Professional Documents
Culture Documents
RESUMEN
En este trabajo se presentan algunos mtodos de combinacin de pronsticos de diferentes
modelos economtricos. Estas metodologas tienen como principal objetivo encontrar una
combinacin lineal de pronsticos de diferentes modelos que produzca una prediccin
mejorada en trminos de precisin. Basados en estas tcnicas se realizan dos ejercicios: en
la primera aplicacin se emplean estos mtodos sobre quince modelos trimestrales de la
inflacin colombiana para pronsticos en el periodo comprendido entre 1992:I y 1998 :II
considerando horizontes desde uno hasta cuatro trimestres. Los resultados de este anlisis
muestran una mejora significativa en las predicciones; en efecto, el pronstico combinado
comparado con los pronsticos del mejor de los modelos economtricos reporta ganancias
en precisin (RMSE); en caso del horizonte de un trimestre es del 16.1%; para el horizonte
de dos trimestres es del 42%; para el horizonte tres del 21.3% y del 12.8% para el horizonte
de cuatro trimestres. La segunda aplicacin de las metodologas de combinacin de
pronsticos se realiza utilizando un ejercicio de simulacin, el cual se basa en modelos
similares a los empleados en el primer ejercicio; los resultados obtenidos muestran que
bajo tcnicas adecuadas de combinacin de pronsticos es posible obtener alrededor de
un 50% y 35% de ganancia en precisin con respecto a los modelos individuales para
horizontes de uno y cuatro trimestres, respectivamente.
1. Introduccin
Los pronsticos de variables macroeconmicas se constituyen frecuentemente en
uno de los objetivos principales en muchos tipos de estudios. Sin embargo, estos
pronsticos no son nicos puesto que existen diferentes formas de producirlos, y
an cuando se haya seleccionado un procedimiento en particular, quedan todava
los problemas referentes a la seleccin de las variables de inters, la forma
funcional y la tcnica de estimacin de los parmetros del modelo usado. Como
resultado, el investigador cuenta con varios pronsticos, generalmente diferentes,
para la misma variable. La pregunta de inters es si se debera escoger un slo
pronstico o tomar alguna forma de promedio de todos ellos. Esta pregunta ha
recibido mucha atencin en la literatura acadmica en los aos recientes, y se ha
mostrado que, en general, es mejor usar una mezcla de los pronsticos en lugar
de usar uno slo de ellos.
El objetivo de este documento consiste en realizar una revisin de algunos de los
mtodos que permiten la combinacin ptima de dos o ms pronsticos1, y
obtener un pronstico mejorado de la inflacin en Colombia para datos
trimestrales, a partir de la combinacin de los pronsticos de diferentes modelos.
Con este objetivo se consideraron quince modelos que predicen la inflacin, diez
de los cuales son modelos economtricos, especificados mediante regresiones
simples que son motivadas por la teora econmica, y los cinco restantes son
modelos de series de tiempo, cuatro multivariados (VAR) y uno univariado
(ARIMA). En Melo, Misas y Oliveros (1997 y 1998) se muestra que los resultados
de la
horizonte utilizado. Por tanto, para este trabajo se realizan cuatro ejercicios de
combinacin los cuales emplean los horizontes de uno, dos, tres y cuatro
trimestres. Basados en los resultados obtenidos, se puede concluir que en todos
2. Combinacin de pronsticos
La primera referencia sobre el uso de pronsticos combinados se encuentra en
Barnard (1963). En su trabajo, Barnard compar los pronsticos basados en la
metodologa de Box-Jenkins con los obtenidos usando procedimientos de
suavizacin exponencial clsicos,
propuesta
observ
que,
aunque
la
tcnica
combinacin de los pronsticos que fuera an mejor que dicho promedio. Los
1
Esta mezcla usualmente equivale a una combinacin lineal de los pronsticos de los diferentes
modelos. En la seccin 2 se explican diferentes metodologas en las cuales se especifican la
forma para estimar las ponderaciones utilizadas para este tipo de combinaciones.
A pesar de que el mtodo propuesto era fcil de usar, su aceptacin fue bastante
lenta al principio. Entre otras cosas se argumentaba que si se necesitaba mezclar
un modelo con otro para mejorar el
combinacin
Adems, los fuertes resultados estadsticos obtenidos han permitido dejar atrs
las crticas. Bajo el criterio de minimizar la varianza del error del predictor, la
combinacin de pronsticos individuales, ya sea con errores independientes o
correlacionados, es ptima, y nunca peor, en teora, al pronstico del mejor
modelo individual (Bunn, 1989). Adems, los estudios empricos generalmente
reivindican la robustez en la prctica de la combinacin.
una
pregunta
relevante
es
cmo
se
deberan
escoger
las
Bates y Granger (1969) sugieren que si los k pronsticos son insesgados (es
decir su error medio de prediccin es cero), entonces la combinacin:
1
2
k
yt = 1 f t + 2 f t +...+ k f t
del
Coulson y Robins (1993), siguiendo a Hendry y Mizon (1978), sealan que una
regresin combinante con errores serialmente correlacionados es un caso
especial de una regresin de combinacin la cual incluye rezagos de la variable
dependiente y rezagos de los pronsticos. En efecto, Hendry y Mizon (1978)
observaron que el proceso de blanquear los residuales, a travs de
procedimientos como los de Cochran-Orcutt o similares, es equivalente a la
estimacin por mnimos cuadrados ordinarios de regresiones dinmicas con
restricciones no lineales sobre los parmetros. Por ejemplo, en el caso de primer
orden, donde el error et sigue el esquema et = et-1 + vt, con vt ruido blanco, la
ecuacin de combinacin propuesta por Granger y Ramanathan (1984), para el
caso de dos pronsticos:
1
2
yt = 0 + 1 f t + 2 f t + et
Sin embargo,
1
1
2
2
yt = 0 + 1 f t + 2 f t-1 + 3 f t + 4 f t-1 + 5 yt-1 + vt
2 = - 1 5 y 4 = - 3 5. Si no pueden
es adecuado.
Sin embargo, Coulson y Robins (1993) sugieren que en el contexto de
combinacin de pronsticos la restriccin de factores comunes es muy difcil que
se tenga, y que se deberan considerar un conjunto de restricciones alternativas.
En la ecuacin anterior sin restricciones, ellos sealan que debera cumplirse que
2 = 4 = 0, puesto que posiblemente valores rezagados de los pronsticos
concluyen que f1t-1 y f2t-1 pueden ser redundantes en la ecuacin sin restricciones y
con su eliminacin se ganara eficiencia en la estimacin, particularmente en el
perodo postmuestral. De acuerdo con la anterior, Coulson y Robins (1993)
sugieren que la ecuacin de regresin para la combinacin de pronstico debera
ser de la forma:
1
2
yt = 0 + 1 f t + 3 f t + 5 yt-1 + vt
Esta regresin trabajar bastante bien bajo una gran variedad de situaciones.
inadecuados,
presentan
diferentes
argumentos
para
desear
Por
10
t = T t-1 + wt
Una amplia referencia de los modelos de estado - espacio se puede encontrar en el libro de Harvey
(1989).
11
0 t 1
para t=1,2,3,...,T
presente.
Los subconjuntos de periodos de tiempo en los cuales se presentan los
regmenes uno y dos son denotados como I1 e I2, respectivamente.
Es decir,
Es decir, se desea conocer cuales periodos del tiempo pertenecen al subconjunto I1 y cuales al
subconjunto I2.
12
Pronstico Rezagado
Considere los pronsticos, un periodo adelante, f1t y f2t de yt, y suponga que
z1t = yt - f1t y z2t = yt - f2t son los respectivos errores de pronstico.
Claramente, la informacin sobre los errores de pronsticos z1t y z2t, podra ser de
gran ayuda para determinar el rgimen de la economa en cualquier perodo t+1.
Por ejemplo, si z1t, es inusualmente grande, podra indicar que la economa est
en estado 1; o si z2t es negativo, podra indicar que la economa est en estado 2.
Aunque z1t y z2t son desconocidos en el perodo t, cuando se deban calcular las
ponderaciones, z1t-1 y z2t-1 pueden proporcionar alguna informacin sobre z1t y z2t.
