Predecir la demanda de exportación de vino premium con series temporales multivariantes

En equipo de 3 personas, desarrollarás un modelo econométrico de series temporales (time series: datos ordenados cronológicamente donde el pasado explica el futuro) para predecir la demanda mensual de vino premium por país durante los próximos 12 meses. El dataset incluye 60 meses de ventas desagregadas, tipos de cambio reales, índice de confianza del consumidor de cada país, y calendario de festivos locales. Debes comparar al menos tres enfoques: un modelo ARIMA univariante (AutoRegressive Integrated Moving Average: modelo estadístico que usa valores pasados y errores pasados para predecir), una regresión con variables explicativas y corrección de errores (ECM: Error Correction Model, que combina relaciones de largo y corto plazo), y un modelo de vectores autorregresivos (VAR: Vector Autoregression, donde varias variables se predicen mutuamente). Debes evaluar el error de predicción con validación cruzada temporal (time series cross-validation: entrenar con datos antiguos, predecir los más recientes, repetir) y recomendar qué modelo usa la bodega para cada país. El éxito se mide por la reducción del error de predicción respecto al método actual (promedio móvil de 12 meses) y por la claridad del protocolo de actualización mensual.