Predicción de variables económicas del sector servicios de México con modelos estadísticos clásicos y Bayesianos / Prediction of economic variables of the service sector in Mexico using classical and Bayesian statistical models
Resumen
La Encuesta Mensual de Servicios (EMS) es una actividad que realiza el Instituto Nacional de Estadística y Geografía (Inegi) con el objetivo de generar información estadística básica sobre el sector económico de los servicios en México. Considerando que se aplica mensualmente y su costo es relevante, en esta investigación se proponen modelos estadísticos (Bayesianos y clásicos) para poder predecir los indicadores de las cuatro variables agregadas que se generan a partir de los resultados de la encuesta. Se estudiaron 42 métodos resultantes de combinar 7 modelos (tres modelos multivariados y cuatro univariados), con 6 métodos de estimación (cuatro bayesianos, uno por mínimos cuadrados y otro por máxima verosimilitud restringida). Los modelos Bayesianos permiten introducir información a priori con el objetivo de obtener un ajuste más preciso de los parámetros.De los siete modelos estadísticos utilizados, el que tuvo mejor capacidad predictiva es el MP1 univariado, seguido por los modelos MP2, MP4 y MP3 multivariados; al final estuvieron los MP5, MP6 y MP7 univariados autoregresivos. De los seis métodos utilizados, el que tuvo mejor capacidad predictiva fue el BayesA, seguido por BayesB, BRR, máxima verosimilitud restringida, BayesC y mínimos cuadrados. En el caso en que predecimos para 3, 6, 12 y 18 meses, los modelos MP1 univariado, MP2, MP3 y MP4 multivariados obtuvieron la mejor capacidad predictiva utilizando los métodos BayesA, BayesB y mínimos cuadrados. De acuerdo con los resultados obtenidos, es razonable predecir con los modelos propuestos para aquellos indicadores con una correlación de 0.4 o mayor. Con los modelos implementados se encontró que es factible predecir los resultados de la encuesta hasta para tres meses, lo que ayudaría a reducir los costos actuales en forma considerablemente.Citas
Bouda, M. (2014). Econometric Models and their ability to predict GDP growth of the Czech Republic. AAK- Acta academica karviniensia, 14(3), 5-14.
Brunhart, A. (2012). Univariate and Multivariate Models to Predict Liechtenstein’s GDP. Universitat Wien, 1-17.
Chernis, T. and Sekkel, R. (2017). A Dynamic Factor Model for Nowcasting Canadian GDP Growth. Springer, 53(1), 217-234.
Dudek, S. (2010). Consumer Survey Data and short-term forecasting of households consumption expenditures in Poland. Munich Personal RePEc Archive, 1-29.
Edirisuriya, P. (2015). The predictive power of financial variables: new evidence from Australia. Australasian Accounting, Business and Finance Journal, 9(1), 57-70.
Instituto Nacional de EstadÃstica y GeografÃa (INEGI, 2014a). SÃntesis metodológica de la Encuesta Mensual de Servicios. Aguascalientes, México: Inegi.
Instituto Nacional de EstadÃstica y GeografÃa (INEGI, 2014b). Encuesta mensual de servicios: metodologÃa para el cálculo de los Ãndices. Aguascalientes, México: Inegi.
Kolbachev, E., Kolbacheva, T. and Salnikova Y. (2015). Application of Natural Science and Engineering Methods as a Trend in the Development of Economic and Management Research and Education. Procedia Social and Behavioral Sciences, 214, 1000-1007.
Lehmann, R. and Weyh, A. (2014). Forecasting employment in Europe: Are survey results helpful? Ifo Institute-Leibniz Institute for Economic Research at the University of Munich, 1-33.
Montesinos, A., Montesinos, O., Cuevas, J., Mata, W., Burgueño, J., Mondal, S. and Crossa, J. (2017). Genomic Bayesian functional regression models with interactions for predicting wheat grain yield using hyper-spectral image data. Plant Methods, 13(62).
Otrok, C. and H. Whiteman, C. (1996). Bayesian leading indicators: measuring and predicting economic conditions in Iowa. International Economic Review, 39, 997-1014.
Pérez, P. and de los Campos, G. (2014). Genome-wide Regression & Prediction with the BGLR statistical. GENETICS, 198(1), 483-495
Porshakov, A., Deryugina, E., Ponomarenko, A. and Sinyakov, A. (2015). Nowcasting and short-term forecasting of Russian GDP with a dynamic factor model. BOFIT Discussion Papers, 19, 1-41.
Salkind, N. J. (2013). Statistics for people who (think they) hate statistics: Excel 2010. Washington, United States: Sage.
Stundziene, A. (2013). Prediction of Lithuanian GDP: are regression models or time series models better? Economics and Management, 18(4), 721-735.
Zhang, H. (2013). Modeling and forecasting regional GDP in Sweden (master thesis in Microdata Analysis). Falun, Sweden: Hogskolan Dalarna.
Con el propósito de promover el desarrollo y divulgación de la investigación en educación en América Latina, en La Revista Iberoamericana de Contaduría, Economía y Administración (RICEA) se adhirió a la Iniciativa de Acceso Abierto de Budapest, por lo que se identifica como una publicación de acceso abierto. Esto significa que cualquier usuario puede leer el texto completo de los artículos, imprimirlos, descargarlos, copiarlos, enlazarlos, distribuirlos y usar los contenidos para otros fines. Las licencias Creative Cummons, permiten especificar los derechos de uso de una revista de acceso abierto disponible en Internet de tal manera que los usuarios conocen las reglas de publicación.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado
