Download Un método simple para proyecciones de la actividad

Un método simple para proyecciones de la actividad económica: Una

aproximación mediante utilización de ARIMA
Lilian Loayza
Daney Valdivia
2010
Resumen
Este paper busca utilizar un método simple y eficiente para la proyección del IGAE a 11
actividades de la economía boliviana, con el propósito de que constituya una
herramienta útil para la evaluación, seguimiento de la coyuntura económica.
Mediante la aplicación de modelos ARIMA (p,d,q) se proyecta el IGAE a once
actividades en sus componentes en niveles, estructural e irregular. Los resultados
muestran que el crecimiento que la economía boliviana alcanzaría a fin de periodo
del 2010 es 3.67% y estructuralmente crecería 3.97%. Finalmente se compara la
proyección realizada para el año 2010 con los datos reportados por el INE del IGAE a
junio, la diferencia promedio del proyecto y ejecutado es 0.14%, confirmando la
validez de la utilización de modelos ARIMA para realizar proyecciones de corto plazo.
Clasificación JEL: C52
Palabras clave: Modelo ARIMA, crecimiento de la economía

Cualquier error u omisión es responsabilidad de los autores. Los puntos de vista y las
conclusiones del presente trabajo son de exclusiva responsabilidad de los autores y no
compromete la posición de las Instituciones donde desenvuelven sus actividades laborales.


Contacto: lilian_l_o@yahoo.com
Contacto: daneyvaldivia@yahoo.com
I) Introducción
Un componente importante para la determinación del rumbo política económica de
un país es el conocer cuál sería la posible senda de los fundamentos de la economía.
El presente documento, busca presentar una metodología sencilla para la proyección
a corto plazo de la actividad económica en Bolivia a través del uso del Índice General
de Actividad Económica (IGAE) a 11 actividades para el periodo de muestra mensual
entre 1991 y 2009. Se realiza esta distinción con el objetivo de evaluar la capacidad
predictiva del modelo comparándolo las series proyectadas para el año 2010 con la
ejecución del IGAE que reporta el Instituto Nacional de Estadística.
Este documento forma parte del proyecto BMModel que busca formar un set de
modelos que ayuden a la evaluación de variables fundamentales para nuestra
economía.
Wang (2008), Kizin et. al. (2009), Eickmeier y Ng (2009) y Barhoumi et al. (2009) que
básicamente utilizan series prelimpiadas y ajustadas estacionalmente, lo que se busca
en este documento es proyectar fuera de muestra lo que ocurriría con la actividad
económica de Bolivia si estas series no se limpian previamente o bajo los supuestos de
la economía tradicional, como menciona Zha (2008).
Se aplica el método ARIMA (p,d,q) al IGAE y las actividades de: i) agricultura, ii)
petróleo y gas, iii) minerales, iv) industria manufacturera, v) electricidad, gas y agua, vi)
construcción, vii) comercio, viii) transporte y almacenamiento, ix) comunicaciones x)
servicios y xi) derechos de importaciones.
Los resultados muestran que estructuralmente la economía boliviana crecería el 2010
en 3.97% y en niveles 3.67%. Además se compara la proyección realizada para el
presente año con los datos reportados por el Instituto Nacional de Estadística (INE).
Estos resultados muestran que la capacidad predictiva del modelo de se aleja de la
realidad, mostrando una desviación promedio de 0.14%.
La estructura del documento se organiza como sigue: ii) revisa la aplicación a otros
países respecto del estudio de proyecciones fuera de muestra, iii) muestra como se
utiliza en método ARIMA; así como sus ventajas y desventajas, iv) describe los datos y
resultados alcanzados a través de la aplicación del método ARIMA y v) presenta las
conclusiones.
II) Aplicación a otros países
Las proyecciones fuera de muestra en series de tiempo generalmente se concentran
en series que son “prelimpiadas” y que tiendan a distribuirse “normal” de acuerdo a los
preceptos clásicos de la econometría.
