You are on page 1of 25

Pronstico con Modelos Economtricos

Hildegart A. Ahumada
UTDT

A common complaint (in the UK): When weather forecasts go awry, meteorologists get a new supercomputer When economist mis-forecast, we get our budgets cut
(Hendry, 2001)

Algunas Referencias: Clements M.P. and Hendry D.F. (1998)


Forecasting Economic Time Series, Cambridge Univ. Press.

Clements M.P. and Hendry D.F. (2001)


Forecasting Non- stationary Economic Time Series, MIT Press.

Hendry D.F. and Ericsson N.R.(2001)


Understanding Economic Forecasts, MIT Press.

De qu depende el xito de los pronsticos econmicos?


Existencia de Regularidades en el pasado Que el mtodo de pronstico las capte Que sean Informativas sobre el futuro Pero las economas son inherentemente evolutivas y caracterizadas como: NO- ESTACIONARIAS

Las Series Econmicas son No Estacionarias


Porque estn sujetas a : 1- pequeos y recurrentes shocks que se acumulan:series I(1) 2- intermitentes, probablemente grandes y no anticipados shocks: cambios estructurales y de rgimen La econometra evolucion con respecto a: 1- Cointegracin, EC (Error o Equilibrium Correction) etc 2- Repensar el objetivo de Pronstico

Por qu fallan los Pronsticos con Modelos Economtricos?


De los tres tipos de componentes : - el efecto de las variables aleatorias observables - errores no observables - trminos determinsticos (constante, tendencia, estacionales) El comportamiento de los componentes determinsticos es el principal responsable (probablemente interactuando con la falta de una adecuada especificacin del modelo)

Para un sistema de n variables parametrizado en variables I(0) que experimenta un cambio en T+1
yt = + yt 1 + t

t ~ IN n (0 , ) t = 1,...T

E [ yt ] = [I ]

= [I ]

f T +1 = yT +1 yTf +1 f T +1 = * + * y T + T +1 e e y T

E fT +1 yT = *+ * yT + E T +1 E e E e yT
T +1 p p T T

[ E[ f

] [ ] [ ] [ ] y ] ( * )+ ( * ) y

donde

[ ] E[ ]= = [I ]
E e = p
e p p

E f T +1 E f T +1

[ [

] ]

[ (I * ) * (I ) ] + ( * )
p p

(I * ) [ * ]

E fT +1

] (I *) [ * ]

El valor esperado del error de pronstico ser nulo cuando i) un proceso tenga media nula ( = = 0) ii) la media de largo plazo sea constante [ * = ] ( puede darse si los cambios de y se compensan de forma tal que no cambie)

Un cambio en no ser muy notado en la medida en que se acerque a la identidad

> Importancia de los cambios determinsticos (media de largo plazo ) con respecto a los cambios en dinmica () y a problemas de especificacin que deriven en parmetros inconsistentes.

En un modelo de EC = EqC
z =

t1

= I + . = .

)=

t 1

4002

3002

2002

1002

0002

9991

8991

7991

6991

5991

4991

3991

3. 2 1

5 3. 2

4. 2 1

5 4. 2

5. 2 1

5 5. 2

PMIL

IB PL

6. 2 1

Ejemplo con datos de Argentina: Importaciones y PBI pm, millones de pesos de 1993

Series artificiales de importaciones


A partir de un Eq.C

LP CP

MA = 0.10 PBI lma = 0.5 (lmat 1 ln(0.10) lpbit 1)

Cambiar - la tasa de crecimiento de 0 a 3% (limpagr) - el coeficiente de ajuste a 0.25 (limpsra) y 0.99 (limpsr2) - la media de largo plazo a 0.15 (limplrm)

Series de importaciones artificiales


10.5 10.4 10.3 10.2 10.1 10.0 9.9 94 95 96 97 98 99 00 01 02 03 04

LIMPA LIMPAGR LIMPALRM

LIMPAMA2SE LIMPASRA LIMPASRA2

Consecuencias del efecto de cambios estructurales


En general los resultados sobre pronsticos basados en un mundo de parmetros constantes ya no se mantienen y entonces (entre los ms importantes): un modelo que incluya variables causales no es necesariamente mejor que uno que incluya variables no causales. un modelo mal especificado puede pronsticar mejor que uno que est ms prximo al PGD.

Un modelo causal:

y t = x t 1 + 1t xt = x t 1 +
2t

yT +i = * xT +i1 + 1T +i xT +i = xT +i1 + 2T +i

E yT +i yTf +i xT +i1 = ( *) xT +i1

Un modelo naive:
e yT +i = yT +i 1

E yT +i yTf +i xT +i1 = E[ yT +i xT +i1] = ( *) xT si i =1 = 0 = E ( *) xT + xT + T xT +i1

si i > 1

Por qu se dan estos resultados?


