Redes neuronales recurrentes y modelos arima para el pronóstico de la inflación en el Perú

Descripción del Articulo

The purpose of this research is to compare the ARIMA methodology and Recurrent _x000D_ Neural Networks to find the best model to forecast Inflation in Peru. The research consisted _x000D_ of a study sample from January 2000 to December 2021._x000D_ When designing the series model for each series, a...

Descripción completa

Detalles Bibliográficos
Autor: Chilón Ayay, Anghie Lizzeth
Formato: tesis de grado
Fecha de Publicación:2023
Institución:Universidad Nacional de Trujillo
Repositorio:UNITRU-Tesis
Lenguaje:español
OAI Identifier:oai:dspace.unitru.edu.pe:20.500.14414/18318
Enlace del recurso:https://hdl.handle.net/20.500.14414/18318
Nivel de acceso:acceso abierto
Materia:Modelos ARIMA
Redes Neuronales Recurrentes
LSTM
Inflación
id UNIT_068f113b4c6bc5b318dd4552cc6f5aaa
oai_identifier_str oai:dspace.unitru.edu.pe:20.500.14414/18318
network_acronym_str UNIT
network_name_str UNITRU-Tesis
repository_id_str 4801
dc.title.es_PE.fl_str_mv Redes neuronales recurrentes y modelos arima para el pronóstico de la inflación en el Perú
title Redes neuronales recurrentes y modelos arima para el pronóstico de la inflación en el Perú
spellingShingle Redes neuronales recurrentes y modelos arima para el pronóstico de la inflación en el Perú
Chilón Ayay, Anghie Lizzeth
Modelos ARIMA
Redes Neuronales Recurrentes
LSTM
Inflación
title_short Redes neuronales recurrentes y modelos arima para el pronóstico de la inflación en el Perú
title_full Redes neuronales recurrentes y modelos arima para el pronóstico de la inflación en el Perú
title_fullStr Redes neuronales recurrentes y modelos arima para el pronóstico de la inflación en el Perú
title_full_unstemmed Redes neuronales recurrentes y modelos arima para el pronóstico de la inflación en el Perú
title_sort Redes neuronales recurrentes y modelos arima para el pronóstico de la inflación en el Perú
author Chilón Ayay, Anghie Lizzeth
author_facet Chilón Ayay, Anghie Lizzeth
author_role author
dc.contributor.advisor.fl_str_mv Risco Dávila, Carlos Alfonso
dc.contributor.author.fl_str_mv Chilón Ayay, Anghie Lizzeth
dc.subject.es_PE.fl_str_mv Modelos ARIMA
Redes Neuronales Recurrentes
LSTM
Inflación
topic Modelos ARIMA
Redes Neuronales Recurrentes
LSTM
Inflación
description The purpose of this research is to compare the ARIMA methodology and Recurrent _x000D_ Neural Networks to find the best model to forecast Inflation in Peru. The research consisted _x000D_ of a study sample from January 2000 to December 2021._x000D_ When designing the series model for each series, a forecast was made for all the _x000D_ months of the year 2022, which were compared with the real data to determine which _x000D_ methodology makes a better forecast. The results indicated that the previous LSTM recurrent _x000D_ neural network model obtained a lower forecast evaluation error compared to the ARIMA _x000D_ methodology, for which the RMSE, MAE, MAPE, EMC and MPE indicators were used
publishDate 2023
dc.date.accessioned.none.fl_str_mv 7/7/2023 11:09
dc.date.available.none.fl_str_mv 7/7/2023 11:09
dc.date.issued.fl_str_mv 2023
dc.type.es_PE.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.14414/18318
url https://hdl.handle.net/20.500.14414/18318
dc.language.iso.es_PE.fl_str_mv spa
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.es_PE.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.es_PE.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_PE.fl_str_mv Universidad Nacional de Trujillo
dc.source.es_PE.fl_str_mv Universidad Nacional de Trujillo
Repositorio institucional - UNITRU
dc.source.none.fl_str_mv reponame:UNITRU-Tesis
