Nuevas estrategias para mejorar la exactitud de las predicciones de inflación en Rumanía y Bulgaria usando simulaciones Monte Carlo y Bootstrap

Mihaela Simionescu

doi:10.46661/revmetodoscuanteconempresa.2207

Autores/as

Mihaela Simionescu Institute for Economic Forecasting Romanian Academy, Bucharest (Romania)

DOI:

https://doi.org/10.46661/revmetodoscuanteconempresa.2207

Palabras clave:

Accuracy, forecasts, Monte Carlo method, bootstrap technique, biased-corrected-accelerated bootstrap intervals, precisión, pronósticos, método Monte Carlo, técnica bootstrap, intervalos de rutina de carga con corrección de sesgo acelerado

Resumen

La necesidad de mejorar la precisión de las previsiones ha crecido en el contexto de crisis económica actual, pero son pocos los investigadores que se habían interesado hasta ahora por la búsqueda de estrategias empíricas para mejorar sus predicciones. En este artículo, a través de las previsiones de la tasa de inflación en el horizonte 2010-2012, hemos podido comprobar que las previsiones de un solo paso adelante sobre la base de modelos actualizados AR(2) para Rumanía y ARMA(1,1) para Bulgaria podrían mejorarse sustancialmente mediante la generación de nuevas predicciones utilizando el método de Monte Carlo y la técnica bootstrap para simular los coeficientes de los modelos. Así, en este trabajo presentamos una nueva metodología para la construcción de las previsiones mediante el uso de los límites de los intervalos de rutina de carga de polarización -corrección acelerada para la serie inicial de los datos de la variable a predecir-. Después de evaluar la exactitud de los nuevos pronósticos, encontramos que todas las estrategias propuestas mejoraron los pronósticos iniciales de AR(2) y ARMA(1,1). Estas técnicas también mejoraron las predicciones de dos comisiones de expertos en previsión hechas para Rumanía, así como las previsiones de la Comisión Europea hechas para Bulgaria. Nuestro propio método basado en los límites inferiores de los intervalos de BCA generó los mejores pronósticos.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Arestis, P.; Sawyer, M. (2013). “Moving from Inflation Targeting to Prices and Incomes Policy”, Panoeconomicus, 60(1): 1–17.

Armstrong, J.S. (2005). “Principles of forecasting: a handbook for researchers and practioners”, University of Pennsylvania, Wharton School, Philadelphia, 8(13):23–29.

Bratu, M. (2012). “Strategies to Improve the Accuracy of Macroeconomic Forecasts in USA”, LAP LAMBERT Academic Publishing, Germany.

Bratu (Simionescu), M. (2012a). “A strategy to improve the GDP index forecasts in Romania using moving average models of historical errors of Dobrescu macromodel”, Romanian Journal of Economics, Institutul de Economie Naţională al Academiei Române, 35(2): 44–56.

Bratu (Simionescu), M. (2013b). “Filters or Holt Winters technique to improve the forecasts for USA inflation rate?”, Acta Universitatis Danubius. Œconomica, 9(1): 26–38.

Buhlmann, P. (2002). “Sieve bootstrap with variable length – Markov chains for stationary categorical Time series (with discussions)”, Jour. Amer. Stat. Assoc. 97(1): 443–455.

Cappellari, L.; Jenkins, S. (2006). “Calculation of Multivariate Normal Probabilities by Simulation, with Applications to Maximum Simulated Likelihood Estimation”, Discussion paper no. 2112, IZA, Bonn.

Clements, M. (2003). “Some possible directions for future researches”. International Journal of Forecasting, 19: 1–3.

Clements, M.; Hendry, D. (2002). “Explaining forecast failure. A companion to economic forecasting”. Blackwell Publisher, Oxford, UK: 539–571.

Davidson; Russell; MacKinnon (2002). “Bootstrap J tests of non-nested linear regression models”, Journal of Econometrics, Elsevier, 109(1): 167–193.

Diebold, F.X. (1997). “The past, present, and future of macroeconomic forecasting” (No. w6290). National Bureau of Economic Research.

Efron, B. (2003). Non-parametric estimates of standard error: The jackknife, the bootstrap and other methods. Biometrika, 5(6): 76–94.

Engel, C. (2006a). “Exchange-Rate Models”. NBER Reporter Fall 2006: 17–34.

Engel, C. (2006b). “Equivalence Results for Optimal Pass-Through, Optimal Indexing to Exchange Rates, and Optimal Choice of Currency for Export Pricing”, Journal of the European Economic Association, MIT Press, 4(6): 1249–1260.

Hans, F.S.; Kranendonk, H; Lanser, D. (2011). “One model and various experts: Evaluating Dutch macroeconomic forecasts”, International Journal of Forecasting, 27(2): 482–495.

Goodwin, P. (2005). “How to integrate management judgment with statistical forecasts”, Foresight Journal, June 2005.

Gospodinov, N. (2002). “Median unbiased forecasts for highly persistent autoregressive processes”, Journal of Econometrics, 11(1): 85–101.

Hyndman, R; Koehler, A. (2006). “Another Look at Measures of Forecast Accuracy”. International Journal of Forecasting, 22 (4): 679–688.

Isiklar, G.; Lahiri, K.; Loungani, P. (2006). “How quickly do forecasters incorporate news? Evidence from cross-countries survey”, Journal of Applied Econometrics, 5(3): 45–60.

Lunneborg, C. (2000). Data analysis of resampling, Duxbury Press, p. 164

Oller, L.-E. (2005). “An ignorance measure of macroeconomic variables.” Statistics Sweden, 2005(1): 7–17.

Siok, K.S.; Wai, M.H. (2012). “Does Inflation Targeting Work in Emerging East-Asian Economies?”, Panoeconomicus, 5: 599–608.

Thombs, L.; Scuchany, W. (1990). “Bootstrap prediction intervals for autoregression”, Journal of American Statistical Association, 4(6): 486–492.

Todd, C. and McCracken, M. (2008). “Forecasting in the Presence of Structural Breaks and Model Uncertainty”, D. Rapach and M. Wohar, eds., Emerald Publishing, 2008: 93–147.