PREDICIENDO EL PBI: ¿QUÉ APORTAN LOS MÉTODOS CUANTITATIVOS? Versión Preliminar Julio de 2002 Elena Cuadrado∗ Fernando Lorenzo∗∗ Virginia Queijo∗∗∗ Abstract En este trabajo se analizan las potencialidades y debilidades que presenta la predicción del PBI trimestral de la economía uruguaya mediante el uso de métodos cuantitativos. Los distintos procedimientos se distinguen de acuerdo al conjunto de información que utilizan. Se tuvieron en cuenta varios tipos de modelos lineales de series temporales: i) univariantes, ii) vectores autorregresivos (VAR), y iii) modelos econométricos de forma reducida. Cuando se considera conjuntamente la precisión de las predicciones a distintos horizontes temporales, se observa que ninguno de los esquemas de modelización considerados muestra un predominio claro sobre los otros (en la métrica del error cuadrático medio). No obstante, un modelo multivariante VAR con componentes del PBI parece ser el que genera predicciones más precisas en el período analizado (1998-2001). La implementación de contrastes de encompassing y de combinación de predicciones generadas por los diferentes procedimientos, indica que una combinación lineal de las predicciones realizadas por el modelo VAR con componentes del PBI con las provenientes de un modelo univariante naive permite mejorar la precisión de las predicciones. El estudio revela que la predicción del PBI trimestral de la economía uruguaya presenta elevados niveles de incertidumbre. Los resultados obtenidos muestran que los modelos cuantitativos aplicados en el caso uruguayo cometen errores de predicción más grandes que los utilizados en otros países. Previsiblemente, este hecho se encuentra relacionado con el tamaño y el grado de apertura de la economía considerada. ∗ Instituto de Economía, Facultad de Ciencias Económicas y Administración, Universidad de la República, Uruguay. E-mail: [email protected] ∗∗ Centro de Investigaciones Económicas (CINVE), Uruguay. E-mail: [email protected] ∗∗∗ Department of Economics and Institute for Latin American Studies, Stockholm University, Suecia. E-mail: [email protected] 1 1. INTRODUCCIÓN El objetivo de este trabajo es realizar un ejercicio de predicción del Producto Bruto Interno (PBI) trimestral de la economía uruguaya mediante el uso de métodos cuantitativos para el período 1998-2001. El propósito de dicho ejercicio no es sólo establecer cuál método presenta mejores resultados, sino también observar cuales son los problemas que se presentan en la utilización regular de cada método, de modo de extraer conclusiones sobre las ventajas e inconvenientes que se derivan de su aplicación al caso concreto de la economía uruguaya. El seguimiento de la evolución del PBI de una economía es de vital importancia, ya que el mismo es un indicador sintético del bienestar general y representa la medición de la actividad productiva de un país a nivel agregado más ampliamente difundida. Por tanto, existe de parte de múltiples agentes económicos una preocupación fundada por conocer por adelantado el comportamiento de este indicador. En el caso de Uruguay, si bien existen algunos trabajos que aplican métodos cuantitativos para contrastar relaciones económicas de interés referidas a la determinación del PBI, no ha sido objeto de atención el desempeño predictivo de los modelos. Este trabajo se propone avanzar en esta línea de investigación, estudiando las ventajas e inconvenientes que enfrentan los analistas de coyuntura al utilizar predicciones sobre el nivel de actividad generadas a partir de modelos cuantitativos. El uso de métodos cuantitativos para la elaboración de pronósticos económicos tiene más de 70 años. La razón que motiva el desarrollo permanente de los procedimientos de predicción radica en que cada vez resulta más importante para los agentes económicos disponer de estimaciones, lo más precisas posibles, sobre la evolución previsible de un amplio conjunto de indicadores económicos con el objetivo de contribuir a la toma de decisiones. 2 Esta motivación ha originado el desarrollo de distintos procedimientos estadísticos y econométricos, cada uno de los cuales presenta determinadas características, ventajas y desventajas. Este trabajo pretende hacer una presentación sintética y empírica de los métodos y procedimientos de predicción más usados en la actualidad. Cabe advertir, sin embargo, que la presentación no pretende ser exhaustiva, no abarcando modelos macroeconométricos estructurales ni métodos de predicción basados en la utilización de modelos no lineales. En cuanto al problema estricto de predicción, el uso de distintos modelos, así como la incorporación de más o menos variables externas a la estructura del PBI derivan en resultados dispares. Sin embargo, determinados métodos muestran ventajas sobre otros. Asimismo, importa resaltar que como las predicciones están sujetas a incertidumbre, un buen ejercicio de predicción debe tener en cuenta los posibles errores que pueden contener las predicciones. Esto lleva a que las predicciones puntuales deban ir acompañadas por información que permita determinar el intervalo de confianza de las estimaciones realizadas. Por último, cabe resaltar que la predicción del PBI no puede entenderse como un problema meramente estadístico, centrado exclusivamente en la utilización de métodos que brinden predicciones lo más precisas posibles. La labor de predicción de esta variable debe aportar una mejor comprensión sobre el funcionamiento de la dinámica económica. Por lo tanto, explorar la capacidad de predicción de un modelo o procedimiento requiere establecer un balance entre la precisión de las predicciones y la racionalidad económica subyacente. Esto resulta fundamental a la hora de elaborar el diagnóstico. El trabajo se organiza de la siguiente manera. En el punto siguiente se presentan las principales características de los distintos métodos de predicción considerados. En la tercera sección se analizan diferentes criterios para evaluar el desempeño predictivo de los modelos, destacándose aquellos que aportan información sobre la constancia de los parámetros y los que permiten evaluar la precisión y contenido 3 informativo de las predicciones. Luego se presentan los principales resultados, y por último, se realizan algunas consideraciones finales. 2. ASPECTOS METODOLOGICOS A los efectos de este trabajo se optó por concentrar el esfuerzo en esquemas cuantitativos para la predicción, ya que se considera que en la economía uruguaya existe campo para mejorar la precisión de las predicciones utilizando modelos cuantitativos. Asimismo, el estudio de los métodos de predicción desde un punto de vista meramente formal, tiene la ventaja adicional de ser más fácil de comunicar y aprender, ya que a diferencia de los métodos más intuitivos, estas técnicas proporcionan una forma científica de contrastar las hipótesis con la evidencia empírica y por ende, un procedimiento sistemático para avanzar en el conocimiento de la realidad económica subyacente (Currie, 1994). Los métodos cuantitativos para la realización de predicciones pueden distinguirse según el conjunto de información que utilizan. A lo largo de este trabajo se estudiarán principalmente varios tipos de modelos lineales de series temporales: i) univariantes, ii) vectores autorregresivos (VAR), y iii) modelos econométricos de forma reducida. 2.1. Modelos univariantes de series temporales Entre los métodos considerados, los modelos univariantes de series temporales son los que incorporan menor cantidad de información, ya que sólo usan la información contenida en los retardos de la propia variable modelizada. La construcción de estos modelos se realiza a partir del análisis de las propiedades estadísticas de los datos, simplificando las relaciones de dependencia temporal de los mismos, y sin incorporar ningún tipo de relación con otras variables. 4 El objetivo de los modelos univariantes no es lograr una representación apropiada del funcionamiento de la economía, sino construir modelos simples que capturen las propiedades de dependencia temporal de los datos, con el objetivo de proveer bases adecuadas para los pronósticos. La ventaja de estos modelos es que proveen de un enfoque simple y robusto al problema de las predicciones, además de eliminar la posibilidad de realizar pronósticos utilizando relaciones espurias entre variables. La desventaja que presentan es que los mismos pueden ver deteriorada su capacidad predictiva al no incorporar otra información disponible y relevante para pronosticar la variable de interés (Hall, 1994). En este trabajo se analizaron tres modelizaciones univariantes lineales dependiendo de la aleatoriedad de los componentes básicos, tendencia y estacionalidad: ARIMA A Crecimiento tendencial estable (determinista) y estacionalidad estocástica θ q ( L)θ Q ( L4 ) ∆ yt = µ + 4 ARIMA B at Crecimiento tendencial estocástico y estacionalidad estocástica ∆∆ yt = + 4 ARIMA C φ p ( L)φ P ( L4 ) Crecimiento θ q ( L)θ Q ( L4 ) φ p ( L)φ P ( L4 ) tendencial at estable (determinista) determinista 3 θ q ( L)θ Q ( L4 ) i =1 φ p ( L)φ P ( L4 ) ∆yt = µ + ∑ α i Dit + 5 at y estacionalidad donde yt es el logaritmo del PBI, los polinomios en el operador de retardo L son de la forma κr(L) = 1 - κ1L -.....- κrLr, o κr(L4) = 1 - κ1L4 -.....- κrL4r. Estos polinomios tienen todas sus raíces estrictamente fuera del círculo unitario. El proceso estocástico at es un ruido blanco con varianza finita y constante σ2a que representa la secuencia de innovaciones que afectan a la serie de interés. Dit son variables dummies estacionales que toman valor 1 cuando la observación t pertenece al trimestre i, -1 en el cuarto trimestre y 0 en los otros casos. Asimismo, se incluyeron variables de intervención para modelizar los efectos sobre el nivel de la serie de todos los eventos extraordinarios. Este tipo de modelos puede estimarse de manera eficiente a partir de métodos de máxima verosimilitud (Box y Jenkins, 1976). La aplicación de la metodología BoxJenkins permite especificar modelos ARIMA de manera simple. 2.2. Observaciones atípicas y su tratamiento estadístico Una característica de las series de tiempo es que en general están contaminadas por observaciones atípicas (outliers), consecuencia de eventos inusuales y no repetitivos. En ese caso, la precisión de las predicciones se ve afectada por dos vías: i) el efecto del outlier sobre los pronósticos puntuales, y ii) porque introduce un sesgo en la estimación de los parámetros del modelo (Chen y Liu, 1993). Los cuatro tipos fundamentales de observaciones atípicas considerados en la literatura de series de tiempo son: atípico aditivo (additive outlier, AO), atípico innovativo (innovative outlier, IO), cambio de nivel (level shift, LS), y cambio transitorio (transitory change, TC) Una vez que se ha identificado la localización y tipo de atípico, se corrigen los mismos mediante el análisis de intervención propuesto originalmente por Box y Tiao (1975). Este tipo de análisis no es más que una generalización del análisis con variables cualitativas donde, finalmente, las variables de intervención se reducen a 6 dos tipos: i) impulsos para modelizar efectos transitorios de corto plazo, y ii) escalones para modelizar efectos permanentes de largo plazo. 2.3. Modelo multivariante: VAR con componentes sectoriales del PBI En este trabajo se consideró un desglose sectorial del IVF del PBI global a efectos de construir un conjunto de modelos econométricos multivariantes de tipo VAR. Estos modelos fueron utilizados para generar predicciones de los distintos IVF sectoriales. La agregación de estos índices permitió construir predicciones del IVF del PBI a partir de las predicciones de sus componentes sectoriales. Este tipo de representación permite analizar los vínculos entre los comportamientos de cada uno de los sectores, donde puede existir un sector cuyo comportamiento incide sobre otros o donde pueden observarse causalidades bidireccionales que los modelos univariantes son incapaces de capturar. En concreto, se especificaron dos modelos VAR con componentes sectoriales del PBI, con 4 y 5 retardos cada uno: VAR A Crecimiento tendencial estable y estacionalidad estocástica ∆4Xt = µ + Λ(L) ∆4Xt-1 + εt VAR B Crecimiento tendencial estable y estacionalidad determinista 3 ∆Xt = µ + Λ(L) ∆Xt-1 + Σ ;i=1 αiDit + εt donde las variables (endógenas) incluidas en el vector Xt son el logaritmo de distintos componentes sectoriales del PBI, µ es un vector de constantes, Dit son variables dummies estacionales, εt∼IN(0, Ω), y Λ(L)Xt-1 = Λ1Xt-1 + ... + ΛpXt-p siendo Λi 7 matrices de n x n parámetros. Todas las raíces de In - Λ1L -...