Pronosticos Via VAR-PLS
En la actualidad los pronC3sticos de series de tiempo proporcionan informaciC3n que es de ayuda para la toma de decisiones. Las series de tiempo son un tipo de dato que posee distintas propiedades dada la estructura de correlaciC3n que posee en el tiempo, que aunado a la interacciC3n con otras varia...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2020 |
| País: | México |
| Institución: | Centro de Investigación en Matemáticas |
| Repositorio: | Repositorio Institucional CIMAT |
| Idioma: | español |
| OAI Identifier: | oai:cimat.repositorioinstitucional.mx:1008/1052 |
| Acceso en línea: | http://cimat.repositorioinstitucional.mx/jspui/handle/1008/1052 |
| Access Level: | acceso abierto |
| Palabra clave: | info:eu-repo/classification/MSC/Pronosticos, Reducción de Dimensionalidad info:eu-repo/classification/cti/1 info:eu-repo/classification/cti/12 info:eu-repo/classification/cti/1209 info:eu-repo/classification/cti/120903 |
| Sumario: | En la actualidad los pronC3sticos de series de tiempo proporcionan informaciC3n que es de ayuda para la toma de decisiones. Las series de tiempo son un tipo de dato que posee distintas propiedades dada la estructura de correlaciC3n que posee en el tiempo, que aunado a la interacciC3n con otras variables enriquecen el modelado estadC-stico. Algunos de los modelos estadC-sticos para realizar pronC3sticos precisos, como los modelos de series de tiempo de alta dimensionalidad, requieren de tC)cnicas computacionales desarrolladas recientemente, entre las cuales se encuentran: tC)cnicas de reducciC3n de dimensionalidad y los mC)todos de remuestreo; que permiten en tC)rminos de complejidad computacional, la estimaciC3n de pronC3sticos usando una mayor cantidad de informaciC3n. El presente trabajo propone la metodologC-a VAR-PLS para realizar pronC3sticos conjuntos hasta h pasos hacia adelante. La metodologC-a parte de un Vector Autorregresivo (VAR) cointegrado y realiza el pronC3stico por medio de MC-nimos Cuadrados Parciales (PLS) utilizando varios rezagos. Posteriormente se construyen intervalos de confianza de los pronC3sticos por medio de una adaptaciC3n para series de tiempo del mC)todo Bootstrap. Se ilustra la metodologC-a con un ejercicio empC-rico con otras 16 series de tiempo macroeconC3micas para pronosticar el INPC mexicano. Los resultados son comparados con los pronC3sticos obtenidos a travC)s de un modelo VAR con el fin de de comparar la precisiC3n de la metodologC-a propuesta respecto a un modelo usado comunmente en la literatura. El resultado mC!s importante obtenido es que se lograron realizar pronC3sticos del INPC 12 pasos adelante con una precisiC3n promedio mayor al 99 %. |
|---|