TIPS PARA HACER PRONÓSTICOS MACROECONÓMICOS
Se me ocurrió que podía ser útil una pequeña guía de consejos para aquellos que estén empezando a trabajar en esto (y tal vez para los que tienen alguna experiencia también). Son cosas que quizás están en los libros y quizás no, pero que considero útiles para el oficio y las aprendí de mi experiencia personal (hace 15 años que hago estas cosas). No son “reglas” ni ahí, pero sí consejos:
1- No enloquecerse por predecir perfectamente bien la muestra sobre la que estás estimando el modelo. Hay que concentrarse en minimizar el error de pronóstico FUERA de muestra. Si estimas muy bien la muestra, corres riesgo de sobreajustarte a esos datos y perder capacidad predictiva/de generalización.
2- Intentar que el modelo sea lo más parsimonioso posible. Usar la menor cantidad de variables que sean necesarias para captar adecuadamente lo que buscas predecir. Cuántas más variables se agreguen, se corre riesgo de meter solo ruido y poca información valiosa (y a la vez hacer más tedioso el proceso de estimación e inferencia).
2bis- Hay técnicas de aprendizaje automático (machine learning) y econométricas tradicionales que ayudan a achicar/jerarquizar el número de variables relevantes y separar el ruido de lo que no lo es, pero también existe la necesidad de tener cierto criterio experto/marco teórico que el pronosticador debe usar para terminar de decidir qué queda afuera y qué no.
3- Si te interesa pronosticar una variable que tiene “sub-componentes”, recomiendo pronosticar el agregado primero, no pronosticar las partes y después sumarlas. Si se pronostica cada parte y luego las sumas, estarás sumando los errores de pronóstico de cada sub-componente. Por ejemplo, si queres predecir el PIB, comenzaría primero por pronosticar el agregado, y en todo caso luego hacer los subcomponentes por otra parte y al final chequear consistencia entre los dos ejercicios. En general, es más preciso pronosticar derecho el agregado.
4- No todo modelo es un martillo y no todo pronóstico es un clavo. En general, se usan técnicas distintas para pronosticar a corto plazo y a largo plazo, o a distintas frecuencias temporales (diaria, mensual, trimestral, anual). Necesitas distintas herramientas. Y siempre salen nuevas, es importante mantenerse actualizado. Aunque es verdad también que "lo viejo funciona" dentro de todo bien.
5- Siempre chequear/limpiar estacionalidad de las variables, fundamentalmente cuando las variables que incluis en el modelo tienen patrones estacionales distintos (casi siempre).
6- Los modelos pifian, obviamente, pero deben pifiar en promedio tanto por arriba como por abajo. Si siempre sobre(sub)estiman para el mismo lado, entonces el modelo tiene un sesgo (y se debería corregir).
7- La vida cambia, los modelos cambian. Cuando cambia el entorno, es altamente probable que los parámetros del modelo que tanto te costó calcular queden obsoletos, por lo que es necesario re-estimarlo cada cierto tiempo o cuando hay grandes cambios de contextos. Las elasticidades/relaciones entre variables no son completamente estáticas ni están escritas en piedra.
Espero que sean útiles estos consejos. Si se les ocurre alguna otra cosa valiosa escríbanme.
@aleprietoo_ Todavia es pronto para correr mis modelos pero lo que estuve viendo de varias fuentes de alta frecuencia q es que sí, pareciera q en los primeros 10 dias de noviembre aflojó un poco alimentos y lo que esta en la núcleo en general. Ojalá!
2,2% mensual la inflación de octubre (33,1% a/a), por encima de lo que esperaba el consenso, y la más alta de los últimos 6 meses.
Estuvo empujada fundamentalmente por estacionales (5,5% m/m, por verduras y algo más) y regulados (2,9% m/m, destaca la reducción de subsidios extraordinarios para zonas frías).
La única nota positiva la da la inflación núcleo, que bajó de 1,7% a 1,5% m/m (30,7% a/a).
👩💻 ¡Nuevo servicio! 💻
El INDEC presenta su nuevo portal de interfaces de programación de aplicaciones (API, por sus siglas en inglés), que permiten integrar las estadísticas oficiales a tus sistemas y servicios digitales: https://t.co/kMtfnaEqw8
¿Qué son las APIs?🧵(1/5)
@dopazoglave Sisi, tambien en la parte de educacion. Cuentan entre otras cosas "cantidad de programas educativos"... no alumnos o calidad de los programas existentes
Salió una nueva edición del Índice Latinoamericano de Inteligencia Artificial que arma la CEPAL (muy canchera la web por cierto: https://t.co/TGeURiZZLO) y una de la cosas que más resalta a la vista es lo concentrada y poco desarrollada que está la capacidad de cómputo en Latam.