- ΛpLp= 0 se encuentran estrictamente fuera del círculo unitario. Por último, cabe mencionar que estos modelos también pueden incluir variables dummies para corregir atípicos. 2.4. Modelo multivariante: VAR “econométrico” En este trabajo se denomina VAR “econométrico” a un modelo multivariante donde en el vector de variables endógenas se incluyen “variables explicativas” externas al PBI y no los componentes sectoriales del mismo. Las variables consideradas fueron los logaritmos de: PBI de Uruguay, PBI de Argentina, PBI de Brasil, inflación en dólares en Uruguay, inflación en dólares en Argentina, inflación en dólares en Brasil, relación de términos de intercambio (RTI)1, tasa de interés internacional2. Asimismo, se incluyó en el modelo un conjunto de variables dummies para modelizar la estacionalidad, así como un cierto número de variables cualitativas que capturan los efectos de acontecimientos extraordinarios que afectaron a las distintas variables en el período analizado. La ventaja de introducir otras variables externas al PBI respecto a los modelos VAR con componentes sectoriales, es que incorpora información disponible y relevante para pronosticar la actividad económica. Las variables incorporadas son en general variables que la teoría económica interpreta actúan sobre el PBI, y por lo tanto podrían mejorar las predicciones. Sin embargo, la introducción de estas variables podría presentar la desventaja de generar relaciones espurias y así, perjudicar el desempeño predictivo de estos modelos. 1 La RTI fue calculada como el cociente entre índices de precios de exportación y los precios de importación, ambos en términos de dólares. 8 Asimismo, la modelización mediante vectores autorregresivos elimina el problema de la precedencia temporal de las variables explicativas, permitiendo analizar la existencia de interacciones dinámicas entre los datos. En este sentido, los modelos VAR sin restricciones no necesitan que las variables incluidas en el vector autorregresivo sean fuertemente exógenas para que el modelo sea válido con fines predictivos. 2.5. Modelos econométricos de forma reducida Los modelos econométricos hacen uso de la teoría económica incorporando, al igual que en el caso anterior, información adicional a la que define la estructura sectorial del PBI. Por otra parte, los sistemas econométricos cumplen otras funciones a parte de ser útiles para predecir. Por ejemplo, los mismos consolidan el conocimiento empírico y teórico de cómo funcionan las economías, proveen un marco para una estrategia de investigación futura y ayudan a explicar otras fallas. Asimismo, al igual que los modelos de series de tiempo, se basan en modelos estadísticos y por lo tanto permiten la derivación de medidas de incertidumbre de los pronósticos y los tests asociados a la inadecuación de los mismos (Clements y Hendry, 1998). Los modelos econométricos pueden especificarse como modelos macroeconómicos generales o solamente bloques parciales. Los primeros son muy costosos, ya que requieren de una gran cantidad de recursos técnicos y humanos para su uso. A los efectos de este trabajo, solamente se considerarán modelos econométricos uniecuacionales para la predicción del PBI. 2 Se consideró el logartimo de (1+ tasa de interés de los depósitos a 90 días en dólares). 9 a) Modelo lineal general uniecuacional Para exponer la formulación econométrica del modelo lineal general uniecuacional se consideran k variables xk exógenas que tienen información relevante sobre la evolución de la variable de interés yt (a efectos de este trabajo el logaritmo del PBI uruguayo). Asimismo, se supone que tanto yt como las k variables exógenas son procesos I(1), y que no existe una relación de cointegración entre ellas. Bajo estas condiciones, el modelo lineal general puede expresarse en su formulación de retardos racionales distribuidos como: ∆yt = ωn,1( L) ωn, k ( L) θq( L) at ∆xt ,1+....+ ∆xt , k + δm,1( L) δm, k ( L) φp( L) donde el cociente de polinomios en el operador de retardo aplicado sobre ∆xt,i aproxima el efecto dinámico de la variable xi sobre ∆yt, mientras que el segundo término representa una estructura ARMA (p,q) que resume la estructura de dependencia temporal a través de la que las perturbaciones se transmiten a la serie ∆yt. Las raíces del polinomio δm,i(L) se encuentran todas estrictamente fuera del círculo unitario, de tal modo que el cociente polinomial puede ser de orden infinito, siendo la suma de sus coeficientes finita. Se observa que en este tipo de modelización la parte predecible de la variable de interés está formada por dos componentes: i) la contribución de las variables exógenas y ii) la parte predecible del elemento residual. Las variables “exógenas” incluidas en la especificación de los modelos econométricos fueron3: 3 Otras variables como el tipo de cambio real bilateral con Argentina, la relación de términos de intercambio y la tasa de interés internacional fueron dejadas de lado, ya que su inclusión en el modelo no resultó estadísticamente significativa. 10 Modelo A • PBI de Argentina • PBI de Brasil Modelo B • PBI de Argentina • PBI de Brasil • Tipo de cambio real bilateral con Brasil (TCR con Brasil)4 En los modelos estimados se incluyó una constante, variables dummies estacionales, además de algunas variables cualitativas que captan los efectos de algunos acontecimientos extraordinarios ocurridos durante el período muestral considerado. b) Exogeneidad de las variables explicativas La validez de la utilización de los modelos de función de transferencia con fines predictivos requiere que se verifiquen las condiciones de exogeneidad fuerte: i) que la variable de interés no cause en el sentido de Granger a las variables exógenas ∆xt,i, y ii) que estas últimas sean además débilmente exógenas. La exogeneidad débil es una condición necesaria para la validez de la inferencia acerca de los parámetros del modelo uniecuacional5, mientras que la condición de exogeneidad fuerte implica que no existe retroalimentación desde yt hacia xt. Más formalmente, yt no causa en el sentido de Granger a xt si para todo s > 0 el error cuadrático medio (MSE, Mean Square Error) del pronóstico de xt+s basado en (xt, xt-1,…) es el mismo que el MSE del pronóstico de xt+s que usa ambos, (xt, xt+1, …) y (yt, yt-1,…). 4 Los TCR bilaterales con Argentina y Brasil fueron calculados como la relación entre la inflación en dólares en dichos países, respecto a la inflación en dólares en Uruguay. 5 El análisis de la hipótesis de exogeneidad débil se puede realizar a partir de la metodología de contraste de Hausman (1978) y Engle (1982). 11 3. CRITERIOS PARA EVALUAR EL DESEMPEÑO DE LOS MODELOS La constancia paramétrica y la evaluación de las predicciones basadas en el error cuadrático medio son criterios frecuentemente usados para evaluar el desempeño de los modelos. La verificación de ambos criterios es necesaria, pero no suficiente, para seleccionar el modelo que predice mejor, dados los datos disponibles. El contenido informativo de las distintas predicciones también debe ser tomado en cuenta. 3.1. Constancia paramétrica Un problema que enfrentan los modelos de predicción es que el proceso generador de los datos (PGD) pocas veces es estable, lo que lleva a períodos de grandes errores en las predicciones cuando se asiste a un cambio estructural. Cuando esto ocurre, modelos que antes eran exitosos fallan en predecir las nuevas realizaciones de los datos (Clements y Hendry, 1997). La constancia paramétrica es esencial al diseño del modelo, tanto desde el punto de vista estadístico como económico. Para que la inferencia sea válida los parámetros deben ser estadísticamente estables. La práctica econométrica debe dirigirse a identificar modelos que muestren una estructura paramétrica razonablemente constante y que sigan siendo útiles cuando se producen cambios. La teoría de la predicción ofrece un conjunto de instrumentos válidos para realizar la inferencia cuando el modelo estimado coincide con el PGD. En este caso, los pronósticos estimados como la esperanza condicional de la información pasada son óptimos en el sentido de que son insesgados y eficientes. Sin embargo, en un mundo cambiante y no estacionario, donde el modelo difiere del PGD, la teoría de predicción enfrenta otros problemas. 12 En este sentido la constancia paramétrica es una propiedad estadística deseable de los modelos y se encuentra íntimamente relacionada con el comportamiento en predicción de los modelos. Ericsson (1994) demuestra que la constancia paramétrica no es una condición necesaria y suficiente para minimizar el error cuadrático medio de las predicciones entre un conjunto de modelos. Concretamente la proposición demostrada por este autor establece que si un modelo tiene empíricamente parámetros constantes, éste puede tener un error cuadrático medio tanto inferior como superior al de otros modelos alternativos, que adolecen de inestabilidad paramétrica. El autor demuestra, asimismo, que si un modelo tiene parámetros no constantes, éste puede presentar un error cuadrático medio de las predicciones tanto inferior como superior al de otro modelo con parámetros constantes. Concluye que ambos criterios son necesarios pero no suficientes para asegurar que un modelo sea adecuado para fines predictivos. Otros criterios, como el de forecast encompassing, también son importantes para determinar la adecuación del modelo. Formalmente, la constancia paramétrica de un modelo puede evaluarse a partir de procedimientos recursivos de estimación. A tales efectos, pueden utilizarse distintos estadísticos, siendo el CUSUM propuesto por Brown, Durbin y Evans (1975) uno de los más utilizados. El contraste CUSUM se basa en la suma acumulada de los residuos recursivos estandarizados: n −1 ∑e CUSUM (T , n ) = j = 0 ( T + j ) +1 , n = 1,..., τ s siendo et los errores de predicción un paso adelante, s la desviación estándar de los residuos estandarizados calculados sobre toda la muestra, y τ el número de predicciones post-muestrales. La gráfica del CUSUM es útil para detectar inestabilidad paramétrica, ya que cuando este estadístico cruza las líneas predeterminadas dadas por ±(a√τ + 2ah/√τ), donde a=0.948 para un nivel de significancia de 5%, puede rechazarse la hipótesis nula de 13 estabilidad de la estructura paramétrica subyacente. El CUSUM es particularmente útil para detectar situaciones en las que el modelo utilizado predice sistemáticamente por debajo o por encima de las futuras realizaciones. Otro contraste frecuentemente utilizado para evaluar la estabilidad del modelo en predicción puede realizarse a partir del estadístico τ −1 ζ (τ ) = ∑e j =0 2 ( T + j ) +1 τs 2 donde s2 es la varianza estimada de las innovaciones muestrales y τ es el número de predicciones “puras” un paso adelante (post-muestrales). Si el modelo está correctamente especificado y asumiendo normalidad de los errores de predicción, Box y Tiao (1976) demostraron que el estadístico ξ(τ) se distribuye F(τ, T-r) donde r es el número de observaciones usadas como condiciones iniciales para la estimación. 