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

Abstract

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.

References

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 Estadística y Geografía (INEGI, 2014a). Síntesis metodológica de la Encuesta Mensual de Servicios. Aguascalientes, México: Inegi.

Instituto Nacional de Estadística y Geografía (INEGI, 2014b). Encuesta mensual de servicios: metodología para el cálculo de los índices. 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.

Published
2018-09-10