Esto sugiere que, para obtener las ponderaciones cambiantes, pueden ser tiles
los modelos de regresin switching, en los cuales el rgimen est indicado por
rezagos de los errores de los pronsticos.
I(t I1) = 1 si t I1, y I(t I1) = 0 si t I1, para las siguientes elecciones de I1 :
I1 es z1t-1 0,
I1 es z2t-1 0,
13
1
I1 es l z1t-1 l c.mag z ,
donde
nobs
mag z1 =
l z1tl / nobs
t =1
nobs
mag z =
l z2tl / nobs
t =1
autorregresivo
z1t = $ 1 z1t-1 + $ 2 z1t-2 +...+ $ n z1t-n
y los $ i estn definidos de forma similar. La determinacin del orden del proceso
autorregresivo se hace conforme a los mtodos de identificacin tradicionales.
Modelos Switching
donde los
Econmicas Relevantes
14
donde
nobs
magW=
t =1
yt = (1+e
Vt-1
donde Vt-1 es alguna funcin del error de pronstico rezagado. Las siguientes
formas pueden ser consideradas :
Vt-1 = z1t-1,
Vt-1 = z2t-1,
Vt-1 = $ 1 z1t-1 + $ 2 z1t-2 +...+ $ n z1t-n,
Vt-1 = $ 1 z2t-1 + $ 2 z2t-2 +...+ $ n z2t-n
donde los $ i , i=1,...,n son los coeficientes estimados del proceso autorregresivo :
zt, 1 = $ 1 z1t-1 + $ 2 z1t-2 +...+ $ n z1t-n
y los $ i estn definidos de forma similar. En algunos casos estos modelos se
comportan mejor que los modelos de regresin switching, pero son un poco ms
15
sujeta a
k = 1 - 1 - 2 -...- k-1.
16
estacionario. Sea fit,h el pronstico del modelo i para yt+h realizado en el perodo
t, i=1,2,...,k. Si yt - fit-h,h y yt-h - yt son I(0), entonces tambin lo es:
zi, t-h = fit-h,h - yt-h
para
la
de la
relacin :
yt = m + 1 z
1
t-1
o,
yt = m + yt-1 + 1 (f
1
t-1,1
yt = m + (1 -
i =1
i) yt-1 +
i =1
ifit-1,1 + t
17
An cuando la base muestral sea grande, se ha mostrado que si existe una gran
correlacin positiva entre los errores de los pronsticos, no se puede esperar
grandes ganancias en la combinacin, Bunn (1985). Adems, si se usa un mtodo
18
de optimizacin inestable,
19
pronsticos
Si la serie que se desea pronosticar es estacionaria Diebold y Lopez (95) muestran, para modelos ARIMA,
L k 1
20
se
21
de una serie
proponen
un
contraste
22
Si
es
cero,
el
pronstico
es
insesgado.
Si ut no
est serialmente
Esta idea tiene origen en Nelson (1972) y Cooper y Nelson (1975) y fue
formalizada y extendida por Chong y Hendry (1986).A continuacin se describe el
contraste para dos pronsticos f1t,h y f2t,h.
Considere la regresin
1
2
yt+h = 0 + 1 f t,h + 2 f t,h + t+h
Cuando las series son integradas de orden uno, Fair y Shiller (1989, 1990) se
basan en la regresin
(yt+h - yt)= 0 + 1(f1t,h - yt ) + 2(f2t,h - yt ) + t+h
consta de dos
etapas:
a) Se construye St = z1t, + z2t, y Dt = z1t, - z2t.