3.2. Evaluación de predicciones La evaluación del desempeño de los pronósticos es un insumo importante en el proceso de predicción, y en la medida en que proporciona información sobre la performance futura, es de gran interés para los usuarios (Wallis, 1989). Asimismo, es esencial informar de la medida de riesgo asociada a todo pronóstico puntual, así como brindar la historia de los últimos errores de predicción. Esto es importante porque permite al usuario conocer la incertidumbre futura, planear estrategias dentro del rango posible de los pronósticos y establecer escenarios basados en distintos supuestos sobre los acontecimientos futuros. Cabe resaltar que detrás de los errores de predicción pueden existir distintos problemas, como por ejemplo errores de especificación del modelo, errores en la estimación de los parámetros, inestabilidad paramétrica, perturbaciones atípicas, 14 errores en las proyecciones de las variables exógenas y errores de medición de las variables de interés. a) Medidas de precisión Los pronósticos macroeconómicos se expresan tradicionalmente como estimaciones puntuales. Las evaluaciones retrospectivas de los mismos asumen usualmente que la función de pérdida asociada a los errores de predicción aumenta con la magnitud aritmética del error. Como resultado, distintas medidas descriptivas son a menudo usadas para evaluar la performance de los pronósticos. Las más comunes son: i. Error medio (Mean error, ME) 1 τ ∑e τ i =1 ( T +i ),h donde τ es el número de predicciones usadas en la comparación y h es el horizonte temporal de los errores. El error de predicción, eT+h ,se define como la diferencia entre el valor efectivamente observado de la variable de interés, yT+h, y la predicción condicional realizada por el modelo correspondiente, y^ T+h, de modo que eT+h = yT+h – y^ T+h. ii. Error absoluto medio (Mean absolute error, MAE) 1 τ ∑e τ i =1 ( T +i ),h iii. Raíz cuadrada del error cuadrático medio (Root mean square error, RMSE) [ 1 τ ∑e τ i =1 ( T +i ),h ] 2 iv. Relación entre MAE y RMSE (x100) v. Rango de los errores absolutos (Max AE – Min AE) 15 Una crítica que enfrentan las medidas basadas en el MSE se refiere a la falta de invarianza respecto a transformaciones de las variables para las cuales el modelo es invariante (Clements y Hendry, 1995). Este problema se refiere a que un modelo A puede mostrar un mejor desempeño que un modelo B en términos del MSE para predecir la variable yT+h, pero la situación puede ser inversa cuando ambos modelos predicen ∆yT+h. Clements y Hendry muestran que el uso del MSE carece de ambigüedad para medir la precisión de las predicciones solamente en el caso de los modelos univariantes y para las predicciones un paso adelante. En otras circunstancias, estos autores recomiendan la utilización de la matriz de segundos momentos de los errores de predicción. Sin embargo, los argumentos desarrollados por Clements y Hendry van más allá del alcance de este trabajo y por tanto las medidas de precisión utilizadas se basarán en el MSE. Por otra parte, la ventaja que presenta el RMSE es que describe la magnitud del error en términos relativamente fáciles y útiles para los usuarios de los pronósticos. Otra dificultad que presentan estas medidas es que no existe un estándar absoluto para evaluar la precisión, por lo cual se han desarrollado distintos procedimientos comparativos. Una primera aproximación consiste en contrastar si la predicción satisface ciertas propiedades de una predicción óptima, además de la minimización del error cuadrático medio de las predicciones. Otra posibilidad es comparar el desempeño predictivo de un cierto número de modelos alternativos. b) Propiedades de las predicciones Una predicción óptima es insesgada y eficiente, esto es, que el valor esperado de los errores de predicción es nulo y no puede mejorarse la predicción a partir del conjunto de información disponible (Wallis, 1989). Por lo tanto si la predicción es óptima, debe ser insesgada y minimizar el MSE. Considerando que los errores son independientes e idénticamente distribuidos, un contraste simple de insesgamiento resulta de comparar la media muestral de los errores de predicción un paso adelante con la desviación estándar de los errores muestrales (estadístico t de la media de los errores de predicción). 16 Entonces, aceptando la hipótesis de insesgamiento de las predicciones, el criterio de optimalidad a utilizar será el de minimizar el MSE de la predicción definido como: MSE (^y T,h) = E((yT+h – y^ T,h)2 / IT) = V(eT+h) + (E(eT+h))2 De lo anterior se desprende que para el caso de predicciones insesgadas, minimizar el MSE es igual a minimizar la varianza de los errores de predicción h pasos adelante. 3.3. Comparación entre modelos y combinación de predicciones La comparación entre distintas predicciones concierne dos perspectivas: la precisión, y el contenido informativo. Desde el punto de vista empírico, la primera pregunta que corresponde plantearse es si existe en la métrica del error cuadrático medio algún dominio claro de un método sobre otro. Cabe precisar que cuando se comparan predicciones correspondientes a distintos procedimientos o modelos, es necesario considerar todas las dimensiones (horizontes de predicción, niveles de agregación) sobre las que se pretende que los modelos aporten información. El ideal es que un modelo domine sobre sus competidores en todas las dimensiones relevantes.6 Sin embargo, desde el momento que los distintos modelos comparten información, y por lo tanto no son independientes, la significación estadística de las diferentes medidas descriptivas no puede ser directamente contrastada entre los modelos. De ahí se pasa al problema del contenido informativo de las predicciones realizadas mediante distintos modelos, destacándose en la literatura dos enfoques: combinación 6 de predicciones (cuando los errores de los modelos i) la son Öller y Tallbom (1996) señalan que muchas veces los datos con que trabajamos son también estimaciones. Si el criterio para juzgar la adecuación de un método es comparando las predicciones con los resultados se puede caer en la comparación de dos estimaciones. 17 independientes), y ii) el encompassing (cuando se admite que las predicciones con un período de antelación de un modelo pueden estar contenidas en otro). Algunos autores piensan que estos procedimientos son superiores a la simple comparación del RMSE. Si dos modelos presentan RMSE similares nada se puede decir sobre la conveniencia de utilizar uno u otro. Además, si un modelo presenta un RMSE inferior al de otro, esto no quiere decir que éste último no aporte información útil sobre el funcionamiento del fenómeno analizado. a) Combinación de predicciones La combinación de predicciones es un procedimiento alternativo que permite contrastar ex-post el desempeño de distintas predicciones y al mismo tiempo puede contribuir a la mejora de las predicciones ex-ante (considerando las predicciones con un período de antelación). En general, se espera que diferentes predicciones basadas en distintos conjuntos de información, modelos, o aún distintos enfoques del análisis de los datos, contribuyan de manera distinta al problema de predicción. Por lo tanto, la combinación de pronósticos diferentes podría ser más precisa que la aportada por cualquiera de los modelos por separado (Wallis, 1989). La ventaja de combinar predicciones consiste en que no se descartan los pronósticos con peor desempeño, ya que los mismos podrían contener información útil. Si dos predicciones individuales son insesgadas7, una predicción compuesta tiene la siguiente forma: Ct = kt y^ 1t + (1-kt) y^ 2t 7 Esta condición se impone a todas las predicciones individuales. En caso que las mismas sean sesgadas, son corregidas por el sesgo. 18 Existen distintos procedimientos para escoger k. El más simple es utilizar la media aritmética8, pero en términos generales corresponde otorgar mayor ponderación a los pronósticos que presentan menor MSE. Un ejemplo de cómo escoger k sería kt = MSET-1;2 MSET-1;1 +MSET-2;2 donde el subíndice 1 y 2 corresponde a dos modelos distintos y k1 = 0,5 (Bates y Granger, 1969). En general se puede decir que si los errores de una combinación tienen una varianza significativamente menor que la de los errores de los pronósticos individuales, esto estaría evidenciando que los modelos considerados han sido mal especificados y que los mismos no están usando de manera óptima toda la información disponible. Esto sugiere que podría encontrarse un modelo más general, el cual incluya las características de los modelos combinados que mejoraría las predicciones. Sobre este aspecto, Diebold (1989) considera que, aunque muchos econometras están en desacuerdo, la combinación de predicciones constituye una vía útil y productiva para el mejoramiento de las predicciones. Obviamente, si la información puede ser combinada rápidamente y sin coste, no existe posibilidad de extraer beneficios de la combinación de predicciones. Es mejor combinar conjuntos de información y no predicciones. Sin embargo, a pesar que la combinación de predicciones es una estrategia ineficiente frente a la combinación de conjuntos de información, en determinadas circunstancias las restricciones de costos o de tiempo se convierten en un obstáculo para la implementación de la combinación de conjuntos de información. La combinación de predicciones aparece, entonces, como una solución pragmática ante el costo que implicaría combinar conjuntos de información. 8 Diebold (1989) señala que los beneficios de imponer ponderadores iguales muchas veces superan los costos, y que los resultados de las predicciones resultantes son mejores. 19 b) Forecast-encompassing La propiedad de forecast-encompassing se relaciona con el problema de determinar si las predicciones con un período de antelación realizadas por un modelo aportan información útil para explicar los errores de predicción de otro modelo. El contraste estadístico de esta propiedad fue desarrollado por Chong y Hendry (1986), quienes establecieron que la necesidad de combinar pronósticos surge como consecuencia de la mala especificación de los modelos (Clements y Hendry, 1993)9. La meta final sería encontrar modelos que contengan a sus competidores mediante mejores pronósticos que sus rivales (forecast-encompassing). Desde el punto de vista de la implementación empírica, y considerando que existe autocorrelación entre los sucesivos errores de predicción a distintos horizontes, este concepto solamente puede hacerse operacional para pronósticos un paso adelante. Un contraste de encompassing se puede realizar estimando por mínimos cuadrados ordinarios las siguientes regresiones:10 eT+i,1 = β1 (^y T+i,2 - y^ T+i,1) + uT+i,1 eT+i,2 = β2 (^y T+i,1 - y^ T+i,2) + uT+i,2 donde i =1,..., τ, eT+i, j son los errores de predicción un paso adelante del modelo j, y y^ T+i, j son las predicciones un paso adelante del modelo j. La hipótesis nula a contrastar es Ho: βj = 0, lo que significa que la diferencia de las predicciones de los modelos no puede explicar los errores cometidos por uno de los modelos considerados (se dice que el modelo j “encompasses” al otro modelo). En el caso que βj sea distinto de 0, entonces ambos modelos son valiosos para predecir yt pero ninguno es suficiente. 9 Diebold (1989) reconcilia estos dos enfoques estableciendo que la combinación de pronósticos es útil en el corto plazo, cuando combinar conjuntos de información resulta muy costoso. 10 Este contraste puede realizarse de igual manera en diferencias por la homegeneidad que presentan las ecuaciones. 20 Analizando la primera ecuación, se observa que en el caso que las predicciones del modelo 2 contengan toda la información aportada por el modelo 1, y cierta información adicional, el parámetro estimado debe converger a la unidad (β1 = 1). En este caso, las técnicas de combinación de predicciones carecen de sentido porque toda la información aportada por el modelo 1 estaría comprendida en el segundo modelo11. Desde el punto de vista de la implementación empírica, la propiedad de forecastencompassing es formalmente equivalente a la definición de eficiencia condicional propuesta por Granger y Newbold (1973). Un pronóstico es condicionalmente eficiente si la varianza del error de predicción de una combinación del mismo con otro pronóstico no es significativamente menor que la del modelo considerado. En esta definición nuevamente se observa que bajo las condiciones de forecastencompassing, la combinación de pronósticos no mejora las predicciones. 4. RESULTADOS Los datos utilizados en este trabajo corresponden a la serie trimestral del Índice de Volumen Físico (IVF) del PBI uruguayo que elabora el Banco Central del Uruguay. El período analizado abarca desde el primer trimestre de 1978 hasta el último trimestre del año 2001. Las observaciones correspondientes a los últimos cuatro años fueron en un principio dejadas de lado en el proceso de estimación de los 11 Considerando la primera ecuación: eT+i,1 = yT+i -^y T+i, 1 = β1 (^y T+i, 2 - y^ T+i, 1 ) + uT+i,1 entonces yT+i = (1-β1) y^ T+i, 1 + β1 y^ T+i, 2+ uT+i,1 Se observa que en el caso que β1 converja a uno, el mejor pronóstico va a ser y^ T+i,2 y no una combinación de ambos. Además, considerando que ambas predicciones son insesgadas, se deriva eT+i,2 = yT+i - y^ T+i,2 = (1-β1) (^y T+i, 1 -^y T+i,,2) + uT+i,2 = β2 (^y T+i, 1 -^y T+i, 2) + uT+i,2 por lo cual β1=1 implica β2=0, verificándose que existe forecast encompassing en el segundo modelo. Lo mismo ocurre si se considera la segunda ecuación. 