Brasil lidera por lejos, y luego solo asoman Argentina, Chile, Ecuador y Uruguay, pero bastante atrás.
Es verdad también que año a año se ven mejoras en la preparación de la región para lo que viene: más programas educativos, centros dedicados a la investigación, creación de estrategias nacionales e instituciones especializadas, entre otras cosas.
Pero es importante acelerar los avances (más que nada con foco en lo educativo, el marco jurídico para el manejo de datos, y posibles oportunidades de cooperación, a mi parecer) para que nuestros países puedan navegar lo mejor posible la ola de la IA
Creo que mezclan varias cosas, desde la existencia de instituciones que monitoreen el tema, hasta marcos jurídicos o estrategias nacionales de conduccion de la IA. Es medio una mezcolanza poco homogenea y quizás poco detallada, pero me parece q intentan dar un primer indicador que agregue todas las dimensiones posibles. Hay tela para cortar
Se publicó esta semana una base de datos nueva de "acciones fiscales" que cubre 142 países desde 1990, con la particularidad de que tiene un enfoque "narrativo": usan IA para identificar medidas de los gobiernos junto con su motivación, timing, y otros detalles (como si las medidas fueron de impuestos o gasto): https://t.co/1nLVr4cl5C
Está acompañada de un paper que explica algunas características y conclusiones que se pueden sacar de la base. Por ejemplo, la motivación principal que encuentran para las medidas fiscales es lograr sostenibilidad de la deuda, siendo la segunda "redistribución", muy seguida de "crecimiento de largo plazo". Y desagregan si para cada objetivo se usaron impuestos, gastos o combinación de ambas.
El paper es largo y tiene muchas cosas interesantes: frecuencia de medidas expansivas vs contractivas (adivinen si las expansivas son más frecuentes o no), comparación con otros datasets, etc.
Ademas de que esta bueno per se, me parece un buen ejemplo de las cosas nuevas que se van a poder estudiar gracias a la IA, en pos de evaluar impacto de políticas económicas: datasets con cobertura muy amplia, que detecte motivaciones, métricas de éxito/fracaso, impacto en el sentimiento social, etc.
Sosteniendo un melon invertido imaginario para explicar hipergrafos y riesgo financiero sistémico en el Seminario de Econometria y Redes Complejas de hoy en el @iiep_oficial
Gracias @Netlab_IIEP por la organización, siempre es muy divertido participar de estos workshops (👏👏👏 @sderaco , @GabriMontesRo y @vsemesh ❤️)
Este jueves y viernes se hará el workshop anual sobre econometria y redes complejas en la UBA.
El viernes a la mañana estaré exponiendo mi trabajo sobre redes de credito comercial aplicando hipergrafos. Una lente distinta e interdisciplinaria de ver el riesgo sistémico.
Es un lindo espacio para escuchar cosas nuevas!
Este jueves y viernes se hará el workshop anual sobre econometria y redes complejas en la UBA.
El viernes a la mañana estaré exponiendo mi trabajo sobre redes de credito comercial aplicando hipergrafos. Una lente distinta e interdisciplinaria de ver el riesgo sistémico.
Es un lindo espacio para escuchar cosas nuevas!
En el análisis del Presupuesto 2027 de la OPC publicaron este muy buen cuadro con el cronograma de las inversiones del RIGI, proyecto por proyecto.
Incluyen los 23 proyectos que estaban aprobados al 15/sep, por un total de USD 33.800 millones.
Como está planteado, no se puede calcular un monto inversión año por año, pero se pueden estimar rangos:
2024-27: minimo USD 9.000 - maximo 26.800 millones
2028+...: minimo USD 7.000 - maximo 24.800 millones
Es decir, hay unos 17.800 millones (53% de lo comprometido hasta ahi) que segun los cronogramas transitarían con flexibilidad entre 2027 y 2028+... (es 2-2,5% del PIB).
Obvio que esos 17.800 son de máxima y no se iban a realizar en ningún escenario solo en 2027, pero si se ejecuta demasiado poco de ese monto antes de dic-27 también es un factor relevante a tener en cuenta de cara al pipeline comprometido para el próximo mandato presidencial
(y esta cuenta no incluye los 3 proyectos por casi USD 18.000 millones que se aprobaron post-Presupuesto).
Va el link al informe por si interesa: https://t.co/Ts0Zyuw5bP
🇦🇷 #Argentina | Los alimentos impulsan la subida de la #inflación en septiembre al 1,9% m/m, aunque el dato de la inflación núcleo confirma la tendencia positiva.
👉 @FedeeForte
🛒Conoce aquí todas las cifras: https://t.co/fAULeMzUyc🔍