entrenamiento es: Enero 2012-Septiembre 2025 y  el conjunto de prueba o test: noviembre 2025-diciembre 2025

train_size <- length(variable1_ts) - 3 # Se deja fuera los últimos 3 valores para usarlos como set de prueba.
train_ts <- window(variable1_ts, end = c(2025, 9))  # Entrenamiento hasta septiembre 2025
test_ts <- window(variable1_ts, start = c(2025, 10))  # Prueba inicia desde oct2025

Modelo ARIMA automático normal (sin tener en cuenta el factor estacional)

Identificación automática del modelo ARIMA

library(forecast)

# Ajustar un modelo ARIMA automático sin estacionalidad, por eso se pone seasonal=FALSE
auto_arima_model_no_seasonal <- auto.arima(train_ts, seasonal = FALSE)

# Mostrar el modelo seleccionado
summary(auto_arima_model_no_seasonal)
## Series: train_ts 
## ARIMA(0,1,2) 
## 
## Coefficients:
##           ma1      ma2
##       -0.2548  -0.5399
## s.e.   0.0715   0.0713
## 
## sigma^2 = 32369:  log likelihood = -1083.79
## AIC=2173.59   AICc=2173.74   BIC=2182.89
## 
## Training set error measures:
##                   ME     RMSE      MAE        MPE     MAPE      MASE
## Training set 16.8956 178.2713 141.1356 -0.4770832 13.48926 0.8018914
##                      ACF1
## Training set -0.001962153

Estimación del modelo identificado automatico y validación de Significancia de coeficientes

library(lmtest)

# Evaluar la significancia estadística de los coeficientes del modelo ARIMA
coeftest(auto_arima_model_no_seasonal)
## 
## z test of coefficients:
## 
##      Estimate Std. Error z value  Pr(>|z|)    
## ma1 -0.254763   0.071528 -3.5617 0.0003684 ***
## ma2 -0.539876   0.071270 -7.5751  3.59e-14 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
# Ajuste del modelo ARIMA(4,1,2) automático sin parte estacional y crearlo como variable darima_auto para luego poder graficarlo y crear la tabla
darima_auto <- Arima(train_ts, 
                order = c(0, 1, 2))  # Especificamos directamente (p=0, d=1, q=2)  

# Mostrar resumen del modelo ajustado
summary(darima_auto)
## Series: train_ts 
## ARIMA(0,1,2) 
## 
## Coefficients:
##           ma1      ma2
##       -0.2548  -0.5399
## s.e.   0.0715   0.0713
## 
## sigma^2 = 32369:  log likelihood = -1083.79
## AIC=2173.59   AICc=2173.74   BIC=2182.89
## 
## Training set error measures:
##                   ME     RMSE      MAE        MPE     MAPE      MASE
## Training set 16.8956 178.2713 141.1356 -0.4770832 13.48926 0.8018914
##                      ACF1
## Training set -0.001962153

Validación de residuales o errores del modelo

# Diagnóstico del modelo (los residuos deben ser ruido blanco)
checkresiduals(darima_auto)  # Verificar si los residuos son aleatorios y no presentan patrones

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(0,1,2)
## Q* = 88.006, df = 22, p-value = 7.468e-10
## 
## Model df: 2.   Total lags used: 24

Pronóstico modelo ARIMA automático dentro de muestra o en el set de prueba

# Generar pronóstico para el conjunto de prueba
forecast_arima_auto <- forecast(darima_auto, h = length(test_ts))  # Predecir los valores futuros

# Crear dataframe para gráfico interactivo del pronóstico
forecast_data_auto <- data.frame(Tiempo = time(forecast_arima_auto$mean), 
                            Pronostico = as.numeric(forecast_arima_auto$mean),
                            Observado = as.numeric(test_ts))

# Graficar pronóstico junto con los valores observados reales
p4auto <- ggplot(forecast_data_auto, aes(x = Tiempo)) +
  geom_line(aes(y = Pronostico, color = "Pronóstico")) +
  geom_line(aes(y = Observado, color = "Observado")) +
  ggtitle("Pronóstico vs Observado") +
  xlab("Tiempo") + ylab("variable1")

ggplotly(p4auto)  # Convertir el gráfico en interactivo

Interpretación modelo automatico (0,1,2): La comparación entre los valores observados y los pronosticados muestra que el modelo ARIMA (0,1,2) no logra representar adecuadamente el comportamiento reciente de la variable. Mientras los datos observados presentan inicialmente un crecimiento hasta valores cercanos a 1.265 miles de sacos y posteriormente una leve disminución, los pronósticos muestran una tendencia descendente y posteriormente estable alrededor de 1.150 miles de sacos. Esta diferencia evidencia que el modelo no captura correctamente la magnitud ni la dirección de los cambios observados.

Además, se observa una brecha continua entre los valores reales y los estimados, lo que indica un sesgo importante en las predicciones. La tendencia pronosticada resulta poco coherente con la evolución reciente de la serie, ya que subestima de manera consistente los niveles observados y no refleja adecuadamente el comportamiento de recuperación registrado en los datos.

