Indicadores líderes, redes neuronales y predicción de corto plazo

Descripción del Articulo

Este documento muestra un procedimiento para construir un predictor de corto plazo del nivel de actividad económica. Para ello se utiliza el filtro de Baxter & King para descomponer la serie de PBI mensual en sus tres componentes: estacional, cíclico y tendencial. Posteriormente el componente cí...

Descripción completa

Detalles Bibliográficos
Autores: Kapsoli Salinas, Javier, Bencich Aguilar, Brigitt
Formato: documento de trabajo
Fecha de Publicación:2002
Institución:Pontificia Universidad Católica del Perú
Repositorio:PUCP-Institucional
Lenguaje:español
OAI Identifier:oai:repositorio.pucp.edu.pe:20.500.14657/46853
Enlace del recurso:http://repositorio.pucp.edu.pe/index/handle/123456789/46853
Nivel de acceso:acceso abierto
Materia:Modelos macroeconómicos
http://purl.org/pe-repo/ocde/ford#5.02.00
id RPUC_f8ee6870627eace232a5fe0dc8b19da4
oai_identifier_str oai:repositorio.pucp.edu.pe:20.500.14657/46853
network_acronym_str RPUC
network_name_str PUCP-Institucional
repository_id_str 2905
spelling Kapsoli Salinas, JavierBencich Aguilar, Brigitt2015-03-19T20:37:42Z2015-03-19T20:37:42Z2002http://repositorio.pucp.edu.pe/index/handle/123456789/46853Este documento muestra un procedimiento para construir un predictor de corto plazo del nivel de actividad económica. Para ello se utiliza el filtro de Baxter & King para descomponer la serie de PBI mensual en sus tres componentes: estacional, cíclico y tendencial. Posteriormente el componente cíclico es estimado y pronosticado a partir de un conjunto de variables líderes que adelantan al PBI. Se propone que las relaciones entre estas variables y el ciclo del PBI se dan a través de un modelo no lineal de redes neuronales. Los demás componentes son estimados utilizando modelos econométricos estándar. Finalmente, se agregan los tres componentes para obtener un indicador de la evolución futura del PBI. La predicción que se obtiene muestra un nivel razonable de confiabilidad, por lo que el índice propuesto puede ser una herramienta para la toma de decisiones dada su pronta disponibilidad respecto a las estadísticas oficiales.This paper shows a procedure to construct a short run predictor for the GDP. We use the Baxter & King filter to decompose the monthly GDP on its three components: seasonal, business cycle and long-run trend. Furthermore we estimate and forecast the business cycle using a set of leading economic variables. We propose that the complicated relationships among this variables and the business cycle are well captured by a non linear artificial neural network model. The other components are estimated using standard econometric techniques. Finally, the three components are added to obtain an indicator for the future behavior of the GDP. The prediction shows an acceptable level of reliability, so the index can be used to take decisions in the private or public sector. The main advantage of the index is its faster availability relative to the official statistics.spaPontificia Universidad Católica del Perú. Departamento de EconomíaPEDocumento de Trabajo;213info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/2.5/pe/Modelos macroeconómicoshttp://purl.org/pe-repo/ocde/ford#5.02.00Indicadores líderes, redes neuronales y predicción de corto plazoLeading indicators, neuronal networks and short term forecasts.info:eu-repo/semantics/workingPaperDocumento de trabajoreponame:PUCP-Institucionalinstname:Pontificia Universidad Católica del Perúinstacron:PUCPORIGINALn_213.pdfn_213.pdfapplication/pdf175497https://repositorio.pucp.edu.pe/bitstreams/f7fe4985-321e-473e-9736-b2585481416f/download45a3fab1e8ef8d8b6ba31cf7a33ed815MD51trueAnonymousREADTEXTn_213.pdf.txtn_213.pdf.txtExtracted texttext/plain96264https://repositorio.pucp.edu.pe/bitstreams/95a81d4a-31da-4efd-95ac-5165025316b2/download2abd186c258f6b208324032c7fd05eedMD56falseAnonymousREADTHUMBNAILn_213.pdf.jpgn_213.pdf.jpgIM Thumbnailimage/jpeg7416https://repositorio.pucp.edu.pe/bitstreams/e7eb2036-7822-4400-8457-a42e4849649b/download99c3c9a9354b451e715df95e82c0b6f6MD57falseAnonymousREAD20.500.14657/46853oai:repositorio.pucp.edu.pe:20.500.14657/468532024-10-05 12:44:17.794http://creativecommons.org/licenses/by-nc-nd/2.5/pe/info:eu-repo/semantics/openAccessopen.accesshttps://repositorio.pucp.edu.peRepositorio Institucional de la PUCPrepositorio@pucp.pe
