Modelos de frecuencias mixtas :Comparación de alternativas y predicción de variables macroeconómicas

Resumen

Los agentes económicos necesitan tener acceso a evaluaciones en tiempo real del estado de la economía, junto con predicciones de su evolución esperada. Desafortunadamente los datos ofrecidos por el Sistema de Cuentas Nacionales son publicados con considerable retraso. Por otra parte, hay un significativo número de indicadores económicos disponibles con mucha mayor antelación que podrían ser empleados para extraer información sobre el estado de la economía. Los modelos predictivos generalmente requieren emplear datos observados a la misma frecuencia, lo cual representa un obstáculo cuando se cuenta con un conjunto de información más completo, provisto por variables en frecuencias mixtas. Varias soluciones han sido desarrolladas para intentar superar este problema, siendo la m ¿as ampliamente utilizada la familia de modelos MIDAS (MIxed DAta Sampling). El principal objetivo de la tesis es evaluar distintas alternativas para generar nowcasts y predicciones de variables macroeconómicas empleando datos en frecuencias mixtas, específicamente la familia de modelos MIDAS. Evaluamos el desempeño de los modelos de tipo MIDAS disponibles actualmente (ADL-MIDAS y U-MIDAS), los cuales se basan en una representación en forma de retardos distribuidos de la relación entre la variable resultado de baja frecuencia y los indicadores de alta frecuencia. Además, aplicando una representación en forma de función de transferencia al polinomio de retardos distribuidos, derivamos una nueva clase de modelos en frecuencias mixtas, denominado Transfer Function-MIDAS (TF-MIDAS). Respecto a TF-MIDAS, deducimos su representación teórica a partir de una potencial relación multivariada en alta frecuencia entre la variable resultado y los indicadores, considerando dos esquemas de agregación (skip-sampling y adición). También realizamos un ejercicio de simulación Monte Carlo que nos permite considerar diferentes variantes de Procesos Generadores de Datos (PGD) y, por lo tanto, identificar aquellos PGDs para los cuales la ventaja de TF-MIDAS es mayor. Los resultados revelan que TF-MIDAS presenta un desempeño global en nowcasting mejor que el de U-MIDAS. En el caso de un proceso VAR(1) de alta frecuencia el desempeño predictivo de corto plazo es el mismo para los dos modelos, mientras que en el caso de procesos VMA(1) y VMA(3) TF-MIDAS sobresale como un modelo predictivo m ¿as preciso. En un segundo trabajo deducimos el modelo teórico TF-MIDAS para diferentes PGDs de alta frecuencia, extendiendo los resultados iniciales a un ratio de frecuencia genérico y un horizonte predictivo mayor a un paso adelante. Además, desarrollamos un ejercicio de simulación para específicamente evaluar el impacto de la incorrecta especificación del modelo TF-MIDAS en su desempeño predictivo. Los resultados revelan que agregar un término de error, cuando la estructura de error correcta no lo incluye, no tiene un impacto significativo en el desempeño predictivo de TF-MIDAS relativo a su competidor m ¿as cercano, U-MIDAS. Sin embargo, omitir ciertas estructuras empeora el desempeño relativo de TF-MIDAS. La conclusión principal es que TF-MIDAS se desempeña relativamente bien respecto a su competidor m ¿as importante, aun en el caso de situaciones en que esté mal especificado. Finalmente, en un tercer trabajo de investigación evaluamos el desempeño predictivo empírico de los modelos ADL-MIDAS, TF-MIDAS y U-MIDAS. Con este propósito, empleamos datos de las cuatro principales economías de la Eurozona (Alemania, España, Francia e Italia), cubriendo el per ¿¿odo 1995Q1-2020Q3, analizamos las predicciones fuera de la muestra en el per ¿¿odo 2011Q4-2020Q3 y consideramos varios subperiodos con diferentes niveles de incertidumbre. Los resultados sugieren que ADL-MIDAS y U-MIDAS se desempeñan mejor que TF-MIDAS en per¿odos mas predecibles, mientras que lo contrario ocurre en periodos más inciertos.