Nowcasting: Modelos de Factores Dinámicos y Ecuaciones Puente para la Proyección del PIB del Ecuador
##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.main##
Resumen
El rumbo que puede tomar la actividad económica es de vital importancia tanto para hacedores de política económica como para los agentes privados, sin embargo, la publicación de los principales indicadores macroeconómicos como el PIB, generalmente presentan rezagos de hasta 90 días a partir de la finalización de un trimestre. Este trabajo constituye una aproximación a la proyección de la tasa de crecimiento anual del PIB Real del Ecuador utilizando los modelos de factores dinámicos y ecuaciones puente, desarrollando un ejercicio de nowcasting que produce estimaciones consistentes a través del Análisis de Componentes Principales y el filtro de Kalman, generando proyecciones con 50 días de anticipación respecto a la publicación oficial. La evaluación de los modelos fue realizada bajo el enfoque de ventanas movibles, expandibles, nowcast y el contraste Diebold-Mariano, y sugieren que el modelo que proporciona pronósticos más precisos es aquel que incorpora en la ecuación puente solamente los factores extraídos en el modelo de factores dinámicos.
Palabras clave
##plugins.themes.bootstrap3.article.details##
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
Este obra está bajo una licencia de Creative Commons Reconocimiento 4.0 Internacional
Citas
II. Banbura, M., Giannone, D., Modugno, M., y Reichlin, L. (2013). Now-casting and the real-time data flow. ECB Working Paper Series.
III. Camacho, M., y Perez-Quiros, G. (2010). Introducing the Euro-Sting: short term indicator of Euro area growth. Banco de España.
IV. Cobb, M., Garcia, M., Medel, C., Echavarría, G., Godoy, C., Filippi, P., Urrutia, M. (2011). Short-term GDP forecasting using bridge models: a case for Chile. Banco Central de Chile -Documentos de Trabajo.
V. D'Amato, L., Garegnani, L., y Blanco, E. (2010). Using the flow of conjectural information for short term forecasting of economic activity in Argentina. Banco Central de Argentina.
VI. D'Amato, L., Garegnani, L., y Blanco, E. (2015). Nowcasting de PIB: evaluando las condiciones cíclicas de la economía argentina. Estudios BCRA Documentos de trabajo, 1-14.
VII. Dickey, D., y Fuller, W. (1981). Distribution of estimator for autoregressive time series with unit root". Journal of Econometrics. Jounal of The Econometric Society, 1057-1072.
VIII. Doz, C., Giannone, D., y Reichlin, L. (2011). A two-step estimator for large approximate dynamic factor models based on Kalman filtering. Journal of Econometrics, 188-205.
IX. Elliot, G., Rothenberg, T., y Stock, J. (1996). Efficient test foran Autoregressive Unit Root. Journal of The Econometric Society, 813-836.
X. Giannone, D., Reichlin, L., y Small, D. (2008). Nowcasting: The real-time informational content. Journal of Monetary Economics, 665-676.
XI. Gujarati, D., y Porter, D. (2010). Econometría.Mexico: McGraw Hill.
XII. Harvey, D., Leybourne, S., y Newbold, P. (1997). Testing the equality of prediction mean squared errors. International Journal of Forecasting, 281-291.
XIII. Kwiatkowski, D., Phillips, P., Schmidt, P., y Shin, Y. (1992). Testingthe null hypotesis of stationary against the alternative of a unit root: how sure are we that economic time series have a unit root. Journal of The Econometric Society, 159-178.
XIV. Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis.Italy: Springer.
XV. Maddala, G. (1996). Introducción a la econometría.México: Prentice Hall.
XVI. Maddala, G., y Kim, I. (1998). Unit Roots, Cointegration, and Structural Change.United Kingdom: Cambridge University Press.
XVII. Modugno, M., Soybilgen, B. S., y Yazgan, E. (2016-044). Nowcasting Turkish GDP and News Decomposition. Finance and Economics Discussion Series.
XVIII. Newey, W., y West, K. (1987). A simple, positive semi-definitive, heteroskedasticy and autocorrelation consistent covariance matrix. Econometrica, 703-708.
XIX. Pérez, C. (2008). Econometría Avanzada: Técnicas y Herramientas.España: Prentice Hall.
XX. Rünstler, G., y Sédillot, F. (2003). Short-Term estimate of Euro Area Real GDP by mean of Monthly Data. ECB Working Paper.
XXI.Sánchez, I. (1996). Errores de predicción y raíces unitarias en series temporales.Madrid: Tesis Doctoral. Universidad Carllos III de Madrid.
XXII. Stock, J., y Watson, M. (2002). Forecasting using principal components from a large number of predictors. Journal of the American Statistical Association, 147-162.
XXIII. Tsay, R. (2013). Multivariate Time Series Analysis: With R and Financial Applications.Chicago: Wiley.
XXIV. Zivot, E., y Andrews, D. (1992). Further evidence on the great crash, the oil-price shock, and the Unit Root Hypothesis. Journal of Business y Economic Statistic, 251-270.