21 modelos para ser utilizadas en la evaluación de la capacidad predictiva de los mismos. Cabe resaltar que el período de evaluación de las predicciones ha sido un período particularmente inestable para la economía uruguaya, particularmente afectado por los efectos de la devaluación de la moneda brasileña en enero de 1999 y por la ausencia de dinamismo e inestabilidad reinante en la economía argentina. 4.1. Modelos univariantes de series temporales En primer lugar se observa que la serie del PBI uruguayo presenta tendencia de largo plazo y oscilaciones estacionales (Gráfico 1). Luego se pasó a estimar los modelos con el programa Eviews (Econometric Views versión 3). Las estimaciones se realizaron con datos correspondientes al período comprendido entre el primer trimestre de 1979 y el cuarto trimestre de 1997. Las observaciones de los cuatro últimos años fueron “reservadas” para evaluar el desempeño predictivo de los modelos estimados. En los tres modelos estimados se incluyó un Análisis de Intervención para modelizar cuatro observaciones atípicas (outliers) detectadas en el transcurso del proceso de modelización: 1981.4 y 1982.3 escalón, 1985.1 y 1995.3 impulso. Las estimaciones se realizaron utilizando un procedimiento recursivo (rolling estimation) que consiste en volver a estimar todos los parámetros del modelo cada vez que se incorpora un nuevo dato. Con los nuevos parámetros se realizan las predicciones correspondientes y así se calculan los errores de predicción (recursivos). El proceso de estimación recursiva se reiteró hasta el tercer trimestre de 200112. 12 En el Cuadro A2 del Anexo se presentan las primeras estimaciones del modelo ARIMA C. 22 Cuadro 1 Evaluación de los errores de predicción: Modelos univariantes Período: 1998.01 – 2001.4 1 trimestre de antelación ME MAE Min Max RMSE 2 trimestres de antelación ME MAE Min Max RMSE 3 trimestres de antelación ME MAE Min Max RMSE 4 trimestres de antelación ME MAE Min Max RMSE ARIMA A -0,0178 0,0228 0,0007 0,0646 0,0302 ARIMA B -0,0131 0,0200 0,0005 0,0523 0,0262 ARIMA C -0,0104 0,0193 0,0005 0,0457 0,0245 -0,0356 0,0415 0,0000 0,1031 0,0498 -0,0277 0,0343 0,0030 0,0837 0,0419 -0,0225 0,0306 0,0008 0,0720 0,0371 -0,0494 0,0556 0,0185 0,1108 0,0624 -0,0389 0,0401 0,0002 0,0894 0,0497 -0,0323 0,0364 0,0021 0,0815 0,0447 -0,0621 0,0656 0,0158 0,1125 0,0723 -0,0501 0,0509 0,0052 0,0965 0,0567 -0,0437 0,0454 0,0115 0,0939 0,0523 Elaboración propia Cabe resaltar que a lo largo de este trabajo, los errores de predicción se calcularon sobre el logaritmo del IVF del PBI trimestral, por lo que los mismos pueden considerarse como una medida aproximada de la diferencia porcentual entre el valor estimado y el verdadero valor del índice (expresada en tanto por uno). Los resultados obtenidos en materia de desempeño predictivo se exponen en el Cuadro 1. Los datos sombreados representan al modelo que muestra mejor desempeño predictivo. Puede apreciarse que el modelo ARIMA C es el que mejor se comporta, ya que presenta menores RMSE y MAE en todos los horizontes temporales considerados, por lo cual los resultados correspondientes a este modelo 23 serán utilizados como punto de referencia para evaluar los otros procedimientos de predicción. Por otra parte, al analizar los errores de predicción con un trimestre de antelación se observa que a partir del cuarto trimestre de 1998 los tres modelos cometen una secuencia de errores negativos. Esto estaría indicando que los modelos univariantes estimados tardan un tiempo en “adaptarse” al escenario recesivo que se instaló en ese entonces en la economía uruguaya (véase Gráfico 2). Se observa que los mayores errores absolutos de predicción en el período considerado ocurrieron en el tercer trimestre de 1999, y en los dos últimos trimestres de 2001 para todos los horizontes considerados. Por su parte, los contrastes realizados sobre los residuos recursivos de los pronósticos mostraron cierta evidencia de inestabilidad en la estructura paramétrica solamente en el caso del modelo ARIMA A. Los mismo resultados se observan mediante los estadísticos de Box y Tiao (véase Cuadro A9). Sin embargo, realizando contrastes sobre los residuos recursivos de toda la muestra no se rechaza la hipótesis de estabilidad de los parámetros en los tres modelos. 4.2. Modelo multivariante: VAR con componentes sectoriales del PBI El IVF del PBI es un índice Laspeyres, donde los ponderadores sectoriales corresponden a la distribución del Valor Agregado Bruto generado por cada sector en el año 1983. Los siete sectores de actividad económica en que puede descomponerse el PBI son13: Agropecuario (AGRO), Industria Manufacturera (INDU), Electricidad, gas y agua (ELEC), Construcción (CONS), Comercio, restaurantes y hoteles (COME), Transporte y comunicaciones (TRAN), y Otros sectores (OTRO). 13 Estos son a su vez índices de Laspeyres construidos a partir de información más desagregada. La fórmula del agregado es la siguiente: PBIt = 0,131*AGROt + 0,254*INDUt + 0,032*ELECt + +0,043*CONSt + 0,108*COMEt + 0,061*TRANt + 0,372*OTROt 24 Sin embargo, para la estimación de los modelos VAR en este trabajo se consideraron solamente cinco sectores14. Los cinco componentes del VAR fueron incluidos con una diferencia, ya que realizados los contrastes de raíz unitaria (test de Dickey y Fuller Aumentado) no se pudo rechazar la hipótesis nula de existencia de una raíz unitaria al 95% de confianza. Por otra parte, sí se rechazó la existencia de dos raíces unitarias (véase Cuadro A8). Los modelos VAR fueron estimados con datos correspondientes al período comprendido entre el primer trimestre de 1983 y el cuarto trimestre de 1997, usando el programa PC GIVE, en su versión para sistemas de ecuaciones (PC FIML). Se estimaron modelos con cuatro y cinco retardos de las variables endógenas15. Estudiando los residuos de cada uno de los modelos, se identificaron algunas observaciones atípicas, por lo cual se procedió a diseñar un esquema de intervención apropiado. Los residuos de cada uno de los modelos fueron sometidos a contrastes de normalidad y autocorrelación16. Las intervenciones realizadas variarion según cada modelo17. 14 Las ponderaciones utilizadas para recomponer el IVF del PBI fueron las siguientes: i) Agro = 0,131 ii) Industria Manufacturera = 0,254 iii) Construcción = 0,043 iv) Comercio, restaurantes y hoteles = 0,108 v) Resto = 0,465 15 En el Cuadro A3 del Apéndice se presenta la estimación del modelo VAR A con 5 retardos para el período 1983.1-1997.4. 16 Se verificó que los residuos de cada una de las ecuaciones fueran normales y satisfacieran el estadístico de Ljung-Box luego de realizadas las intervenciones. 17 Las intervenciones realizadas fueron: - VAR A con 4 lags: 1985.2, 1993.2 y 1995.3 impulso, 1999.3 escalón - VAR A con 5 lags: 1993.2 y 1995.3 impulso, 1999.2 y 1999.3 escalón - VAR B con 4 lags: 1985.1 impulso, 1995.3, 2000.2 y 2001.2 escalón - VAR B con 5 lags: 1985.1 impulso, 1995.3, 2000.2 y 2001.2 escalón 25 Posteriormente, con los modelos estimados se hicieron predicciones a distintos horizontes temporales para cada uno de los sectores de actividad. A partir de las predicciones sectoriales se reconstruyó la predicción del PBI agregado. A continuación se incluyó la observación del primer trimestre de 1998 en la muestra de observaciones utilizadas en la estimación de los modelos y se procedió a la reestimación del modelo (rolling estimation) manteniendo incambiada la estructura paramétrica. Este proceso se repitió hasta el último trimestre del año 2001. Los resultados obtenidos muestran que las peores predicciones se obtienen para los sectores de Agro y Construcción (véase Cuadro A4). El análisis del desempeño predictivo de los modelos estimados puede realizarse a partir de la información expuesta en el Cuadro 2. Puede apreciarse que el modelo Var A con 5 retardos domina en todos los horizontes temporales considerados. El análisis de los estadísticos expuestos en el Cuadro 2 muestra que la modelización del PBI agregado a partir de un desglose en sus principales componentes sectoriales implica una mejora en la precisión de las predicciones. Sin embargo, en el caso de los errores de predicción con un trimestre de antelación el desempeño predictivo es peor que el observado en los modelos univariantes. A medida que se consideran horizontes de predicción más extensos, los modelos VAR sectoriales ofrecen ciertas ventajas respecto a las representaciones univariantes. Un aspecto a subrayar es que, si bien la utilización de estos modelos aporta un ajuste más preciso al comportamiento del PBI en el período muestral, respecto a técnicas más naive como son los modelos ARIMA, las predicciones “puras” resultantes son peores (con un trimestre de antelación). En definitiva, los modelos VAR aportan una mejor representación del comportamiento histórico del IVF del PBI uruguayo, pero la mejor comprensión del fenómeno no se traduce directamente al desempeño predictivo. Otro punto a resaltar es que al igual que en el análisis univariante, los errores de predicción muestran en los tres modelos una secuencia de errores negativos. 26 Cuadro 2 Evaluación de los errores de predicción: Modelos VAR con componentes sectoriales del PBI Período: 1998.01 – 2001.4 ME 1 trimestre MAE de Min antelación Max RMSE VAR A 4 retardos -0.0232 0.0286 0.0014 0.0595 0.0340 VAR A 5 retardos -0.0133 0.0205 0.0000 0.0563 0.0272 VAR B 4 retardos -0.0157 0.0283 0.0004 0.0815 0.0350 VAR B 5 retardos -0.0143 0.0289 0.0002 0.0905 0.0379 ME 2 trimestres MAE de Min antelación Max RMSE -0.0381 0.0390 0.0019 0.0769 0.0444 -0.0198 0.0271 0.0051 0.0905 0.0363 -0.0284 0.0401 0.0083 0.1179 0.0496 -0.0270 0.0448 0.0017 0.1206 0.0577 ME 3 trimestres MAE de Min antelación Max RMSE -0.0405 0.0405 0.0005 0.0774 0.0476 -0.0251 0.0314 0.0033 0.0877 0.0407 -0.0417 0.0443 0.0090 0.0933 0.0521 -0.0444 0.0473 0.0023 0.1115 0.0594 ME 4 trimestres MAE de Min antelación Max RMSE -0.0502 0.0502 0.0001 0.0830 0.0551 -0.0315 0.0358 0.0048 0.0780 0.0424 -0.0536 0.0536 0.0139 0.0891 0.0574 -0.0586 0.0598 0.0079 0.1111 0.0659 Elaboración propia Por último, el análisis de los residuos recursivos de los modelos VAR aporta evidencia en contra de la estabilidad paramétrica de los modelos estimados. Observando los estadísticos CUSUM de los cuatro modelos VAR estimados, puede apreciarse que todos ellos indican que la hipótesis de estabilidad paramétrica no puede mantenerse. Por su parte, los estadísticos de Box y Tiao también muestran inestabilidad en el período de predicción (véase Cuadro A9). 27 En términos generales, puede afirmarse que la inestabilidad de los modelos en el plano predictivo puede atribuirse a dos fenómenos: i) la presencia de observaciones atípicas (la modelización de las anomalías a través de Análisis de Intervención debería eliminar los problemas de inestabilidad), ii) la ocurrencia de un cambio estructural (la inestabilidad paramétrica es “genuina” y las aproximaciones lineales al fenómeno analizado pierden validez empírica). Un análisis minucioso de los errores de predicción con un trimestre de antelación cometidos por los modelos VAR indica que los problemas de inestabilidad paramétrica pueden estar relacionados con la presencia de observaciones atípicas ocurridas durante el período de predicción (1998-2001). En el caso de los modelos considerados, el tratamiento de las observaciones atípicas ocurridas en el período de predicción mediante el Análisis de Intervención provoca una reducción considerable del valor del estadístico RMSE calculado a partir de los residuos correspondientes a dicho período. Los resultados de este ejercicio se comentan más adelante, pero desde ya puede adelantarse que la evidencia encontrada apunta a que el tipo de inestabilidad observada en los errores de predicción de los modelos VAR estimados podría estar atribuida básicamente a la presencia de anomalías y no a problemas de cambio estructural (modificación de la estructura paramétrica). En este sentido, si se estudia la estabilidad paramétrica del modelo incorporando todos los datos (inclusive hasta el último trimestre de 2001), se observa que mediante el estudio de los residuos recursivos de toda la muestra, en particualar a través de estadísticos CUSUM, no se rechaza la hipótesis de estabilidad. Esto significa, que interveniendo las estimaciones en el período de predicción la inestabilidad observada en los errores de predicción corresponde únicamente a la presencia de observaciones atípicas. Esta evidencia indica, por su parte, que la utilización de modelos VAR como los aquí considerados en la labor de predicción del PBI trimestral de la economía uruguaya, requiere un esfuerzo sistemático de monitoreo por parte del experto y un análisis 28 riguroso de los errores de predicción observados en las ecuaciones correspondientes a cada uno de los sectores productivos, lo cual puede resultar costoso para el usuario. Parece ser, entonces, que los modelos univariantes y los VAR reaccionan de manera muy diferente ante acontecimientos extraordinarios. Por otra parte, la presencia de perturbaciones de gran magnitud, parece deteriorar la capacidad predictiva de los VAR fundamentalmente a corto plazo. Cuando se consideran horizontes de predicción más alejados en el tiempo, los modelos VAR logran un mejor desempeño que los modelos univariantes. 4.3. Modelo multivariante: VAR “econométrico” En la especificación de los modelos VAR “econométricos” se consideraron datos correspondientes al período comprendido entre el primer trimestre de 1979 y el cuarto trimestre de 1997. Al igual que en los casos anteriores, se reservaron las observaciones del período 1998-2001 para la evaluación del desempeño predictivo. En primer lugar se realizaron contrastes de raíces unitarias con el objetivo de establecer cómo serían incluidas las variables del vector autorregresivo. Los contrastes fueron realizados sobre las transformaciones logarítmicas de los datos originales18. Los resultados del test de Dickey y Fuller Aumentado (véase Cuadro A8) muestran que todas las variables endógenas incluidas en el VAR son integradas de orden 1, por lo cual se trabajó con las primeras diferencias de las transformaciones logarítmicas de los datos. 18 En el caso de la tasa de interés, la variable considerada fue la diferencia primera del logaritmo de (1 + tasa de interés). 29 Luego de realizarse un análisis de intervención19, se especificaron modelos VAR con cuatro y cinco retardos de las variables endógenas20. Es importante subrayar que los parámetros estimados indican que un shock en Argentina repercute más rápidamente en el nivel de actividad uruguaya que uno proveniente de Brasil21. No obstante, la evolución del nivel de actividad en las dos economías vecinas aporta valiosa información para comprender la dinámica del PBI trimestral uruguayo. Luego de estimados los modelos, se procedió a predecir el PBI uruguayo para los cuatro trimestres siguientes, repitiéndose esta operación hasta incorporar el dato del tercer trimestre del año 2001. El análisis de la información incluida en el Cuadro 3 muestra que el VAR estimado con 4 retardos de las variables endógenas muestra, en general, un mejor desempeño predictivo, excepto en la predicción con un trimestre de antelación. Un problema que presentó este modelo fue que se requirió un mayor número de variables cualitativas para modelizar los eventos extraordinarios. Este hecho muestra que este tipo de modelos puede ser peor en épocas de crisis. Por otra parte, al igual que en el caso del VAR con componentes sectoriales del PBI, se observa que los errores de predicción más importantes varían según el horizonte temporal considerado y el número de retardos incluidos para modelizar la dependencia temporal observada en los datos. Lo cierto es que este tipo de modelo no ofrece mejoras en materia de precisión de las predicciones respecto a los VAR construidos a partir de un desglose sectorial del 19 El Análisis de Intervención se realizó mediante las siguientes variables dummies: 1982.3 y 1999.1 escalón, 1989.1 y 1994.1 impulso. Además, en el caso de 4 lags, se incluyeron: 1980.2, 1981.2 y 1982.4 escalón, 2001.3 impulso. 20 Los resultados del modelo con 4 retardos se presentan en el Cuadro A3. 21 Corresponde la advertencia de que una parte de las correlaciones que se observan entre la evolución del PBI de Uruguay y sus vecinos podría deberse a shocks originados en el contexto extra-regional, que generan un efecto del mismo signo (simétrico) en los dos socios principales de la economía uruguaya (Masoller, 1998). 30 PBI. Respecto a los modelos univariantes, los resultados varían de acuerdo al horizonte temporal. Cuadro 3 Evaluación de los errores de predicción: Modelo VAR “econométrico” Período: 1998.1 – 2001.4 1 trimestre de antelación ME MAE min max RMSE 4 lags -0.0119 0.0246 0.0048 0.0761 0.0313 5 lags -0.0076 0.0219 0.0066 0.0545 0.0253 2 trimestres de antelación ME MAE min max RMSE -0.0165 0.0294 0.0006 0.0840 0.0376 -0.0171 0.0319 0.0056 0.0851 0.0380 3 trimestres de antelación ME MAE min max RMSE -0.0259 0.0384 0.0063 0.0881 0.0441 -0.0291 0.0415 0.0002 0.0825 0.0473 4 trimestres de antelación ME MAE min max RMSE -0.0360 0.0429 0.0146 0.0680 0.0460 -0.0433 0.0526 0.0131 0.1240 0.0601 Elaboración propia En este caso también importa señalar que, al igual que en el caso anterior, los modelos VAR aportan una mejor representación del comportamiento histórico del PBI uruguayo, pero la mejor comprensión del fenómeno no se traduce directamente al desempeño predictivo. En este sentido, no se puede concluir a partir de estos resultados que la información aportada por las variables del entorno económico nacional y regional no son relevantes a la hora de elaborar un diagnóstico sobre el desempeño productivo previsible de la economía uruguaya, ya que al considerar modelos que incluyen 31 estas variables se obtiene un mejor ajuste (este resultado se comenta más adelante). El problema que se presenta aquí deriva de cómo se predicen el resto de las variables incluidas en el VAR. En particular, en esta sección las variables externas al PBI fueron predichas a partir del modelo VAR, cuando podría ser más eficiente usar pronósticos externos al sistema. Es de esperar que en dicho caso, usando mejores proyecciones de las otras variables, las predicciones de este modelo en el caso concreto del PBI uruguayo presenten menor RMSE. Por otra parte, la información aportada por los estadísticos CUSUM de los errores de predicción del PBI, parece indicar que el modelo es estable con cinco retardos, pero presenta algún síntoma de inestabilidad con 4 retardos. Asimismo, el estadístico de Box y Tiao rechaza la hipótesis de estabilidad paramétrica para un nivel de confianza de 95% (véase Cuadro A9). Este último resultado indica que los modelos estimados presentan algunos síntomas de inestabilidad paramétrica. Este aspecto será retomado más adelante, pero puede adelantarse que cuando se estudian los residuos recursivos de toda la muestra, los estadísticos CUSUM permanecen dentro de las bandas de confianza, con lo cual no se rechaza la hipótesis de estabilidad paramétrica en todo el período analizado. 4.4. Modelo lineal general uniecuacional Los modelos econométricos uniecuacionales que se presentan en esta sección fueron estimados a partir del programa Eviews. El período muestral utilizado para las estimaciones iniciales fue el mismo que en la sección anterior. La variable dependiente del modelo fue la primera diferencia del logaritmo del PBI uruguayo. El proceso de especificación de los modelos comenzó con la realización de contrastes de raíces unitarias de tipo Dickey y Fuller Aumentado. Los contrastes fueron realizados sobre las transformaciones logarítmicas de los datos originales. Los resultados de los contrastes muestran que no es posible rechazar la hipótesis nula de existencia de una raíz unitaria, mientras que sí se puede rechazar al 95% de confianza la presencia de dos raíces unitarias (véase Cuadro A8). Teniendo en 32 cuenta estos resultados se incluyeron las diferencias primeras del logaritmo de estas variables en los modelos econométricos estimados. Además, se procedió a intervenir los modelos cuando se percibieron observaciones atípicas22. En el primer modelo estimado (Modelo A) se observa que para el PBI brasileño fueron significativos los coeficientes correspondientes al tercer y cuarto retardo, mientras que en el caso del PBI argentino el único coeficiente estadísticamente distinto de cero es el correspondiente al primer retardo. En el segundo modelo (Modelo B) se repiten los resultados respecto al PBI de Argentina y Brasil, siendo además significativos los coeficientes correspondientes a uno y tres trimestres de retraso en el caso del TCR bilateral con Brasil. Cabe precisar, por otra parte, que como en todos los casos las variables explicativas tienen efectos retrasados sobre la variable de interés -no existe correlación contemporánea- carece de sentido realizar los contrastes de exogeneidad fuerte para validar la utilización de estos modelos con fines predictivos. Luego de especificados los dos modelos, se obtuvieron predicciones recursivas. Por su parte, las predicciones de las variables exógenas se realizaron a partir de modelos ARIMA para cada una de las mismas, estimados en el programa DEMETRA. La utilización de este tipo de predicciones puede implicar una pérdida de precisión en la predicción de la variable de interés, respecto al modelo VAR considerado en la sección anterior. En el caso del PBI de Brasil, la dinámica de esta variable fue ajustada por un modelo ARIMA(2 1 0)×(0 1 1) en el período entre 1979.1 a 1997.4. En esta serie se detectó un dato atípico en el segundo trimestre de 1990, que fue intervenido con una variable impulso. En el caso del PBI de Argentina el modelo ajustado fue un ARIMA(010)×(012). En el TCR bilateral con Brasil se especificó un modelo ARIMA 22 Fueron introducidas cuatro intervenciones en las siguientes fechas 1981.4 y 1995.3 escalón, 1982.3 y 1985.1 impulso. Ellas corresponden a las mismas fechas intervenidas en el modelo univariante, aunque ha variado el tipo de outlier identificado. 33 (010)×(011) con cinco intervenciones23. Por último, el TCR bilateral con Argentina no fue necesario proyectarlo, ya que dicha variable no ftuvo efectos estadísticamente significativos. Las predicciones de todas estas variables fueron realizadas a partir de un procedimiento recursivo. Las características de los errores de predicción obtenidos a través de este procedimiento para cada una de las variables exógenas se describen en el Cuadro A7. Cuadro 4 Evaluación de los errores de predicción: Modelos econométricos uniecuacionales Período: 1998.1 – 2001.4 Modelo A -0,0093 0,0171 0,0008 0,0567 0,0233 Modelo B -0,0113 0,0191 0,0001 0,0567 0,0240 ME 2 trimestres MAE de min antelación max RMSE -0,0224 0,0317 0,0053 0,0826 0,0388 -0,0249 0,0328 0,0053 0,0853 0,0405 ME 3 trimestres MAE de min antelación max RMSE -0,0329 0,0375 0,0081 0,0958 0,0458 -0,0362 0,0408 0,0093 0,1014 0,0487 ME 4 trimestres MAE de min antelación max RMSE -0,0442 0,0460 0,0114 0,0793 0,0508 -0,0473 0,0490 0,0109 0,0826 0,0528 1 trimestre de antelación ME MAE min max RMSE Elaboración propia 23 1979.4, 1982.4 y 1990.1 impulso, 1994.3 y 1999.1 escalón. 34 Los resultados de la evaluación del desempeño predictivo de los modelos observados se exponen en el Cuadro 4. Puede apreciarse que el denominado Modelo A, que sólo incluye como variables explicativas al PBI de Argentina y Brasil muestra un mejor desempeño predictivo en todos los horizontes de predicción considerados. Esto puede deberse en cierta medida a que la inclusión del TCR bilateral con Brasil agrega “incertidumbre”, ya que las predicciones univariantes de esta variable ha sido de muy baja calidad en el período analizado. Por otra parte, al comparar las predicciones de este modelo con los anteriores, se observa que las mismas mejoran un trimestre adelante, pero son superadas por los modelos VAR en el resto de los horizontes temporales. Como se mencionara anteriormente, esto puede ser consecuencia de la inclusión de variables exógenas que a su vez deben ser predichas. En particular, es de esperar que usando otro tipo de proyecciones de las variables exógenas, más sofisticadas que los modelos ARIMA, los resultados sean más eficientes. Asimismo, al igual que en varios de los casos anteriores, se observa una secuencia de errores de predicción negativos desde principios de 1999. Esta observación se encuentra directamente vinculada a los efectos de la devaluación brasileña de enero de 1999, que supuso un cambio importante en el mecanismo de generación de los datos del tipo de cambio real brasileño. Por último, el análisis de estabilidad de los dos modelos en base al estadístico CUSUM indica que las predicciones son estables. En este caso, los estadísticos de Box y Tiao concuerdan con este resultado, no rechazándose la hipótesis de estabilidad de las predicciones generadas por los dos modelos (véase Cuadro A9). Asimismo, no se rechaza la hipótesis de estabilidad cuando se consideran los residuos recursivos de toda la muestra. 