24
Otro
resultado importante es el
)
tk = Inf t Inf
donde Inf
k
t ,h
k
t ,h
25
Tabla 1
Modelos
Modelo 1
Modelo 2
Modelo 3
Modelo 4
Modelo 5
Modelo 6
Modelo 7
Modelo 8
Modelo 9
Modelo 10
VAR_ME
VAR_SS
ARIMA
0 + 1 LIPC t 2 + 2 L I P C t 4 + 3 D IF Y R Pt 1 + 4 LM 1 t 1 + t
0 + 1 LM 1 t 1 + 2 LM 1 t 2 + 3 L P I B K t 1 + 4 C D T t 2 + t
1 L I P C t 1 + 2 L I P C t 4 + 3 D I F E t + 4 D IF W t + t
0 + 1 L I P C t 2 + 2 LIPC t 4 + 3 D IF Y R Pt 4 + 4 LM 3 B t 1 + t
L IP C t = 0 + 1 L M 1 t 1 + 2 L I P C t 4 + 3 D IF Y R t 1 + 4 L P R A L I M t + t
Inf t
A 11 , 3 ( L )
IP R S T t = A 21 , 3 ( L )
Inf _ M e t
A 31 , 3 ( L )
A 12 , 3 ( L )
A 22 , 3 ( L )
A 32 , 3 ( L )
A 13 , 3 ( L ) Inf t 1
A 23 , 3 ( L ) IP R S T t 1 +
A 33 , 3 ( L )
Inf _ M e t 1
Inf t
IP R S T t
I n f _ S S t
A 11 , 4 ( L )
= A 21 , 4 ( L )
A 31 , 4 ( L )
A 22 , 4 ( L )
A 12 , 4 ( L )
A 13 , 4 ( L ) Inf t 1
A 23 , 4 ( L ) IP R S T t 1 +
A 33 , 4 ( L )
I n f _ S S t 1
1 t
2 t
3 t
Inf t
IP R S T t
I n f _ 2 0 t
A 11 ,2 ( L )
= A 21 ,2 ( L )
A 31 ,2 ( L )
A 12 ,2 ( L )
A 1 3 , 2 ( L ) I n f t 1
A 2 3 , 2 ( L ) I P R S T t 1 +
A 3 3 , 2 ( L )
I n f _ 2 0 t 1
1 t
2 t
3 t
A 12 , 2 ( L )
A 13 , 2 ( L ) Inf t 1
A 23 , 2 ( L ) IP R S T t 1 +
A 33 , 2 ( L )
Inf _ S A t 1
1 t
2 t
3 t
VAR_20
VAR_SA
=
=
=
=
Inf t
I P R S Tt =
Inf _ S A t
(1 L L )(1
13
A 11 , 2 ( L )
A 21 , 2 ( L )
A 31 , 2 ( L )
A 32 , 4 ( L )
A 22 ,2 ( L )
A 32 ,2 ( L )
A 22 , 2 ( L )
A 32 , 2 ( L )
1 t
2 t
3 t
Definiciones
:
LIPC :
LM1 :
Logaritmo de M1
CDT :
Logaritmo de M3
LBASE :
IPRST :
26
que en promedio los errores de pronstico sean cero. Sin embargo para
horizontes mayores como el de cuatro, no se observa esta propiedad para la
mayora de los modelos, es decir, los pronsticos de varios modelos presentan
durante largos perodos sesgos significativos que subestiman o sobrestiman la
inflacin.
En
Como se haba indicado anteriormente, en este contexto una correlacin no positiva entre dos
modelos indica que sus pronsticos contienen informacin complementaria y por tanto una
combinacin de estos debe resultar en una ganancia significativa en precisin.
27
debera incluir dos grupos de modelos; el primer grupo conformado por modelos
estructurales y el segundo por modelos de series de tiempo (VAR y ARIMA).
la tabla 4
se
muestran los resultados de estos tests, para los cuatro horizontes analizados,
siguiendo la metodologa de Fair y Shiller (1989, 1990),
en esta tabla se
Sin embargo, la tabla completa de todos los modelos puede ser solicitada a los autores.
28
1998,
Las metodologas de Hallman y Kamstra y Coulson y Robins son discutidas en la seccin 2.1.1.5.
La metodologa de los promedios es una de las formas ms sencillas para obtener una combinacin de
pronsticos y consiste en un promedio simple de todos los pronsticos de los modelos que se desean
mezclar.
