Métodos Bayesianos para el pronóstico de variables macroeconómicas

Abstract

El análisis de series de tiempo económicas es indispensable para la toma de decisiones que afectan la economía de un país. Por lo que el ajuste de un modelo estadístico a las variables es de suma importancia para poder realizar un análisis económico y pronósticos. El presente trabajo tiene como objetivo presentar el modelo lineal dinámico (DLM) para el análisis y pronóstico de variables económicas. La inferencia sobre los parámetros del modelo se realiza mediante el enfoque computacional INLA (Integrated Nested Laplace Approximation). Las variables económicas que se analizaron en manera de ejemplo son: el Producto Interno Bruto, el Índice Nacional de Precios al Consumidor, la Inversión Extranjera Directa, el Tipo de Cambio y la Tasa de Interés. Además, se ajustaron a cada una de las variables un Modelo Autorregresivo e Integrado de Media Móvil (ARIMA) para realizar una comparación entre estos modelos y los DLM. La comparación se basó en el error cuadrático medio (EMC), observandose que el DLM tiene un ECM 85% menor que el modelo ARIMA. Los resultados obtenidos muestran que los DLM presentan un mejor ajuste con los datos que los modelos ARIMA. Además es más práctico y sencillo ajustar un DLM que un modelo ARIMA. En cuanto a la inferencia del DLM utilizando el enfoque computacional INLA, resulta ser rápida y eficiente, por lo que resulta ser una herramienta útil. _______________ BAYESIAN METHODS FOR THE FORECAST OF MACROECONOMIC VARIABLES. ABSTRACT: The analysis of economic time series is essential in making decisions that affect the economy of a country. So, the adjusment of a statistical model for a variables is essential to perform an economic analysis and forecast. In this paper, we presents the dynamic linear model (DLM) for the analysis and forecast of economic variables. Inference of the model parameters is performed by the computational approach INLA (Integrated Nested Laplace Approximation). The economic variables that we analyzed as examples were: Gross Domestic Product, Consumer Price Index, Foreign Direct Investment, Interest Rates and Exchange Rate. In addition, each variable was adjusted an ARIMA model to performed a comparisson between these models and the DLM. The comparisson was based by the mean square error (MSE); being observed that the DLM have a MSE 85% less than the ARIMA models. The results show that the DLM has a better adjusment than the ARIMA models with the data. In addition, it is result more practical and simple adjust a DLM than a model ARIMA. Inference using the computational approach INLA proves to be quickly and eficiently.