35 4.5. Consideraciones sobre el desempeño predictivo de los modelos estimados Antes de abordar un análisis comparativo de las predicciones generadas a partir de los distintos modelos estimados en este trabajo, se entendió conveniente calcular el RMSE considerando los residuos de cada uno de los modelos especificados, pero estimando los parámetros con una muestra que abarca todas las observaciones disponibles, o sea incluyendo los datos hasta el cuarto trimestre del año 2001. El propósito de este ejercicio es comprender mejor los problemas que presentan las predicciones de los distintos modelos y avanzar en la comprensión de la naturaleza de la inestabilidad observada en varios de los modelos estimados. En el Cuadro 5 se presentan los RMSE calculados sobre los residuos de los modelos para todo el período analizado y para dos sub-períodos. El primer subperíodo se extiende hasta el cuarto trimestre de 1997, mientras que el segundo abarca los 16 trimestres comprendidos entre el primer trimestre de 1998 y el último trimestre de 2001. Asimismo, los mismos modelos fueron reestimados interviniendo las observaciones atípicas detectadas en el segundo sub-período. Los residuos de estas nuevas estimaciones se utilizaron para reestimar los RMSE. Esta información se presenta también en el Cuadro 5. El análisis de la información incluida en este cuadro muestra, en primer lugar, que los dos modelos VAR formulados sobre los componentes sectoriales del PBI uruguayo dejan de exhibir problemas de estabilidad, una vez que se eliminan los efectos distorsionantes de las anomalías detectadas en el período considerado en la evaluación de predicciones. Las estimaciones realizadas revelan por otra parte, que la modelización a nivel sectorial ofrece una representación bastante más precisa que la univariante respecto al comportamiento dinámico del IVF del PBI trimestral uruguayo. 36 Cuadro 5 RMSE calculado sobre los residuos de los modelos Parámetros estimados con datos hasta 2001.4 En el período MODELO hasta 1997.4 1998.1 - 2001.4 hasta 2001.4 ARIMA A 0.0232 0.0254 0.0237 ARIMA B 0.0238 0.0253 0.0241 ARIMA C 0.0241 0.0229 0.0239 VAR A (con componentes del PBI) 4 lags 5 lags 0.0146 0.0126 0.0236 0.0202 0.0171 0.0148 Con intervencion en período de predicción 4 lags (99.3 escalón) 5 lags (99.2 y 99.3 escalón) 0.0142 0.0119 0.0200 0.0129 0.0158 0.0121 VAR B (con componentes del PBI) 4 lags 5 lags 0.0151 0.0144 0.0217 0.0204 0.0169 0.0160 Con intervencion en período de predicción 4 lags (00.2 y 01.2 escalón) 5 lags (00.2 y 01.2 escalón) 0.0136 0.0124 0.0148 0.0126 0.0139 0.0125 MODELO ECONOMETRICO A 0.0215 0.0224 0.0217 MODELO ECONOMETRICO B 0.0204 0.0228 0.0208 VAR ECONOMETRICO 4 lags 5 lags 0.0156 0.0154 0.0189 0.0167 0.0163 0.0157 Con intervencion en período de predicción 4 lags (99.1 escalón, 01.3 impulso) 5 lags (99.1 escalón) 0.0155 0.0154 0.0169 0.0158 0.0158 0.0155 Elaboración propia En el caso de los modelos VAR que incluyen información sobre variables externas al PBI uruguayo, el cálculo del RMSE considerando los residuos en el período de predicción no difiere mucho al de todo el período, por lo cual se elimina toda 37 evidencia de inestabilidad en dicho período. Asimismo, se observa que estos modelos presentan un mejor ajuste que los modelos ARIMA o los modelos econométricos uniecuacionales. Por su parte, los modelos econométricos uniecuaciones de forma reducida se muestran como un instrumento relativamente menos preciso que los dos tipos de representaciones VAR consideradas en este trabajo. El análisis comparativo de las predicciones tuvo varias etapas. En la primera se realizaron contrastes de insesgamiento de las predicciones generadas por cada uno de los modelos. En el Cuadro 6 se presenta información sobre el valor medio de los errores de predicción, los que comparados con las desviaciones típicas residuales muestran claramente que no es posible rechazar la hipótesis nula de insesgamiento de las predicciones realizadas por los distintos modelos24. Es importante observar, no obstante, que la estimación puntual del valor medio de los errores de predicción presenta signo negativo para todos los horizontes temporales considerados. Esto está indicando una tendencia sistemática de las predicciones a ubicarse por encima de las realizaciones del PBI a lo largo de todo el período considerado. En segundo lugar, se realizó un análisis comparativo de la precisión de las predicciones. La información del Cuadro 6 muestra que en la métrica del error cuadrático medio no existe ningún modelo que muestre un dominio claro sobre el resto de los modelos estimados. Esto pone en evidencia que no es una tarea fácil escoger un método sobre otro para pronosticar el comportamiento futuro del PBI. Todos los modelos se basan en supuestos simplificadores, y por lo tanto, es posible 24 Los t-valores de los errores medios un trimestre de antelación de cada modelo fueron: - Modelo ARIMA C : -1,64 - VAR A con 5 retardos: -1,90 - VAR “econométrico” con 4 retardos: -1,48 - Modelo econométrico A: -1,69 Por lo cual en los 4 casos, no se rechaza la hipótesis nula de que el valor medio de los errores de predicción es igual a cero (las predicciones son insesgadas). 38 que unos sean mejores en determinadas circunstancias y otros sean más apropiados en otras. Cuadro 6 Evaluación de los errores de predicción Período: 1998.1 – 2001.4 ARIMA VAR con VAR Modelo componentes econométrico econométrico del PBI uniecuacional -0,0133 -0,0119 -0,0093 0,0205 0,0246 0,0171 0,0000 0,0048 0,0008 0,0563 0,0761 0,0567 0,0272 0,0313 0,0233 1 trimestre de antelación ME MAE min max RMSE -0,0104 0,0193 0,0005 0,0457 0,0245 2 trimestres de antelación ME MAE min max RMSE -0,0225 0,0306 0,0008 0,0720 0,0371 -0,0198 0,0271 0,0051 0,0905 0,0363 -0,0165 0,0294 0,0006 0,0840 0,0376 -0,0224 0,0317 0,0053 0,0826 0,0388 3 trimestres de antelación ME MAE min max RMSE -0,0323 0,0364 0,0021 0,0815 0,0447 -0,0251 0,0314 0,0033 0,0877 0,0407 -0,0259 0,0384 0,0063 0,0881 0,0441 -0,0329 0,0375 0,0081 0,0958 0,0458 4 trimestres de antelación ME MAE min max RMSE -0,0437 0,0454 0,0115 0,0939 0,0523 -0,0315 0,0358 0,0048 0,0780 0,0424 -0,0360 0,0429 0,0146 0,0680 0,0460 -0,0442 0,0460 0,0114 0,0793 0,0508 Nota: Las denominaciones de modelo ARIMA, VAR con componentes del PBI, VAR econométrico y Modelo econométrico uniecuacional se refieren respectivamente a los modelos ARIMA C, VAR A con 5 retardos, VAR econométrico con 4 retardos y Modelo econométrico A. Elaboración propia Un aspecto, particularmente importante es conocer los rasgos fundamentales de los distintos métodos y la forma como cada uno reacciona ante la presencia de observaciones atípicas (acontecimientos extraordinarios). Por ejemplo, dada la inestabilidad que presentaron los modelos VARs, y teniendo en cuenta que el período de predicción se caracterizó por la presencia de observaciones atípicas, las 39 predicciones generadas por este tipo de modelización pueden resultar menos precisas a corto plazo, pero tener mejores propiedades que las de los modelos univariantes cuando se consideran horizontes de predicción más amplios. De la información contenida en el Cuadro 6 parece surgir que el modelo VAR con componentes de oferta es el que exhibe un mejor desempeño predictivo: presenta el menor RMSE en tres de los cuatro horizontes temporales considerados y en el restante caso exhibe un nivel de precisión cercano al mejor de las otras alternativas. Sin embargo, este modelo es el que presenta los mayores problemas de inestabilidad, hecho a tener en cuenta a la hora de evaluar. 4.6. Combinación de predicciones y encompassing Un último aspecto a considerar tiene que ver con el contenido informativo de los modelos, para lo cual se realizaron contrastes de encompassing. Los resultados de los mismos se exponen en el Cuadro 7. En primer lugar, se observa que el VAR especificado sobre sobre variables externas al PBI no agrega información adicional a los otros modelos (los otros tres modelos engloban al VAR “econométrico”). Por otra parte, se observa que el modelo uniecuacional engloba tanto al VAR con componentes del PBI como al VAR “econométrico”. Sin embargo, al comparar este modelo con el modelo univariante los resultados son ambiguos. Lo mismo ocurre cuando se compara al VAR con componentes del PBI con el modelo univariante. Para analizar las implicaciones de estos resultados se desarrolló un ejercicio de combinar predicciones, con el propósito de evaluar si la combinación ofrece mejores predicciones que cada modelo por separado. En primer lugar se combinaron las predicciones del modelo ARIMA y el modelo uniecuacional econométrico usando como ponderadores ki = 0,5 en una primera combinación y ki = MSEj / (MSEi + MSEj) en una segunda. Los resultados muestran que combinando estos dos modelos se podrían mejoran muy levemente las 40 predicciones con un trimestre de antelación, pasando el RMSE de 0,0233 a 0,231 (véase Cuadro A10). Cuadro 7 Test de encompassing Variable dependiente: Errores del modelo en 1 Variable independiente: Predicciones del modelo en 2 –predicciones del modelo en 1 1 2 Coef. Std. Error t-Statistic Prob. ARIMA VAR con comp. del PBI Modelo econométrico Var "econométrico" 0.40 0.76 0.21 0.27 0.60 0.26 1.47 1.26 0.81 0.16 0.23 0.43 VAR con componentes del PBI Arima Modelo econométrico Var "econométrico" 0.56 0.61 0.34 0.29 0.22 0.24 1.93 2.72 1.44 0.07 0.02 0.17 Modelo econométrico uniecuacional Arima VAR con comp. del PBI Var "econométrico" 0.00 0.33 0.09 0.60 0.22 0.25 0.00 1.50 0.37 1.00 0.15 0.71 VAR "econométrico" Arima VAR con comp. del PBI Modelo econométrico 0.80 0.66 0.85 0.26 0.24 0.26 3.04 2.80 3.25 0.01 0.01 0.01 Nota: Las denominaciones de modelo ARIMA, VAR con componentes del PBI, VAR “econométrico” y Modelo econométrico uniecuacional se refieren respectivamente a los modelos ARIMA C, VAR A con 5 retardos, VAR econométrico con 4 retardos y Modelo econométrico A. Los coeficientes estadísticamente no distintos de cero indican la existencia de encompassing, o sea que el modelo que se considera como variable dependiente engloba al otro modelo. Elaboración propia En segundo lugar, se combinaron las predicciones del modelo ARIMA y VAR con componentes del PBI. En este caso, también se observa que la combinación de predicciones mejora los pronósticos con un trimestre de antelación: el RMSE de las predicciones pasó de 0,0245 a 0,0239. Estos resultados apoyan la idea de que el VAR con componentes del PBI el que posee el mejor desempeño predictivo, pero que podría ser una buena estrategia 41 combinar dicho modelo con un modelo más naive como el ARIMA (esto sólo es válido en el caso de las predicciones con un trimestre de antelación). 4.7. Comparación a nivel internacional Los resultados obtenidos en el presente trabajo muestran que los errores de predicción en el caso de Uruguay son en general mayores que en otros países. Sobre este aspecto, un estudio realizado por Peña (1995) para 7 países25 muestra que el RMSE de las predicciones con un año de antelación alcanza un mínimo en promedio de 0,016, mientras que en el caso uruguayo considerando las predicciones tan solo con un trimestre de antelación dicha medida alcanza 0,023 en el mejor de los modelos estudiados en este trabajo. Del mismo modo, mientras las predicciones del PBI uruguayo con cuatro trimestres de antelación mostraron un RMSE de 0,042 en el mejor de los casos, el promedio de los 7 países estudiados fue de 0,044 con tres años de antelación. Esto muestra que la predicción del PBI está sujeta a mayor incertidumbre en el caso uruguayo. Detrás de este hecho pueden existir razones de índole económicas, ya que al ser la economía uruguaya una economía pequeña y abierta, es más sensible que otros países a los shocks tanto internos como externos. Asimismo, la reducida diversificación productiva que presenta la economía uruguaya podría contribuir a explicar la mayor inestabilidad. Otro aspecto a considerar tiene que ver con al período durante el cual se evaluaron las predicciones en este trabajo. Como se mencionó anteriormente, éste fue un período particularmente inestable, especialmente afectado por la situación crítica que se ha instalado en la región después de la devaluación del real a principios de 1999 y la inestabilidad presentada por la economía argentina. 