Las proyecciones en series estacionalmente ajustadas, se basan principalmente en
Wang (2008), que usa modelos estocásticos de equilibrio general para realizar
proyecciones fuera de muestra; Kizin et.al. (2009), que evalúan el performance de
modelos de selección para proyectar el PIB trimestral de Alemania. Asimismo,
Eickmeier y Ng (2009), que usan datos internacionales mejorar la proyección de la
actividad económica de Nueva Zelanda, aplicando “data –rich” factor y métodos de
“linkeo” (shrinkage) que cubren los principales componentes de objetivos de
predicción, componentes principales ponderados, mínimos cuadrados parciales y
elasticidades netas, para evaluar la predicción marginal del crecimiento de Nueva
Zelanda a través de datos internacionales.
Buss, Ginters (2009) compara la efectividad de la proyección del PIB en Letonia del
modelo ARIMA, usando ARIMA estacional, versus tres métodos indirectos de
proyección. Sus resultados principales son: i) la proyección directa del PIB de Letonia
presenta mayor precisión que el método indirecto. Un proceso AR(1) presenta mayor
precisión en la proyección que modelos de media móvil; asimismo, reporta que una
diferenciación extra de la serie contribuye a mejorar el performance de la proyección
cuando la economía está entrando en un periodo recesivo, comparado con un
proceso de ruido blanco.
Hector Valle (2002) utiliza modelos ARIMA y VAR con la finalidad de proyectar la
inflación de Guatemala, sus resultados muestran que las proyecciones realizadas
constituyen una herramienta útil para el análisis e intervención de política.
Barhoumi et al. (2009), que utilizan factor models basados en datos mensuales para
proyectar a la economía francesa, estos modelos son basados en componentes
estáticos y dinámicos.
III) Método ARIMA
Los modelos autorregresivos integrados de media móvil (ARIMA) constituyen una
herramienta importante para la aplicación en proyecciones económicas. Su
aplicación, hace posible entender el comportamiento de ciertas variables a través del
tiempo y de esta forma poder realizar pproyecciones de corto y mediano plazo a
partir de la historia de dicho proceso, procesos univariados.
A diferencia de otros modelos, un modelo ARIMA explica la variable dependiente en
función a su propio pasado y a la suma ponderada de errores pasados y presentes. El
uso de modelos ARIMA, es destinado a identificar, estimar y diagnosticar modelos
dinámicos de series temporales en donde el tiempo juega un papel fundamental.
El presente documento, se fundamenta en el uso del modelo ARIMA, que utiliza
variaciones y regresiones de datos estadísticos con el fin de encontrar patrones para
una predicción hacia el futuro, esta metodología para la estimación y proyección de
modelos ARIMA también es conocida como la aproximación de Box-Jenkins.
Tradicionalmente, un modelo ARIMA (p.d.q.) está conformado de tres componentes
para modelar la correlación serial de las perturbaciones de una serie:

El primer componente es el término autorregresivo AR que corresponde a los
rezagos de la variable dependiente; se determina en base a la estructura de la
serie y puede ser de orden (p). Un proceso AR(P) viene dado de la siguiente
forma:
1
Donde cada término AR corresponde al uso de un valor rezagado del residuo
para la ecuación de estimación del residuo incondicional.

El segundo componente se refiere al grado de integración de la serie; es decir,
al número de diferencias (d) a la que corresponde la serie.

El tercer componente se refiere a la media móvil (q). Un modelo con MA(q) que
utiliza “q” rezagos del error de predicción para mejorar la predicción actual,
viene dado de la forma:
2
En este contexto, el proceso ARMA combina ambos componentes para crear una
ecuación del tipo:
3
Para la obtención de estimaciones con propiedades estadísticas adecuadas de los
parámetros de un modelo ARMA, es necesario que la serie muestral que se utiliza para
la estimación sea estacionaria en media y varianza, punto en que se diferencia el
presente documento al buscar proyectar lo que sucederá exactamente1 y no lo que
debiese ocurrir.