Porque para pronstico no interesa tanto que el modelo ajuste biendentro de la muestra sino que tenga una Rpida adaptacin al cambio, una vez que el shock no anticipado tuvo lugar de forma de evitar errores sistemticos de pronsticos

Entonces encontramos que dominan en cuanto a pronstico:


modelos extremadamente simples de series temporales incluso diferencias o doble diferencias (porque eliminan los componentes determinsticos medias de crecimiento y de largo plazo) la correccin de ordenada en los modelos economtricos (porque ajustan las medias) pooling (e.g. promedios)

Ejemplo para el caso de las importaciones de Argentina (series originales) 1. EqC. estimado datos 93(3)-2001(4) (solucin de LP : limp = 24.8 + 2.8 lpbi) 2. Modelo naive: primeras diferencias (AR(2)) 3. Eq.C de 1 pero con correccin de ordenada (dummy de cambio de ordenada en 2002)
(todos parametrizados en niveles)

EqC. estimado datos 93(3)-2001(4)


Analysis of 1-step forecasts EqC Date 2002 2002 2002 2002 2003 2003 2003 2003 2004 2004 Actual 9.59400 9.54883 9.60124 9.66524 9.73359 9.85795 9.98087 10.0821 10.1770 10.2117 Forecast 9.83483 9.83131 10.0484 10.0429 10.1205 10.2537 10.3828 10.3760 10.4290 10.4477 Y-Yhat -0.240828 -0.282485 -0.447199 -0.377615 -0.386881 -0.395756 -0.401981 -0.293949 -0.251994 -0.236007 Forecast SE 0.0365336 0.0705898 0.0825816 0.0788820 0.0740701 0.0707354 0.0751609 0.0652890 0.0599102 0.0487511 t-value -6.59196 -4.00178 -5.41523 -4.78709 -5.22317 -5.59487 -5.34826 -4.50227 -4.20620 -4.84106

1 2 3 4 1 2 3 4 1 2

Modelo naive: primeras diferencias (AR(2))

Analysis of 1-step forecasts Dif /AR2

Date 2002 2002 2002 2002 2003 2003 2003 2003 2004 2004

1 2 3 4 1 2 3 4 1 2

Actual 9.59400 9.54883 9.60124 9.66524 9.73359 9.85795 9.98087 10.0821 10.1770 10.2117

Forecast 9.91462 9.31213 9.68633 9.62862 9.78660 9.79902 10.0832 10.0201 10.1884 10.2173

Y-Yhat -0.320616 0.236701 -0.0850916 0.0366211 -0.0530117 0.0589313 -0.102345 0.0620407 -0.0113600 -0.00567140

Forecast SE 0.0781873 0.110383 0.0762294 0.0770136 0.0758947 0.0740629 0.0729037 0.0678037 0.0684382 0.0669084

t-value -4.10061 2.14436 -1.11626 0.475515 -0.698490 0.795692 -1.40384 0.915005 -0.165988 -0.0847636

Eq.C de 1 pero con correccin de ordenada (dummy de cambio de ordenada en 2002)


Analysis of 1-step forecasts con dummy crisis Date 2003 2003 2003 2003 2004 2004 Actual 9.73359 9.85795 9.98087 10.0821 10.1770 10.2117 Forecast 9.73091 9.88006 9.97889 10.0073 10.0659 10.1123 Y-Yhat 0.00268131 -0.0221127 0.00197320 0.0748260 0.111078 0.0993226 Forecast SE 0.0372786 0.0386498 0.0392141 0.0372130 0.0390240 0.0414411 t-value 0.0719264 -0.572129 0.0503186 2.01075 2.84640 2.39672

1 2 3 4 1 2

Qu implica esto para los modelos economtricos?


Separar objetivos:
Un mtodo naive para pronstico no nos puede dar la respuesta del efecto de un instrumento sobre un objetivo (evaluacin de polticas). Un modelo economtrico (tal vez robustificado por cambios en media), s Incluso para corregir un pronstico de un modelo naive con la respuesta al cambio de poltica que el cambio estructural induce. (Hendry and Mizon, 2001)

Qu implica esto para los modelos economtricos?


No valida la crtica de Lucas a los modelos economtricos ya que son los cambios en los componentes determinsticos (no los de los efectos de los instrumentos de poltica) los responsables de los malos pronsticos Mas an la dominancia en pronstico de modelos no causales a causales cuestiona al mismo principio de Expectativas racionales (basado en relaciones causales)

Qu implica esto para los modelos economtricos?


Estimula la investigacin terica y emprica en lo relativo a Co-Breaking A medida que las series econmicas son ms largas, algunos shocks no- anticipados pueden volverse anticipados pero vale la pena recordar que Because of the things we dont know we dont know, the future is largely unpredictable (M. Singer,1997)