25 Francia, Italia, Reino Unido, Alemania, España, Japón y Estados Unidos (véase Cuadro A11). 42 5. CONSIDERACIONES FINALES A lo largo de este trabajo se consideraron las potencialidades y debilidades que presentan cuatro esquemas de modelización para predecir la evolución del PBI uruguayo. En primera instancia se utilizaron modelos univariantes de series temporales. Si bien este tipo de modelos presenta la ventaja de su sencillez, la evaluación de los errores de predicción muestra una menor precisión que otros esquemas. El deterioro de la capacidad predictiva de este tipo de modelos se vuelve más evidente a medida que se extiende el horizonte de predicción (con un trimestre de antelación, las predicciones del modelo univariante tienen un desempeño comparable al de modelos que incorporan información sobre variables externas al PBI). En segundo lugar, se consideraron modelos VAR especificados sobre componentes sectoriales del PBI. Si bien este tipo de modelos presenta una mejor representación del comportamiento histórico del IVF del PBI trimestral, respecto a los modelos univariantes, esto no se traduce a un mejor desempeño predictivo a corto plazo. Sin embargo, cuando se consideran predicciones más alejadas en el tiempo son los que tuvieron el mejor desempeño. Por otra parte, estos modelos presentan problemas en presencia de acontecimientos extraordinarios, por lo cual su uso requiere un esfuerzo sistemático de monitoreo y un análisis riguroso de los errores de predicción observados en cada una de las ecuaciones. En tercer lugar, se estimaron modelos VAR en los que entre las variables endógenas se incluyó el IVF del PBI uruguayo y un conjunto de variables que aportan información sobre el entorno macroeconómico en el que se desenvuelve la economía uruguaya. Este tipo de representación no presentó un buen desempeño predictivo, además de tener otros problemas: incorporó un elevado número de observaciones atípicas y los test de encompassing revelaron que no agrega información al resto de los modelos considerados en este estudio. Sin embargo, y dado que estos modelos presentaron un mejor ajuste muestral, es de esperar que usando predicciones más eficientes de las variables externas al PBI (a través de 43 pronósticos generados fuera del modelo), las predicciones del PBI uruguayo presenten menor RMSE. Por último, se especificaron modelos econométricos uniecuacionales que incluyeron variables explicativas exógenas. Este tipo de modelos fue el que generó predicciones más precisas con un trimestre de antelación. Sin embargo, las predicciones de las variables exógenas mediante modelos univariantes aportaron un factor adicional de incertidumbre, lo que lleva a que las predicciones sean menos precisas considerando horizontes temporales más largos. Corresponde ahora realizar algunas consideraciones generales relativas al ejercicio de predicción que se desarrolló en este trabajo. Por un lado, deben tenerse en cuenta las dificultades que ha presentado la predicción del PBI uruguayo en el período más reciente (afectado por consecuencias derivadas de la devaluación del real en 1999, la posterior contracción de las exportaciones hacia Brasil y los problemas macroeconómicos que ha enfrentado la economía argentina). En buena medida, la magnitud de los errores de predicción detectados puede atribuirse al turbulento entorno en que se generaron los datos más recientes del PBI uruguayo. Por otra parte, y a pesar que los pronósticos del PBI uruguayo no parecen ser muy precisos, no debe perderse de vista que los mismos pueden ser mejorados mediante la incorporación de información externa a los modelos (cuantitativa y no cuantitativa). En general es una práctica común de quienes realizan pronósticos ajustar sus predicciones tanto sobre bases subjetivas como objetivas (considerando los errores del pasado). Asimismo, existe un vasto campo de investigación por explorar no abordado en este trabajo que podría derivar en resultados más precisos. Algunas de las posibles vías de futuro análisis son: • Utilización de modelos no lineales. Estos modelos son especialmente útiles en épocas afectadas por acontecimientos extraordinarios (épocas de crisis), cuando en la dinámica de los datos existen asimetrías cíclicas o situaciones anormales 44 localmente. Sin embargo, no es seguro que los modelos no lineales generen mejores predicciones que los modelos lineales. • Consideración de relaciones de cointegración. Los métodos expuestos en este trabajo no consideran la existencia de relaciones de equilibrio de largo plazo (cointegración) entre los datos, lo que constituye una limitación. Sin embargo, dada la naturaleza cambiante en las relaciones de equilibrio al interior del proceso de integración regional, la exclusión de dichas relaciones podría estar justificada. • Introducción de nuevas variables. Tanto en los modelos especificados en este trabajo como en otro tipo de modelos, se podrían agregar nuevas variables al análisis. Algunas alternativas podrían ser variables que representen la demanda mundial como el PBI de Estados Unidos u otros países de la Unión Europea, variables de los mercados financieros, etc. • Utilización de indicadores adelantados. El uso de indicadores adelantados podría ser una herramienta que complemente los métodos aquí descriptos. La filosofía que subyace detrás del uso de este tipo de indicadores en la predicción es que las economías de mercado se caracterizan por tener ciclos que se manifiestan de manera anticipada en una variedad de series económicas. Estas series, conocidas como indicadores adelantados, se caracterizan porque sus puntos de giro históricamente preceden a los puntos de giro de la variable de referencia. De esta forma, los indicadores adelantados brindan señales tempranas de potenciales recesiones o expansiones de la actividad económica agregada. En este sentido, se podría explotar información que hasta el momento no ha sido sistemáticamente usada en el país con fines predictivos como son las series de importaciones en admisión temporaria, solicitudes de exportación, consumo industrial de energía, ventas de autos 0 km., gastos del turismo, etc. Un último comentario sobre los resultados de este trabajo se refiere al alto nivel de incertidumbre que presentaron las predicciones del PBI. Conocer más sobre las causas que generan esta incertidumbre es clave. Como se mencionara 45 anteriormente, esto puede atribuirse a causas económicas, pero también podría estar relacionado con causas metodológicas. En este plano, debe tenerse en cuenta el proceso de construcción de los datos y los mecanismos de revisión de los mismos, ya que el proceso de revisión podría actuar como un factor adicional de incertidumbre sobre las predicciones.26 26 Este aspecto fue analizado con mayor profundidad en Cuadrado, Lorenzo y Queijo (2002). 46 REFERENCIAS Bates, J. M. y Granger, C. W. (1969). “The Combination of Forecasts”. Operational Research Quarterly, vol. 20, 451-468. Box, G. E. P., y Jenkins G. M. (1976). “Time series analysis: Forecasting and Control”. Edición revisada, Holden-Day, San Francisco. Box, G. E. P., y Tiao, G. C. (1975). “Intervention Analysis with applications to Economic and Environmental problems”. Journal of the American Statistic Association 70, 70-79. Box, G. E. P., y Tiao, G. C. (1976). “Comparison of Forecast and Actuality”. Applied Statistics 25, nº 3, 195-200. Chen, C. y Liu, L. (1993). “Forecasting Time Series with Outliers”. Journal of Forecasting 12, 13-35. Chong, Y. Y., y Hendry D. F. (1986). “Econometric Evaluation of Linear Macroeconomic Models”. Review of Economic Studies 53, 671-690. Clements, M. P. y Hendry, D. F. (1993). “On the limitations of comparing Mean Squared Forecast Errors“. Journal of Forecasting, 12, 617-637. Clements, M. P. y Hendry, D. F. (1995). “Towards a Theory of Economic Forecasting”. Nonstationary time series analysis and cointegration, edited by Colin P. Hargreaves, Oxford University Press, 9-52. Clements, M. P. y Hendry, D. F. (1997). “Forecasting Economic Processes“, mimeo. Clements, M. P. y Hendry, D. F. (1998). “Forecasting Economic Time Series“. Cambridge University Press. Cuadrado, E. y Queijo, V. (2001). “Utilización de métodos cuantitativos para predecir el PBI uruguayo”. Trabajo monográfico, Facultad de Ciencias Económicas y Administración, Universidad de la República, Uruguay. Cuadrado, E., Lorenzo, F. y Queijo, V. (2002). “Características y regularidades empíricas de las estimaciones preliminares del PBI uruguayo”. Trabajo presentado para las XVII Jornadas Anuales de Economía, Banco Central del Uruguay. Currie, D. (1994). “Economic Forecasts: Their relevance and use”. Applied economic forecasting techniques, London Business School, 1-8. Diebold, F. X. (1989). “Forecasting Combination and Encompassing: divergent literatures”. International Journal of Forecasting 5, 589-592. Reconciling two Ericsson, N. R. (1994). “Parameter constancy, Mean square forecast errors, and Measuring forecast performance: An exposition, extensions, and illustrarion”. Testing Exogeneity, editado por Ericsson y Irons, Oxford University Press, 311-339. Granger, C. W. J. y Newbold, P. (1973). “Some Comments on the Evaluation of Economic Forecasts”. Applied Economics 5, 35-47. 47 Hall, S. G. (1994). “Time series Forecasting”. Applied economic forecasting techniques, London Business School, 9-28. Masoller, A. (1998). “Shocks regionales y el comportamiento de la economía uruguaya entre 1974 y 1997”. Revista de Economía, Banco Central del Uruguay, vol. 5, nº 1, Segunda Epoca, 141-214. Peña, D. (1995). “Forecasting growth with Time series models”. Journal of Forecasting, vol.14, 97-105. Wallis, K. F. (1989). “Macroeconomic Forecasting: A Survey”, The Economic Journal 99, 28-61. Öller, L. E. y Tallbom, C. (1996). “Smooth and timely Business cycle indicators for noisy Swedish data”. Journal of Forecasting 12, 389-402. 48 49 1.01 0.01 99.01 98.01 97.01 96.01 95.01 94.01 93.01 92.01 91.01 90.01 89.01 88.01 87.01 86.01 85.01 84.01 83.01 82.01 81.01 80.01 79.01 78.01 GRAFICO 1: INDICE DE VOLUMEN FISICO DEL PBI URUGUAYO (En logaritmo) 5.4 5.2 5.0 4.8 4.6 4.4 4.2 GRAFICO 2: ERRORES DE PREDICCION Errores de predicción con 1 trimestre de antelación 0.06 0.03 0.00 -0.03 -0.06 -0.09 I/98 II/98 III/98 IV/98 I/99 II/99 III/99 IV/99 I/00 II/00 III/00 IV/00 I/01 II/01 III/01 IV/01 ARIMA VAR oferta Modelo Eco. VAR Eco. Errores de predicción con 2 trimestres de antelación 0.06 0.03 0.00 -0.03 -0.06 -0.09 -0.12 II/98 III/98 IV/98 ARIMA I/99 II/99 III/99 IV/99 VAR oferta I/00 II/00 III/00 IV/00 Modelo Eco. I/01 II/01 III/01 IV/01 III/01 IV/01 III/01 IV/01 VAR Eco. Errores de predicción con 3 trimestres de antelación 0.06 0.03 0.00 -0.03 -0.06 -0.09 -0.12 III/98 IV/98 I/99 ARIMA II/99 III/99 IV/99 I/00 VAR oferta II/00 III/00 IV/00 Modelo Eco. I/01 II/01 VAR Eco. Errores de predicción con 4 trimestres de antelación 0.06 0.03 0.00 -0.03 -0.06 -0.09 -0.12 IV/98 I/99 ARIMA II/99 III/99 IV/99 VAR oferta I/00 II/00 III/00 Modelo Eco. IV/00 I/01 II/01 VAR Eco. Nota: Las denominaciones de ARIMA, VAR oferta, Modelo eco. y VAR eco., se refieren a los modelos ARIMA C, VAR A con 5 lags, Modelo econométrico A y VAR econométrico con 4 lags respectivamente. Elaboración propia 50 GRAFICO 3: CUSUM DE LOS RESIDUOS DE LOS MODELOS Período: 1998.1-2001.4 CUSUM de los residuos del Modelo ARIMA C 15 10 5 0 -5 -10 -15 CUSUM de los residuos del Modelo VAR A con 5 lags 15 10 5 0 -5 -10 -15 -20 CUSUM de los residuos del VAR Econométrico con 4 lags 15 10 5 0 -5 -10 -15 CUSUM de los residuos del Modelo Econométrico A 15 10 5 0 -5 -10 -15 Elaboración propia 51 Cuadro A1 Especificación de los modelos ARIMA Período: 1979.1 - 1997.4 Modelo Parámetro T-valor ARIMA A AR(1) MA(4) 0.770 -0.886 9.368 -2.395 ARIMA B MA(4) -0.816 -14.792 ARIMA C AR(4) 0.271 2.171 Elaboración propia en base al programa Eviews 52 Cuadro A2 Estimación del modelo univariante Modelo ARIMA C Período: 1979.1 - 1997.4 Variable dependiente: ∆y = ln PBIt - ln PBIt-1 Var. Independiente Constante D1 D2 D3 I814 I823 I851 I953 AR(4) R-squared S.E. of regression Sum squared resid Q(10) prob Q(14) prob Jarque Vera prob Coef. Std. Error t-statistic 0.008 -0.118 0.000 0.004 -0.084 -0.131 0.050 -0.044 0.271 0.004 0.007 0.007 0.007 0.024 0.024 0.017 0.017 0.125 2.033 -17.070 0.061 0.647 -3.552 -5.466 2.960 -2.608 2.171 0.929 0.024 