En consecuencia, aunque el modelo fue seleccionado mediante el procedimiento automático, la evidencia gráfica sugiere que su capacidad predictiva fuera de muestra es limitada. Por tanto, no se recomienda utilizar este modelo como herramienta principal de pronóstico sin realizar comparaciones con otras especificaciones ARIMA o incorporar componentes adicionales que permitan capturar mejor la dinámica de la serie.

Pronóstico automático dentro del set de prueba como tabla

# Cargar librerías necesarias
library(forecast)
library(dplyr)

# Generar pronóstico con el modelo ARIMA identificado
arima_forecast_auto <- forecast(auto_arima_model_no_seasonal, h = length(test_ts))

# Crear un dataframe con los valores observados y pronosticados
forecast_table_auto <- data.frame(
  Tiempo = time(arima_forecast_auto$mean),  # Extraer las fechas del pronóstico
  Observado = as.numeric(test_ts),  # Valores reales
  Pronosticado = as.numeric(arima_forecast_auto$mean)  # Valores pronosticados
)

# Mostrar la tabla
print(forecast_table_auto)
##     Tiempo Observado Pronosticado
## 1 2025.750  1208.087     1186.604
## 2 2025.833  1266.070     1152.042
## 3 2025.917  1233.423     1152.042
# Cargar librerías necesarias
library(forecast)

# Hacer un pronóstico para el siguiente trimestre (1 período adicional)
next_forecast_auto <- forecast(auto_arima_model_no_seasonal, h = length(test_ts) + 1)

# Extraer el pronóstico del próximo trimestre
next_month_forecast_auto <- data.frame(
  Tiempo = time(next_forecast_auto$mean),  # Extraer la fecha del pronóstico
  Pronostico = as.numeric(next_forecast_auto$mean)  # Valor pronosticado
)

# Mostrar el pronóstico completo
print(next_month_forecast_auto)
##     Tiempo Pronostico
## 1 2025.750   1186.604
## 2 2025.833   1152.042
## 3 2025.917   1152.042
## 4 2026.000   1152.042
# Extraer solo el valor del trimestre adicional (último de la tabla)
next_month <- tail(next_month_forecast_auto, 1)
print(paste("Pronóstico para enero 2025:", next_month$Tiempo, "=", next_month$Pronostico))
## [1] "Pronóstico para enero 2025: 2026 = 1152.04182550353"

Crecimiento Anual

Modelo SARIMA automático

Este modelo podria ser una solución o mejora al modelo arima tradicional ya que recoge el efecto estacional de las variables, es recomendable por tanto para datos que si tienen un componente estacional fuerte.

Identificación dautomática del modelo SARIMA

Dado que el modelo ARIMA no logró reproducir adecuadamente la trayectoria observada ni los cambios recientes de la serie, se propone el uso de un modelo SARIMA, el cual incorpora la componente estacional y permite capturar patrones que no fueron explicados por el ARIMA. Esto puede traducirse en pronósticos más coherentes con el comportamiento real de la variabl

# Identificación automática modelo SARIMA
auto_arima_model <- auto.arima(train_ts)  # Busca automáticamente los mejores parámetros del modelo ARIMA
print(auto_arima_model)
## Series: train_ts 
## ARIMA(0,1,2)(2,0,0)[12] 
## 
## Coefficients:
##           ma1      ma2    sar1    sar2
##       -0.3560  -0.4240  0.3121  0.3338
## s.e.   0.0776   0.0774  0.0762  0.0787
## 
## sigma^2 = 23617:  log likelihood = -1059.69
## AIC=2129.37   AICc=2129.75   BIC=2144.87
# Cargar el paquete necesario
library(forecast)

# Ajustar el modelo SARIMA(0,1,2)(2,0,07)[12] #Modelo identificado en el paso anterior
darima <- Arima(train_ts, 
                order = c(0, 1, 2),  # (p,d,q) -> (0,1,2)
                seasonal = list(order = c(2, 0, 0),  # (P,D,Q) -> (2,0,0)
                                period = 12))  # Periodicidad estacional de 12 meses

# Mostrar resumen del modelo ajustado
summary(darima)
## Series: train_ts 
## ARIMA(0,1,2)(2,0,0)[12] 
## 
## Coefficients:
##           ma1      ma2    sar1    sar2
##       -0.3560  -0.4240  0.3121  0.3338
## s.e.   0.0776   0.0774  0.0762  0.0787
## 
## sigma^2 = 23617:  log likelihood = -1059.69
## AIC=2129.37   AICc=2129.75   BIC=2144.87
## 
## Training set error measures:
##                    ME     RMSE      MAE        MPE     MAPE      MASE
## Training set 7.885317 151.3326 118.2538 -0.7825922 11.38977 0.6718835
##                     ACF1
## Training set -0.01208367

Validación de residuales del modelo automatico SARIMA

En el correlograma de residuos siguiente se observa que, mejora la correlación de los residuos frente a lso dos modelos anteriores. Sin embargo, al comparar los valores reales VS pronosticados se determina una poca coincidencia. Sigue funcionando mejor el modelo automatico (4,1,2)