En un ARMA, se precisa que la serie no tenga tendencia, y que presente un grado de
dispersión similar en cualquier momento de tiempo. Un modelo ARIMA de orden (p, d,
q) no es más que un modelo ARMA (p,q) aplicado a una serie integrada de orden d.,
I(d), es decir, a la que ha sido necesario diferenciar d veces para eliminar la
tendencia.
Por tanto, la expresión general de un modelo ARIMA (p,d,q) viene dada por :
4
donde
, expresa que sobre la serie original yt, y que se han aplicado d diferencias.
Entonces, una serie integrada de orden 2 necesitaría una doble diferenciación, lo cual
se expresa como:
5
Obsérvese que en la expresión del modelo ARIMA (p.d.q), ecuación 5, desaparece el
término independiente por la aplicación de las diferencias sucesivas.
Asimismo, al momento de evaluar cualquier tipo de modelo, para construir
resultados eficientes para las proyecciones, se tiene que incorporar el “juicio de valor”
en base a ciertos parámetros que ayuden a este propósito, por ejemplo la función de
probabilidad de densidad de la variables.
Generalmente, los procesos ARIMA se aplican sobre los residuos de una regresión; sin
embargo, también puede aplicarse directamente sobre los residuos de una serie,
formando un modelo univariado, especificando la media condicional como constante
y los residuos como diferencias de la media de la serie.
Según Bokhari y Feridun (BF, 2006), agregar una mayor cantidad de términos AR o MA
a la regresión ocasiona que se reduzca la suma de residuos al cuadrado (SRC), que
representa la variabilidad no explicada por el modelo; sin embargo, provoca una
pérdida en los grados de libertad. Por otro lado, BF (2006) mencionan que los modelos
de este tipo compiten en estimación y proyección con otros modelos econométricos.
Es decir proyectar la variable en estudio no linealmente, sino que incorpore los movimientos
estacionales e idealmente irregulares de la serie.
1
Para evitar la sobreutilización de rezagos (AR) ó (MA) se utiliza la técnica de BoxJenkins (1976) (BJ), en la cual se utiliza las autocorrelaciones y las correlaciones
parciales para identificar los procesos (AR) y (MA) de una serie. Calculadas a través de
la utilización de correlograma, y test de raíces unitarias.
Jenkins (1976), señala cuatro tipos de situaciones en las que un modelo ARIMA
univariante puede resultar útil:




Cuando sea preciso trabajar con un número elevado de series, lo que impide
un tratamiento más profundo, la metodología ARIMA proporciona predicciones
rápidas y poco costosas.
Cuando sea imposible encontrar variables relacionadas con el objeto de
estudio. En ese caso la modelización univariante es la única opción.
Cuando disponemos de series relacionadas, incluso causales, que pueden
mejorar la predicción, puede ser útil la definición de la dinámica de
comportamiento temporal de la serie.
En una amplia variedad de aplicaciones, como etapa previa antes de pasar a
modelos más sofisticados, ya que constituye una forma idónea de “filtrado” de
datos en un análisis previo de la serie.
El campo natural de aplicación de los modelos ARIMA, constituyen las predicciones a
corto plazo con mayor frecuencia, y es ahí donde la metodología ARIMA alcanza sus
mayores ventajas a efectos de predicción.
Asimismo, según Meyler et.al. (1998), las ventajas que surgen a la hora de estimar este
tipo de modelos son las siguientes: i) solamente se requiere la serie a estimarse, ii) evita
problemas de modelos multivariados como la falta de datos en una de las variables
independientes que obliga a reducir la muestra del modelo, y iii) existe la posibilidad
de que una de las variables sea publicada con bastante rezago obligando a las
estimaciones del modelo a utilizar datos no observados añadiendo algo incertidumbre
en el modelo.
Una de las desventajas de aplicar un modelo ARIMA, es que no cuenta con
fundamentos teóricos detrás de su estructura, por lo que algunos quiebres estructurales
o shocks aleatorios no pueden ser estimados.
