CLASE N04:

TCNICAS DE PREDICCIN
Ricardo Ramos Rojas
Universidad Nacional de Ingeniera FIEECS

>Curso Especializacin Econometra Aplicada

Setiembre - 2016

Mdulo
de
Econometra
Intermedia

1. INTRODUCCIN
Una prediccin econmica es cualquier declaracin sobre la
evolucin futura de una variable econmica.
De manera ms
desconocido.

general

es

cualquier

guess

sobre

lo

Qu se puede predecir en economa?

Series temporales. Ej: PBI, inflacin, tipo de cambio, ventas de empresas.
Resultado de eventos. Ej: si la economa entrar en recesin por la crisis
internacional, si una persona dejar de pagar sus deudas.

Con qu mtodos se realizan las proyecciones?

Juicios de expertos: Ej Sondeo de crecimiento de PBI segn Bloomberg.
Modelos de series de Tiempo:
Metodologa Box-Jenkins
Modelos Econmicos / Sistemas Ecuaciones

2. PROYECCIN DE TENDENCIA
Tenemos el siguiente modelo:
= +
Si E( + | ) = , donde es el set de informacin hasta el
periodo y es el horizonte de prediccin.
Por lo tanto, la proyeccin de + =
Otras alternativas de tendencia son:
Lineal: = 0 + 1
Cuadrtica: = 0 + 1 + 2 2
Logaritmos: ln( ) = ln( 0 ) + ln( 1 )

2. PROYECCIN DE TENDENCIA:
CASO TENDENCIA LINEAL
Tenemos el siguiente modelo:
= 0 + 1 +
Dado el horizonte de prediccin , en el tiempo T +
tenemos:
+ = 0 + 1 ( + ) + +
Reemplazamos + con una ptima proyeccin hasta la
informacin T:
+ = 0 + 1 ( + )
Para hacer realizable la proyeccin, reemplacemos los
parmetros por los estimadores:
+ = 0 + 1 ( + )

3. PROYECCIN CON MODELOS AR

Tenemos el siguiente modelo AR(1):
= + 1 +
Para = 1
+1 = + + +1
La proyeccin ptima es:
+1 = +
Para = 2
+2 = + +1 + +2
La proyeccin ptima es:
+1 = + = + ( + )
En general, steps hacia adelante, la proyeccin sera:
+ = + +1

4. SELECCIN DE MODELOS
Podemos utilizar los siguientes criterios de informacin :
Akaike :
2
2

=1

Schwarz :

Hannan-Quinn :

=
MSE Ajustado :

ln( )

=1

2
=1

2
=1

4. SELECCIN DE MODELOS
Akaike y Schwarz son los ms populares.
AIC es inconsistente (tiende a sobrestimar) pero
asintticamente eficiente.
SIC es consistente (ms parsimonioso) pero no es
asintticamente eficiente.
Condiciones necesarias para compararlos: Igual
Nmero de observaciones y variable dependiente.
No es usual que AIC y SIC escojan el mismo modelo.
Cuando esto ocurra, es recomendable utilizar SIC.

5. MODELOS LINEALES DE REGRESIN

Modelos de regresin son algunas veces
llamados causales o modelos explicativos.
Modelos de regresin son multivariados.
La idea es explotar la relacin entre el set de
variables explicativas y la variable dependiente
(variable a predecir).
La eleccin de tales variables (X's) es
usualmente inspirada en la teora econmica y
confirmada por la significancia estadstica.

5. MODELOS LINEALES DE REGRESIN

Sean dos variables y que se relacionan de esta
manera:
= + +
La proyeccin de la serie, es la siguiente:
+ = + + + +
+ = + +
La proyeccin de + requiere que el valor + , el cual
no siempre est disponible.
Podemos asumir un proceso para +
+ = +

Luego reemplazar en ecuacin de proyeccin para +

6. EVALUACIN CAPACIDAD PREDICTIVA

MSPE (mean square prediction error): mide el
promedio de la diferencia entre el valor
proyectado y el verdadero valor, la cual est
elevada al cuadrado:
1
=

(+ ) 2
=1

donde:
P= nmero de predicciones.
h= horizonte de prediccin.
+ = + - + = error de prediccin

6. EVALUACIN CAPACIDAD PREDICTIVA

MAE (mean absolute error): mide el promedio
del valor absoluto de la diferencia entre el
valor proyectado y el valor verdadero.
1
=

+
=1

donde:
P= nmero de predicciones.
h= horizonte de prediccin.
+ = + - + = error de prediccin

6. EVALUACIN CAPACIDAD PREDICTIVA

MAPE (mean absolute percentage error): mide el
promedio de la diferencia del valor absoluto
entre el valor proyectado y el verdadero valor
expresado como un porcentaje del valor
verdadero.

1
=

=1

+
+

donde:
P= nmero de predicciones.
h= horizonte de prediccin.
+ = + - + = error de prediccin