# Diagnóstico del modelo (los residuos deben ser ruido blanco)
checkresiduals(darima)  # Verificar si los residuos son aleatorios y no presentan patrones

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(0,1,2)(2,0,0)[12]
## Q* = 26.245, df = 20, p-value = 0.1579
## 
## Model df: 4.   Total lags used: 24

Pronóstico con el modelo SARIMA dentro del set de prueba-Gráfico líneas

# Generar pronóstico para el conjunto de prueba
forecast_arima <- forecast(darima, h = length(test_ts))  # Predecir los valores futuros

# Crear dataframe para gráfico interactivo del pronóstico
forecast_data <- data.frame(Tiempo = time(forecast_arima$mean), 
                            Pronostico = as.numeric(forecast_arima$mean),
                            Observado = as.numeric(test_ts))

# Graficar pronóstico junto con los valores observados reales
p4 <- ggplot(forecast_data, aes(x = Tiempo)) +
  geom_line(aes(y = Pronostico, color = "Pronóstico")) +
  geom_line(aes(y = Observado, color = "Observado")) +
  ggtitle("Pronóstico vs Observado") +
  xlab("Tiempo") + ylab("Unidad Variable 1")

ggplotly(p4)  # Convertir el gráfico en interactivo

La comparación entre los valores observados y los pronosticados para la producción de café. Se observa que el modelo reproduce adecuadamente la forma general de la serie, ya que identifica el incremento de la producción desde aproximadamente 1.210 hasta 1.265 miles de sacos y posteriormente la reducción hacia 1.235 miles de sacos, capturando correctamente el punto de inflexión observado en el periodo de evaluación.

Sin embargo, el modelo presenta una sobreestimación considerable de los niveles de producción. Mientras los valores observados oscilan entre 1.210 y 1.265 miles de sacos, los valores pronosticados se sitúan entre 1.340 y 1.510 miles de sacos, generando diferencias superiores a 100 miles de sacos en todos los periodos analizados. La mayor discrepancia se presenta en el punto máximo de la serie, donde el modelo proyecta cerca de 1.510 miles de sacos, frente a un valor observado de aproximadamente 1.265 miles de sacos.

A pesar de este sesgo en magnitud, la capacidad del modelo para identificar el cambio de tendencia constituye una mejora respecto al modelo ARIMA. La incorporación de la componente estacional permite capturar mejor la dinámica temporal de la serie y reproducir los movimientos de crecimiento y desaceleración observados en los datos. No obstante, la amplitud de la sobreestimación indica que el modelo todavía no logra representar con precisión el nivel real de la producción, por lo que, aunque resulta útil para identificar la dirección de la serie, su capacidad predictiva en términos de magnitud debe interpretarse con cautela.

# Cargar librerías necesarias
library(forecast)
library(dplyr)

# Generar pronóstico con el modelo ARIMA identificado
arima_forecast <- forecast(auto_arima_model, h = length(test_ts))

# Crear un dataframe con los valores observados y pronosticados
forecast_table <- data.frame(
  Tiempo = time(arima_forecast$mean),  # Extraer las fechas del pronóstico
  Observado = as.numeric(test_ts),  # Valores reales
  Pronosticado = as.numeric(arima_forecast$mean)  # Valores pronosticados
)

# Mostrar la tabla
print(forecast_table)
##     Tiempo Observado Pronosticado
## 1 2025.750  1208.087     1342.109
## 2 2025.833  1266.070     1510.135
## 3 2025.917  1233.423     1500.895
# Cargar librerías necesarias
library(forecast)

# Hacer un pronóstico para el siguiente mes (1 período adicional)
next_forecast <- forecast(auto_arima_model, h = length(test_ts) + 1)

# Extraer el pronóstico del próximo mes
next_month_forecast <- data.frame(
  Tiempo = time(next_forecast$mean),  # Extraer la fecha del pronóstico
  Pronostico = as.numeric(next_forecast$mean)  # Valor pronosticado
)

# Mostrar el pronóstico completo
print(next_month_forecast)
##     Tiempo Pronostico
## 1 2025.750   1342.109
## 2 2025.833   1510.135
## 3 2025.917   1500.895
## 4 2026.000   1275.700
# Extraer solo el valor del trimestre adicional (último de la tabla)
next_month <- tail(next_month_forecast, 1)
print(paste("Pronóstico para enero 2025:", next_month$Tiempo, "=", next_month$Pronostico))
## [1] "Pronóstico para enero 2025: 2026 = 1275.69983598939"

Tasas de Crecimiento Variable PNCAFE - Pronóstico 2026 versus Diciembre 2025 y Enero 2025

Evaluación del Módelo

Implicaciones del Pronóstico para JUAN VALDEZ

Conclusión Modelo - Sarima

¿Qué decisiones debería tomar JUAN VALDEZ?

¿Qué riesgos u oportunidades se identifican?

¿Cómo JUAN VALDEZ debe prepararse para el futuro?

Recomendaciones de grupo de analistas

Conclusion