No obstante, Meyler puntualiza que las estimaciones a corto plazo han probado ser
mucho más exactas que aquellas de modelos más sofisticados, el esquema propuesto
por Meyer et. al (1998) es:
Gráfico 1
Proceso de Estimación ARIMA
Recolección de datos y examinación
Determinar grado de integración de las
series
Identificación del modelo y estimación
Revisión del modelo
Pronóstico y evaluación del pronóstico
Fuente: Meyler et. al. 1998
IV) Datos y resultados
Uno de los componentes importantes para realizar política económica, es ver la
estructura de la actividad económica y cómo se comportaría en el corto placo. En
este documento, replicará es el movimiento de la variable observada, estructural,
cíclica e irregular de cada componente del Índice de Actividad Económica (IGAE) de
Bolivia a 11 actividades entre el periodo mensual de 1991 a 2009.
Las principales actividades son:
1. Agricultura
2. Petróleo y gas
3. Minerales
4. Industria Manufacturera
5. Electricidad, Gas y Agua
6. Construcción
7. Comercio
8. Transporte y Almacenamiento
9. Comunicaciones
10. Servicios (que incluye establecimientos financieros, servicios de la administración
pública, otros servicios y servicios bancarios imputados)
11. Derechos e importaciones
Sólo se toma en cuenta esta muestra debido a que el objetivo del paper es evaluar la
capacidad predictiva del modelo ARIMA planteado para el IGAE y comparar la
proyección a 12 meses con los datos ejecutados reportados por el INE.
Una de las características de la economía boliviana es que está marcada con
particularmente con el ciclo de inversiones, mercado de trabajo, precios de los
commodities, mercado informal y niveles de evasión importantes. En el gráfico 2, se
observa que la economía entre los años 1991 y 2009 pasó por dos ciclos: i) entre 1991 y
1998 con un peak de 5.27% y ii) entre 1999 y 2009, con un peak de 6.15% en el año
2008. Este último resultado, fue alcanzado principalmente por el auge de los precios
del petróleo y minerales2 que afecto de manera positiva al crecimiento de la
economía, ingresos fiscales y dinámica de comercio exterior, generándose superávits
gemelos.
Gráfico 2
Bolivia: Evolución del IGAE
(1991 – 2009)
7
IGAE
6,15
6
5,27
4,67 4,68
5
4,25
4,95 5,03
4,80
4,42
4,36
4,56
3,94
4
3,33
2,95
3
2
2,51
1,68
1,66
1
2,48
0,43
0
1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009
Fuente: INE
Elaboración: propia
La estructura ARIMA (p,d,q) para las series tomadas constituye el mejor proceso,
aproximado, determinado a partir del uso del correlograma de la variable y del uso de
pruebas de raíz unitaria:
2
Como efecto de la crisis subprime iniciada en Estados Unidos
Cuadro 1
Bolivia: Estructura ARIMA de series seleccionadas
(p,d,q)
IGAE
(2,0,1)
Agricultura, Ganadería, Silvicultura, Caza y Pesca
(2,0,1)
Petróleo Crudo y Gas Natural
(2,0,1)
M inerales M etálicos y No M etálicos
(2,0,1)
Industria M anufacturera
(2,0,1)
Electricidad, Gas y Agua
(2,0,2)
Construcción
(2,0,2)
Comercio
(2,0,1)
Transporte y Almacenamiento
(2,0,1)
Comunicaciones
(2,1,1)
Servicios
(2,0,1)
Derechos s/Importaciones, IVAnd, IT y otros Imp. Ind
(2,0,2)
Elaboración: propia
Bajo este esquema, se determina la posible evolución de la economía por actividad
económica para el año 2010, tanto en sus componentes estructurales, observados e
irregulares.