0.037 12.506 0.186 17.574 0.174 2.827 0.243 Nota: Di son variables deterministas estacionales. I814 e I823 son variables dummies para modelizar un cambio de nivel en 1981.4 y 1982.3. Por otra parte, I851 y I953 modelizan dos outliers de tipo aditivo en 1985.1 y 1995.3 Elaboración propia en base al programa Eviews 53 Cuadro A3 Estimación del modelo VAR con componentes sectoriales del PBI VAR A con 5 retardos Período: 1983.1 - 1997.4 Variable Dependiente Var. Independiente Agro Coef. t-Stat. Industria Coef. t-Stat. Construcción Coef. t-Stat. Comercio Coef. t-Stat. Resto Coef. t-Stat. Agro (-1) Agro (-2) Agro (-3) Agro (-4) Agro (-5) Industria (-1) Industria (-2) Industria (-3) Industria (-4) Industria (-5) Construcción (-1) Construcción (-2) Construcción (-3) Construcción (-4) Construcción (-5) Comercio (-1) Comercio (-2) Comercio (-3) Comercio (-4) Comercio (-5) Resto (-1) Resto (-2) Resto (-3) Resto (-4) Resto (-5) Constant I932 I953 0.54 -0.07 -0.22 0.00 -0.05 0.36 -0.11 -0.46 -0.07 0.29 -0.27 0.01 0.29 -0.65 0.41 -0.12 -0.05 0.32 -0.20 0.09 0.71 -0.04 0.44 0.06 -0.52 0.00 -0.04 -0.01 0.07 -0.12 -0.03 0.03 0.02 0.34 -0.01 0.15 -0.39 0.34 -0.55 0.01 0.41 0.01 -0.13 0.12 -0.10 -0.01 -0.03 -0.09 1.24 -0.13 -0.20 0.07 -0.01 -0.02 -0.12 -0.10 0.18 0.10 0.05 -0.09 0.11 0.05 -0.53 -0.15 -0.72 0.77 -0.25 0.10 -0.19 -0.33 -0.17 0.66 -0.15 0.43 -0.46 0.01 1.78 0.05 0.19 1.59 0.23 -0.12 -0.05 0.06 0.01 0.08 -0.13 -0.05 0.20 -0.44 -0.12 -0.06 -0.16 0.23 0.56 -0.35 0.14 0.35 -0.32 0.09 -0.02 0.00 -0.14 -0.02 0.69 1.15 -0.43 -0.52 0.57 -0.03 -0.01 -0.14 0.00 0.06 -0.02 -0.01 0.11 -0.07 0.02 0.03 -0.14 0.06 0.08 -0.23 0.13 0.27 -0.19 0.04 -0.03 -0.05 0.03 -0.06 0.42 0.60 -0.34 -0.43 0.35 0.01 -0.02 -0.05 Q(10) prob Q(14) prob 5.43 0.86 7.40 0.92 18.27 0.05 20.78 0.11 5.20 0.88 6.16 0.96 6.96 0.73 8.25 0.88 7.21 0.71 14.23 0.43 Jarque Vera prob 2.57 0.28 1.13 0.57 0.14 0.93 0.61 0.74 0.39 0.82 2.59 -0.29 -0.86 -0.02 -0.19 1.05 -0.29 -1.10 -0.16 0.80 -0.67 0.02 0.47 -1.01 0.93 -0.69 -0.26 1.56 -0.93 0.63 0.68 -0.04 0.40 0.06 -0.52 0.07 -0.50 -0.11 0.71 -1.15 -0.29 0.20 0.22 2.14 -0.03 0.75 -1.86 2.04 -2.92 0.05 1.43 0.02 -0.61 1.48 -1.05 -0.14 -0.31 -1.32 2.53 -0.26 -0.40 0.15 -0.02 -1.02 -3.56 -2.53 Nota: Todas las variables fueron incluidas como la diferencia primera del logaritmo. "Resto" incluye: Pesca, Electricidad, gas y agua, Transporte y comunicaciones y Otros. Di son variables determinísticas estacionales. I932, I953 son variables dummies para modelizar outliers en esas fechas. Elaboración propia en base al programa PC FIML 54 0.78 0.37 0.18 -0.30 0.40 0.12 -1.23 -0.31 -1.39 1.86 -0.55 0.15 -0.27 -0.45 -0.34 3.43 -0.66 1.80 -1.91 0.05 1.47 0.04 0.15 1.29 0.20 -2.34 -0.58 0.61 0.07 0.77 -1.12 -0.35 1.80 -2.75 -0.70 -0.30 -0.74 1.35 2.93 -1.30 0.47 1.16 -1.56 1.11 -0.24 0.00 -1.38 -0.24 1.39 2.32 -0.84 -1.03 1.23 -1.43 -0.27 -3.63 0.10 1.49 -0.56 -0.15 2.68 -1.11 0.38 0.35 -1.80 0.98 1.11 -2.26 1.21 2.42 -2.39 1.51 -0.81 -1.28 0.78 -2.25 2.27 3.22 -1.75 -2.27 2.01 1.63 -1.79 -3.35 Cuadro A4 Evaluación de los Errores de Predicción: Modelo VAR A con 5 retardos Período: 1998.1 - 2001.4 1 trimestre de antelación 2 trimestres de antelación 3 trimestres de antelación 4 trimestres de antelación ME MAE min max RMSE ME MAE min max RMSE ME MAE min max RMSE ME MAE min max RMSE Agro -0.0254 0.0543 0.0004 0.1565 0.0685 Industria -0.0255 0.0465 0.0010 0.1012 0.0565 Comercio -0.0182 0.0377 0.0057 0.0923 0.0468 Construcción 0.0142 0.0853 0.0217 0.1768 0.0982 Resto -0.0068 0.0210 0.0044 0.0415 0.0241 PBI -0.0133 0.0205 0.0000 0.0563 0.0272 -0.0550 0.0734 0.0021 0.1659 0.0925 -0.0301 0.0450 0.0010 0.1375 0.0605 -0.0242 0.0487 0.0043 0.1411 0.0626 0.0096 0.1078 0.0006 0.2278 0.1259 -0.0099 0.0202 0.0004 0.0529 0.0263 -0.0198 0.0271 0.0051 0.0905 0.0363 -0.0759 0.0891 0.0077 0.1695 0.1056 -0.0281 0.0496 0.0005 0.1386 0.0613 -0.0302 0.0601 0.0096 0.1111 0.0689 0.0042 0.1215 0.0193 0.3134 0.1535 -0.0142 0.0235 0.0056 0.0506 0.0282 -0.0251 0.0314 0.0033 0.0877 0.0407 -0.0791 0.0901 0.0108 0.1627 0.1052 -0.0419 0.0541 0.0001 0.1566 0.0692 -0.0318 0.0588 0.0103 0.1275 0.0664 0.0021 0.1312 0.0247 0.2929 0.1641 -0.0202 0.0260 0.0041 0.0546 0.0310 -0.0315 0.0358 0.0048 0.0780 0.0424 Nota: "Resto" incluye a Pesca, Electricidad, gas y agua, Transporte y comunicaciones y Otros. Elaboración propia 55 Cuadro A5 Estimación del modelo VAR "econométrico" VAR Econométrico con 4 retardos Período: 1979.1 - 1997.4 Variable dependiente: ∆y = ln PBIt - ln PBIt-1 Var. Independiente PBI Uru (-1) PBI Uru (-2) PBI Uru (-3) PBI Uru (-4) PBI Arg (-1) PBI Arg (-2) PBI Arg (-3) PBI Arg (-4) PBI Br (-1) PBI Br (-2) PBI Br (-3) PBI Br (-4) IPC/TC Uru (-1) IPC/TC Uru (-2) IPC/TC Uru (-3) IPC/TC Uru (-4) IPC/TC Arg (-1) IPC/TC Arg (-2) IPC/TC Arg (-3) IPC/TC Arg (-4) IPC/TC Br (-1) IPC/TC Br (-2) IPC/TC Br (-3) IPC/TC Br (-4) RTI (-1) RTI (-2) RTI (-3) RTI (-4) Tasa de interés (-1) Tasa de interés (-2) Tasa de interés (-3) Tasa de interés (-4) Constante D1 D2 D3 I802 I812 I823 I824 I891 I941 sigma = 0.0230 Q(10) prob Q(14) prob Coef. Std. Error t-Statistic Prob. -0.54 -0.08 -0.34 -0.02 0.38 0.19 0.00 -0.11 0.18 -0.03 0.30 0.14 0.00 0.09 0.10 -0.01 0.00 0.01 0.02 0.00 -0.03 0.05 0.07 -0.06 -0.01 -0.03 0.05 0.06 0.03 0.00 -0.07 -0.09 0.00 -0.08 -0.02 0.03 -0.01 0.00 -0.17 -0.06 -0.01 -0.04 0.16 0.16 0.17 0.15 0.14 0.15 0.16 0.18 0.13 0.13 0.12 0.13 0.04 0.04 0.05 0.04 0.02 0.02 0.02 0.02 0.06 0.05 0.04 0.04 0.05 0.05 0.05 0.05 0.03 0.03 0.03 0.04 0.00 0.02 0.03 0.03 0.03 0.04 0.04 0.05 0.02 0.02 -3.45 -0.50 -1.99 -0.16 2.61 1.27 -0.01 -0.60 1.45 -0.20 2.44 1.04 -0.05 1.99 2.04 -0.36 -0.22 0.23 0.69 0.14 -0.57 0.95 1.64 -1.57 -0.29 -0.60 1.11 1.22 1.10 -0.03 -2.58 -2.67 0.92 -3.20 -0.60 1.01 -0.33 -0.01 -4.93 -1.28 -0.59 -1.97 0.00 0.62 0.06 0.87 0.01 0.21 0.99 0.55 0.16 0.84 0.02 0.31 0.96 0.06 0.05 0.72 0.83 0.82 0.49 0.89 0.58 0.35 0.11 0.13 0.77 0.56 0.28 0.23 0.28 0.98 0.02 0.01 0.36 0.00 0.55 0.32 0.74 0.99 0.00 0.21 0.56 0.06 RSS = 0.0153 11.38 0.33 11.77 0.63 Jarque Vera prob 0.57 0.75 Nota: No se incluyeron aquí los resultados obtenidos para el resto de las variables dependientes que conforman al VAR. Dichos resultados están a disposición por parte de los autores. Todas las variables fueron incluidas como la diferencia primera del logaritmo, exepto la tasa de interés que se consideró la diferencia primera de (1+tasa). Di son variables determinísticas estacionales. I802, I812, I823 e I824 son variables dummies para modelizar un cambio de nivel en esas fechas. I891 e I941 son variables dummies para modelizar un cambio transitorio en esas fechas. Elaboración propia en base al programa PC FIML 56 Cuadro A6 Estimación del modelo lineal uniecuacional Modelo econométrico A Período: 1979.1 - 1997.4 Variable dependiente: ∆y = ln PBIt - ln PBIt-1 Var. Independiente Coef. Std. Error t-Statistic Prob. Constante PBI Arg (-1) PBI Br (-3) PBI Br (-4) D1 I814 I823 I851 I953 0.004 0.160 0.218 0.151 -0.125 -0.061 -0.087 0.048 -0.068 0.003 0.052 0.085 0.054 0.006 0.024 0.017 0.017 0.024 1.337 3.057 2.572 2.813 -19.304 -2.594 -5.062 2.797 -2.892 0.186 0.003 0.013 0.007 0.000 0.012 0.000 0.007 0.005 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.94 0.93 0.02 0.03 174.49 1.90 Q(10) prob Q(14) prob 4.70 0.91 8.11 0.88 Jarque Vera prob 0.59 0.75 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 0.01 0.09 -4.60 -4.31 117.40 0.00 Nota: Todas las variables fueron incluidas como la diferencia primera del logaritmo. D1 es una variable dummy que marca la estacionalidad en el primer trimestre del año. I814 e I953 son variables dummies para modelizar un cambio de nivel en 1981.4 y 1995.3. Por otra parte, I823 e I851 modelizan outliers de tipo aditivo en 1982.3 y 1985.1. Elaboración propia en base al programa Eviews 57 Cuadro A7 Evaluación de los Errores de Predicción: Variables Exógenas Período: 1998.1 - 2001.4 1 trimestre de antelación 2 trimestres de antelación 3 trimestres de antelación 4 trimestres de antelación ME MAE min max RMSE ME MAE min max RMSE ME MAE min max RMSE ME MAE min max RMSE PBI Brasil PBI Argentina -0.0031 0.0153 0.0029 0.0313 0.0174 -0.0171 0.0227 0.0043 0.0679 0.0294 TCR bilateral con Brasil -0.0157 0.0683 0.0008 0.3076 0.1085 -0.0053 0.0212 0.0010 0.0550 0.0266 -0.0330 0.0369 0.0014 0.1308 0.0496 -0.0484 0.0973 0.0160 0.3116 0.1353 -0.0069 0.0242 0.0006 0.0476 0.0291 -0.0481 0.0491 0.0028 0.1244 0.0606 -0.0759 0.1500 0.0407 0.3351 0.1800 -0.0049 0.0264 0.0002 0.0574 0.0294 -0.0637 0.0637 0.0122 0.1350 0.0737 -0.1058 0.1716 0.0008 0.3532 0.2064 Elaboración propia 58 Cuadro A8 Test de raíz unitaria Dickey - Fuller Aumentado Período: 1979.1 - 1997.4 Ho = Existencia de raíz unitaria Variables Valor del estadístico En niveles PBI Uruguay nº de Rech Ho rezagos al 95% Valor del estadístico Primera dif. nº de Rech Ho rezagos al 95% -2.52 4 no -3.05 3 si Agro -3.28 4 no -5.25 6 si Industria -2.18 4 no -3.69 3 si Construcción -3.27 3 no -5.69 2 si Comercio, rest. y hoteles -3.19 4 no -2.97 4 si Resto -3.21 4 no -3.26 5 si PBI Brasil -2.57 4 no -3.98 3 si PBI Argentina -1.38 7 no -3.32 4 si Inflación en dól. Uruguay -2.42 5 no -5.32 2 si Inflación en dól. Argentina -2.49 1 no -6.74 1 si Inflación en dól. Brasil -2.30 4 no -3.30 3 si Tasa de interés -2.19 8 no -3.56 7 si Términos del Intercambio -2.94 2 no -8.28 1 si TCR bilateral con Brasil -2.09 3 no -6.60 2 si TCR bilateral con Argentina -3.45 3 no -7.65 1 si Sectores del PBI Var. externas al PBI Nota: Todas las variables, excepto la tasa de interés, fueron consideradas en logaritmos. El número de rezagos a incluir se eligió según el Akaike Information Criterion. En el caso de las variables en niveles se consideró tendencia y constante y en el caso de las diferencias solamente la constante. En el caso de los sectores del PBI el período fue: 1983.1 - 1997.4. Elaboración propia en base al programa Eviews 59 Cuadro A9 Test de estabilidad paramétrica de Box y Tiao Período: 1998.1 - 2001.4 Ho = Estabilidad de las predicciones Estadístico Valor Box y Tiao crítico (5%) ARIMA A 1.81 1.79 0.05 ARIMA B 1.21 1.79 0.28 ARIMA C 1.07 1.79 0.40 VAR A (con componentes del PBI) 4 retardos 5 retardos 8.20 5.91 1.84 1.85 0.00 0.00 VAR B (con componentes del PBI) 4 retardos 5 retardos 8.85 12.28 1.83 1.84 0.00 0.00 VAR "econométrico" 4 retardos 5 retardos 4.48 3.39 1.79 1.79 0.00 0.00 Modelo econométrico A 1.17 1.79 0.32 Modelo econométrico B 1.40 1.79 0.17 Modelo Nota: El estadístico de Box y Tiao se destribuye F(16, T-r) , siendo r el número de observaciones usadas como condiciones iniciales para la estimación. Debido a que según el modelo, tanto T como r varían, también cambia el valor crítico. Elaboración propia 60 Prob. Cuadro A10 Evaluación de los Errores de Predicción: Combinación de predicciones con 1 trimestre de antelación Período: 1998.1 - 2001.4 Modelo univariante - Modelo econométrico 1 trimestre de antelación ME MAE min max RMSE ARIMA -0.0104 0.0193 0.0005 0.0457 0.0245 Modelo Eco -0.0093 0.0171 0.0008 0.0567 0.0233 Comb. 1 -0.0100 0.0183 0.0005 0.0512 0.0238 Comb. 2 -0.0095 0.0173 0.0001 0.0521 0.0231 Nota: Las denominaciones de ARIMA y Modelo Econométrico se refieren al modelo ARIMA C y Modelo Econométrico A respectivamente. La combinación 1 se realizó utilizando ambos modelos con un ponderador k =0,5, mientras en la combinación 2 ki=MSEj / (MSEi + MSEj) Modelo univariante - VAR con componentes de oferta 1 trimestre de antelación ME MAE min max RMSE ARIMA -0.0104 0.0193 0.0005 0.0457 0.0245 VAR oferta -0.0133 0.0205 0.0000 0.0563 0.0272 Comb. 1 -0.0120 0.0203 0.0054 0.0461 0.0239 Comb. 2 -0.0126 0.0213 0.0048 0.0460 0.0253 Nota: Las denominaciones de ARIMA y VAR oferta se refieren al modelo ARIMA C y VAR A con 5 retardos respectivamente. La combinación 1 se realizó utilizando ambos modelos con un ponderador k =0,5, mientras en la combinación 2 ki=MSEj / (MSEi + MSEj) Elaboración propia 61 Cuadro A11 RMSE de las predicciones del PBI en 7 países Datos PBI anuales: 1960-1991 Período de predicción: 1980-1991 Países Mínimo RMSE 1 año adelante 2 años adelante 3 años adelante Francia Alemania Italia Japón España Reino Unido Estados Unidos 0.010 0.014 0.014 0.010 0.014 0.022 0.026 0.022 0.033 0.033 0.020 0.026 0.044 0.039 0.032 0.049 0.050 0.028 0.044 0.055 0.049 Promedio 0.016 0.031 0.044 En base a un trabajo de Daniel Peña (1995), donde se trabaja con 4 modelos de series de tiempo para pronosticar el crecimiento anual del PBI en 7 países. 62