10
11
29
y modelos de
Como fase final, siguiendo las sugerencias de Hallman y Kamstra (1989), los
modelos obtenidos
utilizando tcnicas
12
30
En general, se puede observar que en trminos del RMSE, los pronsticos de los
mtodos de combinacin diseados para variables no estacionarias, el de
Hallman y Kamstra, y el de Coulson y Robins, se desempean mejor que todos
pronsticos de los quince modelos considerados, tanto en la muestra completa
como en la muestra final.
13
ri ( )
i =1
donde ri() corresponde a los errores del modelo y es la desviacin estndar del error. En el
mtodo de Huber se tiene :
x
si x < c
( x ) =
c x x si x c
31
Para verificar si existe una ganancia significativa al utilizar los pronsticos de los
mtodos de combinacin, se realiz la prueba de Granger y Newbold (1977) la
cual evala si existe una reduccin significativa en el error cuadrtico medio al
comparar pronsticos de dos modelos. En la tabla 6 se muestran los resultados
obtenidos al comparar los pronsticos de cada uno de los quince modelos
iniciales con respecto a los pronsticos derivados de los mtodos de Hallman y
Kamstra y de Coulson y Robins para horizontes de 1 y 2 trimestres16.
Estos
resultados confirman que para todos los casos los mtodos de combinacin de
pronsticos superan significativamente, en trminos de error cuadrtico medio, a
los pronsticos de los modelos iniciales.
16
32
5. Simulaciones
La segunda aplicacin de las metodologas de combinacin de pronsticos se
llev a cabo utilizando un ejercicio de simulacin. El objetivo de este ejercicio es
verificar si se obtienen los mismos resultados favorables para la combinacin de
pronsticos pero sin utilizar datos observados que dependan de una muestra en
particular.
Los modelos utilizados para estimar los pronsticos y los tamaos de muestra
usados en las simulaciones son similares a los empleados en el ejercicio de la
inflacin colombiana.
El proceso generador de los datos se simul como un modelo VARX(4) sobre tres
series I(1) no cointegradas (Xt,Yt,Zt) y una variable exgena (Wt):
S1t
1t
X t 4
X t 3
X t 2
X t 1
X t
S
2
t
Yt = S + A1 Yt 1 + A2 Yt 2 + A3 Yt 3 + A4 Yt 4 + Wt + 2 t
3t
3t
Z t 4
Z t 3
Z t 2
Z t 1
Z t
S
4t
33
34
Los resultados de las simulaciones muestran que para todos los casos analizados
los pronsticos combinados superan en precisin a los pronsticos de los
modelos individuales. El mtodo de combinacin de Coulson y Robins tiene el
mejor desempeo en los casos analizados y presenta una disminucin de
aproximadamente del 50% y 35% en el RMSE con respecto a los pronsticos de
los modelos individuales para horizontes de uno y cuatro observaciones
respectivamente.
35
6. Conclusiones
Los resultados presentados sobre las pruebas de encompassing para los 15
modelos empleados en la prediccin de la inflacin en Colombia, sugieren que es
posible obtener pronsticos mejorados a partir de las tcnicas de combinacin de
pronsticos, puesto que muestran que en todos los horizontes, con la posible
excepcin del horizonte 1, ningn modelo encompasa a los otros.
Las tcnicas de combinacin permiten obtener pronsticos, para cada uno de los
horizontes analizados, que tienen significativamente mejor comportamiento que
el pronstico individual de cualquiera de los 15 modelos empleados hasta el
momento para predecir la inflacin.
Tambin es importante observar que aunque para los horizontes mayores los
pronsticos generados por los modelos individuales poseen sesgos importantes,
36
37
REFERENCIAS
Barnard, G.A., (1963) 'New Methods of Quality Control', Journal of the Royal
Statistical Society A, Vol. 126, 255-259.
Bates,
J.M.,
and
Granger,
C.W.J.,
(1969)
'The
Combination
of
Bilson, J.F.O. (1983), The Evaluation and Use of Foreign Exchange Rate
Forecasting Services, en R. Herring Editores, Managing Foreign Exchange Rate
Risk, Cambridge University Press: Cambridge.
Box, G.E.P.,
and
Jenkins,
G.M.,
(1976)
'Time
Series
Analysis:
Bunn, D. (1989) Forecasting with More than One Model, Vol. 8, 161-166.