El gráfico 3, muestra la evolución por actividad económica. Para el caso de la
agricultura, el modelo nos dice que este sector sólo crecerá un 0.43% para finales de
2010, mostrando que entre mayo 2008 y diciembre de 2009 no se aprovechó las
condiciones favorables del mercado externo para estos productos; sin embargo, si el
comportamiento hubiese sido contrario, estructuralmente crecería 3.16%; así mismo, el
comercio presenta un movimiento pro cíclico con el componente estructural, en
promedio alcanzaría un crecimiento de 3.36% para finales de 2010.
Gráfico 3
Bolivia: Evolución y proyección de componentes del IGAE
(2000 – 2010)
12
8
AGRIC_B1
7
COMER_B1
AGRICSTAT_B1
6
COMERSTAT_B1
10
5
8
4
3
6
2
4
1
0
2
-1
-2
feb-00
jul-00
dic-00
may-01
oct-01
mar-02
ago-02
ene-03
jun-03
nov-03
abr-04
sep-04
feb-05
jul-05
dic-05
may-06
oct-06
mar-07
ago-07
ene-08
jun-08
nov-08
abr-09
sep-09
feb-10
jul-10
dic-10
0
-2
feb-00
jul-00
dic-00
may-01
oct-01
mar-02
ago-02
ene-03
jun-03
nov-03
abr-04
sep-04
feb-05
jul-05
dic-05
may-06
oct-06
mar-07
ago-07
ene-08
jun-08
nov-08
abr-09
sep-09
feb-10
jul-10
dic-10
14
25
20
15
COMU_B1
20
COMUSTAT_B1
15
10
10
5
5
-5
0
-10
0
CONTRUC_B1
-20
CONTRUCSTAT_B1
13
11
9
feb-00
jul-00
dic-00
may-01
oct-01
mar-02
ago-02
ene-03
jun-03
nov-03
abr-04
sep-04
feb-05
jul-05
dic-05
may-06
oct-06
mar-07
ago-07
ene-08
jun-08
nov-08
abr-09
sep-09
feb-10
jul-10
dic-10
-25
feb-00
jul-00
dic-00
may-01
oct-01
mar-02
ago-02
ene-03
jun-03
nov-03
abr-04
sep-04
feb-05
jul-05
dic-05
may-06
oct-06
mar-07
ago-07
ene-08
jun-08
nov-08
abr-09
sep-09
feb-10
jul-10
dic-10
-5
-15
DER_IMP_B1
20
EGA_B1
DER_IMPSTAT_B1
15
EGASTAT_B1
7
10
5
5
3
0
1
-10
-5
-15
feb-00
jul-00
dic-00
may-01
oct-01
mar-02
ago-02
ene-03
jun-03
nov-03
abr-04
sep-04
feb-05
jul-05
dic-05
may-06
oct-06
mar-07
ago-07
ene-08
jun-08
nov-08
abr-09
sep-09
feb-10
jul-10
dic-10
-3
feb-00
jul-00
dic-00
may-01
oct-01
mar-02
ago-02
ene-03
jun-03
nov-03
abr-04
sep-04
feb-05
jul-05
dic-05
may-06
oct-06
mar-07
ago-07
ene-08
jun-08
nov-08
abr-09
sep-09
feb-10
jul-10
dic-10
-5
-1
Elaboración: propia
El sector comunicaciones, al igual que el comercio, es pro cíclico respecto de su
estructura y en promedio crecería para diciembre de 2010 4.03%. Por otro lado, el
sector construcción es pro cíclico excepto en el periodo marzo 2004 y noviembre 2005.
Asimismo, los derechos de importación y la actividad de electricidad gas y agua son
pro cíclicos, esperandose que para fin de año crezcan estructuralmente 1,2% y 4.22%,
respectivamente.
En el gráfico 4, se puede observar que tanto estructuralmente como en niveles la
industria manufacturera fue procíclica. Estos resultados, serían consistentes con la
dinámica del mercado laboral, tanto en su fase es absorción de mano de obra, como
la contracción del mercado, esperandose que para fin de año crezca en promedio
2.1%.
Un aspecto importante, es la producción en el sector minerales metálicos y no
metálicos que acompañaron la expansión en precios durante toda la gestión 2008.
