Download
slide1 n.
Skip this Video
Loading SlideShow in 5 Seconds..
PRONÓSTICOS DE SERIES NO ESTACIONARIAS DR. LUIS MIGUEL GALINDO PowerPoint Presentation
Download Presentation
PRONÓSTICOS DE SERIES NO ESTACIONARIAS DR. LUIS MIGUEL GALINDO

PRONÓSTICOS DE SERIES NO ESTACIONARIAS DR. LUIS MIGUEL GALINDO

148 Views Download Presentation
Download Presentation

PRONÓSTICOS DE SERIES NO ESTACIONARIAS DR. LUIS MIGUEL GALINDO

- - - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript

  1. PRONÓSTICOS DE SERIES NO ESTACIONARIAS DR. LUIS MIGUEL GALINDO

  2. INTRODUCCIÓN • La economía está sujeta a cambios repentinos asociados a legislación, política económica o shocks de diverso tipo • Teoría econométrica se construye con modelos correctamente especificados, con parámetros constantes y procesos estacionarios • Los rompimientos en las medias se “arreglan” con correcciones en el intercepto o sobrediferenciando • Difícil combatir la ituición de que la correcta especificación y el método de estimación importa más que los componentes determinísticos • La evidencia empírica indica que los componentes determinísticos son los fundamentales porque un buen pronóstico Dr. Galindo

  3. INTRODUCCIÓN • En condiciones normales ambos factores importan • En condiciones de grandes cambios los elementos determinísticos son fundamentales • Modelos simples que reducen la incertidumbre sobre los componentes determinísticos pueden mejorar los pronósticos: • El criterio de pronósticos no es bueno para seleccionar un modelo econométrico Dr. Galindo

  4. INTRODUCCIÓN La teoría de pronóstico es adecuada en el caso donde el DGP coincide con el modelo econométrico y existen series estacionarias ó DSP El pronóstico se define como: El pronóstico condicional es insesgado: Dr. Galindo

  5. INTRODUCCIÓN • Problemas: • 1. Selección del conjunto de información en • 2. Método de estimación • 3. Cambios estructurales en series no estacionarias • Stock, D. H. y M.W. Watson (1996), Evidence on Structural Inestability in Macroeconomic time series relations, Journal of Bussines and Economics and Statistics, 14, pp. 11-30 • Las 76 series consideradas y sus 5,700 relaciones bivariadas tienen cambio estructural • Nota: Inestabilidad en un VAR ivariado implica inestabilidad en un VAR mayor Dr. Galindo

  6. CONSIDERACIONES GENERALES • El éxito de los pronósticos depende de: • Existen patrones regulares en las series • 2. Estos patrones regulares tienen información para predecir el futuro • 3. El método propuesto para capturar estas regularidades • 4. Excluir las irregularidades Dr. Galindo

  7. CONSIDERACIONES GENERALES Fuentes de error de pronostico: 1. No constancia en los parámetros (principal) 2. Variación muestral 3. Errores de medición de las variables 4. Incertidumbre en el error Los ajustes en la constante a la diferenciación (cointegración) mejoran pronósticos La sobrediferenciación hace un promedio móvil que nunca está tremendamente mal ECM predicen mal con cambios en la media del equilibrio Dr. Galindo

  8. CONSIDERACIONES GENERALES • Información de casualidad: • En el caso donde el modelo coincide con el DGP entonces incluir más información causal mejora el pronóstico que de incluirse información no causal. • Información causal, con series estacionarias, mejora los pronósticos incluso en un modelo incorrectamente especificado. • Sin embargo con un modelo mal especificado y con cambio estructural en las series entonces la información causal o no causal puede ayudar. • Información no causal son dummies de información causal omitida. • En un modelo que no coincide con el DGP con cambio estructural entonces no existe dominancia de la información causal Dr. Galindo

  9. CONSIDERACIONES GENERALES • Implicaciones de que la información causal no tiene dominancia en los modelos incorrectamente especificados: • Existen métodos como corrección de constante o diferenciación para corregir cambios estructurales ya ocurridos. • Modelos mal especificados pero robustos al cambio estructural pronostican mejor que modelos causales Pronóstico preciso: pequeña incertidumbre • Pronostico “accúrate” si es cercano al resultado en promedio. Dr. Galindo

  10. CAUSAS DE ERROR DE PRONÓSTICO • Fuentes de error: • Términos determinístico • variables estocásticas con valores futuros desconocidos • Errores no observados con valores desconocidos • Cada uno de estas fuentes de error se relacionan con tres tipos de error: • Incorrecta especificación • Incorrecta estimación • Cambios no anticipados Dr. Galindo

  11. CAUSAS DE ERROR DE PRONÓSTICO • Conclusiones: • Cambios en los medios de equilibrio son los principales determinantes de errores sistemáticos de pronóstico. • No existe garantía de que un modelo correctamente especificado 1ue tenga mejores pronósticos que otros modelos • Información causal puede mejorar el pronóstico • No se debe utilizar necesariamente el modelo con el mejor pronóstico para simular política económica. • 4.Cambios en los factores determinísticos son los principales factores de fracaso en los pronósticos • 5. Incorrecta especificación y mala estimación no son tan importantes pero juntos pueden llevar a errores de pronóstico fuertes Dr. Galindo

  12. DIFERENCIACIACIÒN Modelos en primeras o segundas diferencias contribuyen a disminuir los problemas de cambio estructural. La varianza menor, bajo el supuesto de que no existen cambios estructurales, es VECM, primeras diferencias y segundas diferencias. La diferenciación es robusta ante cambios en los componentes determinísticos en horizontes cortos. Sin cambio estructural el ECM domina en el largo plazo. Dr. Galindo

  13. CORRECCIONES EN EL INTERCEPTO Las correcciones en el intercepto mejoran el desempeño de los ECM aunque a algún costo en la varianza del pronóstico Grado de ajuste durante la muestra es un mal indicador de desempeño predictivo ante la presencia de cambios estructurales Dr. Galindo

  14. CONSIDERACIONES GENERALES Pronósticos con series que no pueden reducirse a ser estacionarias. La principal fuente de fracaso en los pronósticos son los cambios en los componentes determinísticos Otras fuentes de fracaso en los pronósticos como incorrecta especificación e incertidumbre en la estimación son menos importantes con la excepción de cuando incluye en términos determinísticos Los modelos en primeras diferencias ayudan a mejorar el desempeño de pronóstico pero no deben corregirse por autocorrelación Dr. Galindo

  15. CONSIDERACIONES GENERALES El desempeño de pronóstico de un modelo que tiene cambios estructurales no es una buena guía de selección → No puede rechazarse una teoría si el modelo no predice correctamente → Analogía de la nave espacial y el meteoro Dr. Galindo

  16. PRONÓSTICOS DE SERIES NO ESTACIONARIAS DR. LUIS MIGUEL GALINDO