dc.title.es_ES.fl_str_mv Indicadores líderes, redes neuronales y predicción de corto plazo
dc.title.alternative.en_US.fl_str_mv Leading indicators, neuronal networks and short term forecasts.
title Indicadores líderes, redes neuronales y predicción de corto plazo
spellingShingle Indicadores líderes, redes neuronales y predicción de corto plazo
Kapsoli Salinas, Javier
Modelos macroeconómicos
http://purl.org/pe-repo/ocde/ford#5.02.00
title_short Indicadores líderes, redes neuronales y predicción de corto plazo
title_full Indicadores líderes, redes neuronales y predicción de corto plazo
title_fullStr Indicadores líderes, redes neuronales y predicción de corto plazo
title_full_unstemmed Indicadores líderes, redes neuronales y predicción de corto plazo
title_sort Indicadores líderes, redes neuronales y predicción de corto plazo
author Kapsoli Salinas, Javier
author_facet Kapsoli Salinas, Javier
Bencich Aguilar, Brigitt
author_role author
author2 Bencich Aguilar, Brigitt
author2_role author
dc.contributor.author.fl_str_mv Kapsoli Salinas, Javier
Bencich Aguilar, Brigitt
dc.subject.es_ES.fl_str_mv Modelos macroeconómicos
topic Modelos macroeconómicos
http://purl.org/pe-repo/ocde/ford#5.02.00
dc.subject.ocde.none.fl_str_mv http://purl.org/pe-repo/ocde/ford#5.02.00
description Este documento muestra un procedimiento para construir un predictor de corto plazo del nivel de actividad económica. Para ello se utiliza el filtro de Baxter & King para descomponer la serie de PBI mensual en sus tres componentes: estacional, cíclico y tendencial. Posteriormente el componente cíclico es estimado y pronosticado a partir de un conjunto de variables líderes que adelantan al PBI. Se propone que las relaciones entre estas variables y el ciclo del PBI se dan a través de un modelo no lineal de redes neuronales. Los demás componentes son estimados utilizando modelos econométricos estándar. Finalmente, se agregan los tres componentes para obtener un indicador de la evolución futura del PBI. La predicción que se obtiene muestra un nivel razonable de confiabilidad, por lo que el índice propuesto puede ser una herramienta para la toma de decisiones dada su pronta disponibilidad respecto a las estadísticas oficiales.
publishDate 2002
dc.date.accessioned.none.fl_str_mv 2015-03-19T20:37:42Z
dc.date.available.none.fl_str_mv 2015-03-19T20:37:42Z
dc.date.issued.fl_str_mv 2002
dc.type.none.fl_str_mv info:eu-repo/semantics/workingPaper
dc.type.other.none.fl_str_mv Documento de trabajo
format workingPaper
dc.identifier.uri.none.fl_str_mv http://repositorio.pucp.edu.pe/index/handle/123456789/46853
url http://repositorio.pucp.edu.pe/index/handle/123456789/46853
dc.language.iso.es_ES.fl_str_mv spa
language spa
dc.relation.ispartofseries.es_ES.fl_str_mv Documento de Trabajo;213
dc.rights.es_ES.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/2.5/pe/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/2.5/pe/
dc.publisher.es_ES.fl_str_mv Pontificia Universidad Católica del Perú. Departamento de Economía
dc.publisher.country.none.fl_str_mv PE
dc.source.none.fl_str_mv reponame:PUCP-Institucional
instname:Pontificia Universidad Católica del Perú
instacron:PUCP
instname_str Pontificia Universidad Católica del Perú
instacron_str PUCP
institution PUCP
reponame_str PUCP-Institucional
collection PUCP-Institucional
bitstream.url.fl_str_mv https://repositorio.pucp.edu.pe/bitstreams/f7fe4985-321e-473e-9736-b2585481416f/download
https://repositorio.pucp.edu.pe/bitstreams/95a81d4a-31da-4efd-95ac-5165025316b2/download
https://repositorio.pucp.edu.pe/bitstreams/e7eb2036-7822-4400-8457-a42e4849649b/download
bitstream.checksum.fl_str_mv 45a3fab1e8ef8d8b6ba31cf7a33ed815
2abd186c258f6b208324032c7fd05eed
99c3c9a9354b451e715df95e82c0b6f6
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional de la PUCP
repository.mail.fl_str_mv repositorio@pucp.pe
_version_ 1835638474749771776
score 13.940932
Indicadores líderes, redes neuronales y predicción de corto plazo
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).

Ejemplares Similares