Dada la coyuntura actual, el método define que este año existe una posible
contracción de 0.52% en niveles y estructuralmente 8.83%. Por otro lado, la actividad
de petróleo y gas, servicios y transporte y almacenamiento son pro cíclicos con sus
estructuras.
feb-00
jul-00
dic-00
may-01
oct-01
mar-02
ago-02
ene-03
jun-03
nov-03
abr-04
sep-04
feb-05
jul-05
dic-05
may-06
oct-06
mar-07
ago-07
ene-08
jun-08
nov-08
abr-09
sep-09
feb-10
jul-10
dic-10
7
26
PETROYGAS_B1
PETYGSSTAT_B1
9
feb-00
jul-00
dic-00
may-01
oct-01
mar-02
ago-02
ene-03
jun-03
nov-03
abr-04
sep-04
feb-05
jul-05
dic-05
may-06
oct-06
mar-07
ago-07
ene-08
jun-08
nov-08
abr-09
sep-09
feb-10
jul-10
dic-10
feb-00
jul-00
dic-00
may-01
oct-01
mar-02
ago-02
ene-03
jun-03
nov-03
abr-04
sep-04
feb-05
jul-05
dic-05
may-06
oct-06
mar-07
ago-07
ene-08
jun-08
nov-08
abr-09
sep-09
feb-10
jul-10
dic-10
9
INDMAN_B1
INDMANSTAT_B1
5
3
1
-1
-3
12
16
7
6
2
-4
-3
-14
-8
-24
-13
feb-00
jul-00
dic-00
may-01
oct-01
mar-02
ago-02
ene-03
jun-03
nov-03
abr-04
sep-04
feb-05
jul-05
dic-05
may-06
oct-06
mar-07
ago-07
ene-08
jun-08
nov-08
abr-09
sep-09
feb-10
jul-10
dic-10
feb-00
jul-00
dic-00
may-01
oct-01
mar-02
ago-02
ene-03
jun-03
nov-03
abr-04
sep-04
feb-05
jul-05
dic-05
may-06
oct-06
mar-07
ago-07
ene-08
jun-08
nov-08
abr-09
sep-09
feb-10
jul-10
dic-10
Gráfico 4
Bolivia: Evolución y proyección de componentes del IGAE
(2000 – 2010)
65
55
45
MINER_B1
35
MINERSTAT_B1
25
15
-5
5
-15
SERV_B1
SERVSTAT_B1
11
TRANALM_B1
7
TRANALMSTAT_B1
5
3
-1
1
-3
Elaboración: propia
Finalmente, los resultados muestran que estructuralmente la economía crecería para
este año 3.97% y en niveles 3.67%, consistentes con la dinámica desagregada a 11
actividades y con las perspectivas económicas del resto del mundo.
Gráfico 5
Bolivia: Evolución y proyección del IGAE
(2000 – 2010)
7
IGAE_B1
6
IGAESTAT_B1
5
4
3
2
1
jul-10
dic-10
feb-10
abr-09
sep-09
jun-08
nov-08
ene-08
ago-07
oct-06
mar-07
may-06
jul-05
dic-05
feb-05
abr-04
sep-04
jun-03
nov-03
ene-03
ago-02
oct-01
mar-02
may-01
jul-00
dic-00
feb-00
0
Elaboración: propia
Una forma de aproximar la validez de estos resultados es el uso y proyección de los
componentes irregulares de las series y su distribución normal. En el gráfico 6, se
muestra la evolución de los componentes irregulares de: agricultura, comunicaciones,
construcción, electricidad y gas, minería, petróleo y gas y servicios. Estos componentes
muestran comovimientos similares para el periodo 2010 resultado de los shocks sufridos
en el pasado.