instname:Universidad Nacional de Trujillo
instacron:UNITRU
instname_str Universidad Nacional de Trujillo
instacron_str UNITRU
institution UNITRU
reponame_str UNITRU-Tesis
collection UNITRU-Tesis
bitstream.url.fl_str_mv https://dspace.unitru.edu.pe/bitstreams/6602e4ff-76c2-49e8-917d-3727618d68d8/download
https://dspace.unitru.edu.pe/bitstreams/46ad9382-fd0e-4bca-a59d-948702da38c2/download
bitstream.checksum.fl_str_mv 94faa93c05266216d9fe14dbe9dff7bf
8a4605be74aa9ea9d79846c1fba20a33
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositorio Institucional - UNITRU
repository.mail.fl_str_mv repositorios@unitru.edu.pe
_version_ 1807290020366647296
spelling Risco Dávila, Carlos AlfonsoChilón Ayay, Anghie Lizzeth7/7/2023 11:097/7/2023 11:092023https://hdl.handle.net/20.500.14414/18318The purpose of this research is to compare the ARIMA methodology and Recurrent _x000D_ Neural Networks to find the best model to forecast Inflation in Peru. The research consisted _x000D_ of a study sample from January 2000 to December 2021._x000D_ When designing the series model for each series, a forecast was made for all the _x000D_ months of the year 2022, which were compared with the real data to determine which _x000D_ methodology makes a better forecast. The results indicated that the previous LSTM recurrent _x000D_ neural network model obtained a lower forecast evaluation error compared to the ARIMA _x000D_ methodology, for which the RMSE, MAE, MAPE, EMC and MPE indicators were usedLa presente investigación compara la metodología ARIMA y Redes Neuronales _x000D_ Recurrentes con el fin de encontrar el mejor modelo para el pronóstico de la inflación en el _x000D_ Perú. La investigación consta con una muestra de estudio desde enero de 2000 hasta _x000D_ diciembre de 2021._x000D_ Al diseñarse el modelo para cada serie, se procedió a pronosticar para todos los meses _x000D_ del año 2022, los cuales se compararon con los datos reales para determinar cuál _x000D_ metodología realiza un mejor pronóstico. Los resultados indicaron que el modelo de redes _x000D_ neuronales recurrentes LSTM logró obtener un menor error de evaluación de pronóstico a _x000D_ comparación de la metodología ARIMA, para ello se utilizaron los indicadores RMSE, _x000D_ MAE, MAPE, EMC y MPETesisspaUniversidad Nacional de Trujilloinfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/2.5/pe/Universidad Nacional de TrujilloRepositorio institucional - UNITRUreponame:UNITRU-Tesisinstname:Universidad Nacional de Trujilloinstacron:UNITRUModelos ARIMARedes Neuronales RecurrentesLSTMInflaciónRedes neuronales recurrentes y modelos arima para el pronóstico de la inflación en el Perúinfo:eu-repo/semantics/bachelorThesisSUNEDUTítulo ProfesionalIngeniero EstadísticoEstadísticaUniversidad Nacional de Trujillo.Facultad de Ciencias Físicas y MatemáticasORIGINALCHILON AYAY, Anghie Lizzeth.pdfCHILON AYAY, Anghie Lizzeth.pdfapplication/pdf2841357https://dspace.unitru.edu.pe/bitstreams/6602e4ff-76c2-49e8-917d-3727618d68d8/download94faa93c05266216d9fe14dbe9dff7bfMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://dspace.unitru.edu.pe/bitstreams/46ad9382-fd0e-4bca-a59d-948702da38c2/download8a4605be74aa9ea9d79846c1fba20a33MD5220.500.14414/18318oai:dspace.unitru.edu.pe:20.500.14414/183182024-04-21 11:41:22.187http://creativecommons.org/licenses/by-nc-nd/2.5/pe/info:eu-repo/semantics/openAccessopen.accesshttps://dspace.unitru.edu.peRepositorio Institucional - UNITRUrepositorios@unitru.edu.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
score 13.971837
Redes neuronales recurrentes y modelos arima para el pronóstico de la inflación en el Perú
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