38
Clemen,
R.T.
(1989)
Combining
Forecasts:
review
and
Annotated
Cooper, D.M. and Nelson, C.R. (1975) The ex ante Prediction Performance of the
St. Louis and F.R.B.-M.I.T. -Penn Econometric Models and Some Results on
Composite predictors, Journal of Money, Credit and Banking, Vol 7, 1-32.
39
the
Combination
of
'Structural
Change
and
the
Dofour, J.M. (1981) Rank Tests for Serial Dependence, Journal of Time Series
Analysis, 2, 117-128.
Elton, E.J., Gruber, M.J. and Gultekin, M. (1981) Expectations and Share Prices,
Management Science, 27, 975-987.
Engle, R.F., Granger, C.W.J., and Hallman, R.J., (1989) 'Merging Short-and
Long Run Forecasts: an Application of seasonal Co-integration to Monthly
Electricity Sales Forecasting', Journal Of Econometrics, Vol. 40, 45-62.
40
Engle, R.F., Granger, C.W.J., and Kraft, D.F. (1984) Combing Competing
Forecasts of Inflation Using a Bivariate ARCH Model, Journal of Economic
Dynamics and Control, 8, 151-165.
Fair, R.C. and Shiller, (1989) The Informational Content of ex ante Forecasts,
Review of Economics and Statistics, Vol 71, 325-331.
Models,
American
Economic
Review,
Vol.
80,
375-389.
Supply
'Improved
Methods
for
41
Guerard J.B., and Clemen R.T. (1989)'Collinearity and the use of Latent Root
Regression for Combining GNP
231-238.
Gunst, R.F., Webster, J.T., and Mason, R.L. (1976) A comparison of Least
Squares and Latent Roots Regression Estimators, Technometrics, 18, 75-83
Hafer, R.W., and Hein, S.E. (1985) On the Accuracy of Time-Series, Interest rate,
and Survey Forecasts of Inflation, Journal of Business, 58, 377-398.
Techniques
and
Harvey, A. C. (1989) Forecasting, Structural Time Series Models and the Kalman
Filter, Cambridge, Cambridge University Press.
Hoerl, A. E.R., Kennard, R.W. (1970) Ridge Regression: Biased Estimation for
Nonorthogonal Problems, Technometrics, 12, 55-67.
Hoerl, A. E.R., Kennard, R.W., and Baldwin, K.F. (1975)Ridge Regression: Some
Simulations, Commun. Statist., 4, 105-123.
42
Holden, K., and Peel, D.A., (1989) 'Unbiasedness, Efficiency and the
Combination of Economic Forecasts',
Journal
188.
Holt, M.T., and Brandt, J.A. (1985) Combining Price Forecasting with Hedging of
Hogs: An Evaluation Using Alternatives Measures of Risk, Journal of Future
Markets, 5, 297-309.
Huber, P.J. (1973) Robust regression : Asymptotics, conjectures, and Mote Carlo.
Annals of Statistics, 1: 799.821.
Ljung, G.M., and Box, G.E.P. (1978) On a Measure of Lack of Fit in Time Series
Models, Biometrika, 65, 297-303.
43
Mills, T.C., and Stephenson, M.J. (1987) A Time Series Forecasting Sistem for
the U.K. Money Supply, Economic Modeling, July, 355-369.
Min, C. and Zellner, A. (1993) Bayesian and non- Bayesian methods for
Combining Models and Forecasts with Applications to Forecasting International
Growth Rates, Journal of Econometrics, 56, 89-118.
'Decision
Analysis
Expert
Use',
Management
Combining Forecasts to
44
Virtanen, I., and Yli-Olli, P. (1987) Forecasting Stock Market Prices in a Thin
Security Market, OMEGA International Journal of Management Science, 15,
145-155.
45
Webster, J.T., Gunst, R.F., and Mason, R.L. (1974) Latent Roots Regression
Analysis, Technometrics, 16, 513-522.
West, C.T. (1996) System Based Weights versus Series-specific Weights in the
Combination of ForecastsJournal of Forecasting, Vol. 15, 369-384.
46