Gráfico 6
Bolivia: Evolución y proyección de componentes irregulares del IGAE
(2000 – 2010)
18
15
13
10
8
5
3
0
-2
-5
-7
-10
-12
AGRIC_IR_B1
Elaboración: propia
COMU_IR_B1
CONTRUC_IR_B1
EGA_IR_B1
MINER_IR_B1
PETROYGAS_IR_B1
dic-10
jul-10
feb-10
sep-09
abr-09
nov-08
jun-08
ene-08
ago-07
mar-07
oct-06
may-06
dic-05
jul-05
feb-05
sep-04
abr-04
nov-03
jun-03
ene-03
ago-02
mar-02
oct-01
may-01
dic-00
jul-00
-15
feb-00
-17
SERV_IR_B1
En el gráfico 7, se muestra las distribuciones normales de las series entre los periodos
2000 – 2009 y 2010. Las distribuciones normales muestran la estabilidad de las
proyecciones, reduciendo la volatilidad de la las proyecciones y aumentando el
grado de integración entre las mismas (mayor comovimiento).
Gráfico 7
Bolivia: Distribución normal de componentes irregulares del IGAE
(2000 – 2010)
Agric(-0.0115, 1.0816)
comun(0.059, 6.0025)
construc(0.41, 11.6281)
EGA(0.18, 8.7025)
mineria(-0.011, 15.5236)
petrogas(0.13, 5.3824)
Serv(-0.053, 3.0625)
0.4
0.35
agric(-0.0066, 0.00891136)
comunic(-0.0025, 0.112896)
construc(0.395, 1.0983)
ega(-0.077, 0.3915)
miner(0.744, 11.169)
petroygas(0.74, 11.1556)
serv(0.176, 0.426409)
4.5
4
3.5
0.3
3
0.25
2.5
0.2
2
0.15
1.5
0.1
1
0.05
0
-20
0.5
-15
-10
-5
0
5
10
15
20
0
-15
-10
-5
0
5
10
15
20
Elaboración: propia
Al mismo tiempo, gráfico 8, muestra la proyección de los componentes irregulares del
IGAE, comercio, industria manufacturera y transporte y almacenamiento. Estos
resultados, contrastados con el gráfico anterior y muestran un comovimiento conjunto
de las series, lo que provee validez de la estabilidad de la proyección a través de las
distribuciones normales, grafico 8, de las series. Así también, se muestra que la
proyección de los componentes irregulares de las variables guardan correlación
dentro y fuera de la muestra, gráfico 9.
Gráfico 8
Bolivia: Evolución y proyección de componentes irregulares del IGAE
(2000 – 2010)
5
2
4
1,5
3
1
2
0,5
1
dic-10
jul-10
feb-10
sep-09
abr-09
nov-08
jun-08
ene-08
ago-07
mar-07
oct-06
may-06
dic-05
jul-05
feb-05
sep-04
abr-04
nov-03
jun-03
ene-03
ago-02
mar-02
oct-01
may-01
dic-00
jul-00
-1
0
feb-00
0
-0,5
-2
-1
-3
-1,5
-4
IGAE_IR_B1
-5
COMER_IR_B1
INDMAN_IR_B1
TRANALM_IR_B1
-2
Elaboración: propia
Gráfico 9
Bolivia: Distribución normal de componentes irregulares y del IGAE
(2000 – 2010)
comer(0.0613, 0.3025)
der_imp(0.048, 0.5625)
igae(0.0123, 0.2025)
indman(-0.078, 0.588289)
tranalm(-0.05, 0.6084)
0.7
comer(0.042, 0.0144)
der_imp(0.049, 0.1936)
igae(0.032, 0.0144)
indman(0.11, 0.1764)
tranalm(-0.04, 0.033124)
3.5
3
0.6
2.5
0.5
2
0.4
1.5
0.3
1
0.2
0.5
0.1
0
0
-4
-3
-2
-1
0
1
2
3
4
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
2.5
Elaboración: propia
Finalmente, el cuadro 2 muestra el performance de las proyecciones realizadas para
el año 2010.
Cuadro 2
Bolivia: Comparación del IGAE proyectado y ejecutado.
(En Porcentajes)
IGAE proyectado
IGAE Ejecutado
Diferencia
Ene-10
3.22
3.14
0.08
Feb-10 Mar-10 Abr-10
3.15
3.28
3.40
2.81
3.30
3.02
0.34
-0.02
0.38
May-10
3.49
3.43
0.06
Jun-10 Promedio
3.57
3.53
0.04
0.14
Elaboración: propia
Los resultados muestran que la estructura planteada para la proyección del IGAE
mediante el modelo ARIMA no se aleja de la realidad o lo acontecido en la dinámica
de la economía, por lo que constituiría una alternativa para realizar proyecciones de
corto plazo y así contribuir a las decisiones de política de los Policy Makers.
V) Conclusiones
El documento, presenta una metodología simple para proyectar la actividad
económica a 11 actividades en el corto plazo, un año. Dado que esta variable, junto
con otros fundamentos macroeconómicos forma parte de variables inobservables en
la economía, constituyen una parte importante en la toma de decisiones por parte de
los Policy Makers.
Se aplica modelos ARIMA (p,d,q), utilizando las serie en niveles, en estructura y
componte irregular. Una vez determinado la estructura de las series, los resultados
muestran que el año 2010 la economía crecería estructuralmente 3.97% y en niveles
3.67%.
Finalmente se compara la proyección del modelo aplicado a la actividad económica
con los datos ejecutados. Los resultados nos muestran que un promedio de dispersión
entre enero y junio de 2010 de 0.14%, lo que confirmaría que los modelos ARIMA (p,d,q)
pueden constituir herramientas útiles para la toma de decisiones por parte de los Policy
Makers.
Bibliografía
Abeysingue, T. y Rajaguru,G. (2004) “Quarterly Real GDP Estimates for China and
ASEAN4 with Frecast Evaluation”
Barigozzi, M. () “Arima Estimation: Theory and applications” (hand out)
Barhoumi, K., Darné, O. and Ferrara, L. (2009), “Are disaggregate data useful for factor
analysis in forecasting French GDP?", Document de travail No 232, Banque de France
Bokhari, H. Y Feridun, M. (2006) “Forecasting Inflation Through Econometric Models: An
Empirical Study On Pakistani Data”
Boivin, J. and Ng, S. (2006), “Are more data always better for factor analysis?", Journal
of Econometrics 132, pp.169-194
Box, G.E.P y Jenkins, G.M. (1976) “Time Series Analysis: Forecasting and Control”.
Buss, Ginters (2009), “Comparing forecasts of Latvia's GDP using simple seasonal ARIMA
models and direct versus indirect approach”, Munich Personal REPEC Archive, Paper
No. 16684.
Campbell, J.Y. y Mankiw, N.G. (1987) “Are Output Fluctuations Transitory?”, The
Quarterly Journal of Economics, November 1987.
Eickmeier, S. and Ng, T. (2009), \Forecasting national activity using lots of international
predictors: an application to New Zealand", Discussion Paper, Series 1: Economic
Studies, No 11/2009, Deutsche Bundesbank
Ginters B. (2009) “Comparing Forecasts Of Latvia’s GDP Using Simple Seasonal ARIMA
Models and Direct Versus Indirect Approach”
Meyer, A, Kenny, G y Quinn, T (1998) “Forecasting Irish Inflation Using ARIMA Models”.
Valle, H. (2002) “Inflation Forecast with ARIMA and Vector Autoregressive Models in
Guatemala”. Banco Central de Guatemala.
Kuzin, V., Marcellino, M. and Schumacher, C. (2009), “Pooling versus model selection for
nowcasting with many predictors: an application to German GDP", Discussion Paper,
Series 1: Economic Studies, No 03/2009, Deutsche Bundesbank
Stock, J.H., and Watson, M.W. (2003), “Combination Forecasts of Output Growth",
Working Paper
Wang, M. (2008), “Comparing the DSGE model with the factor model: an out-of-sample
forecasting experiment", Discussion Paper, Series 1: Economic Studies, No 04/2008,
Deutsche Bundesbank