INDICES DE PRODUCCIÓN INDUSTRIALFabricación de vehículos de motor, remolques y semirremolques
0
20
40
60
80
100
120
140
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
Fuente: INE Fecha: 6 de febrero de 2004
La naturaleza evolutiva de las variables relevantes en las empresas puede apreciarse en los siguientes gráficos:
1) La producción del sector de automóviles en España.Gráfico 1. INDICES DE PRODUCCIÓN INDUSTRIAL
ENTRADA DE VISITANTES EN ESPAÑA
0
2000
4000
6000
8000
10000
12000
14000
1995 1996 1997 1998 1999 2000 2001 2002 2003
Fuente: Instituto de Estudios turísticos Fecha: 6 de febrero de 2004
2) La actividad en el sector turístico medida por el número de turistas extranjeros.Gráfico 2. ENTRADA DE VISITANTES EN ESPAÑA.
3) Los precios relativos del vestido respecto al calzado.Gráfico 3. PRECIOS RELATIVOS DEL VESTIDO RESPECTO AL CALZADO.
PRECIOS RELATIVOS DEL VESTIDO RESPECTO AL CALZADO
0.950.970.991.011.031.051.071.091.111.131.15
7
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
Fuente: INE Fecha: 15 de enero de 2004
VARIACIONES DIARIAS EN EL TIPO DE CAMBIO EURO / DOLAR
-0.020
-0.010
0.000
0.010
0.020
0.030
0.040
ene-
99
may
-99
sep-
99
ene-
00
may
-00
sep-
00
ene-
01
may
-01
sep-
01
ene-
02
may
-02
sep-
02
ene-
03
may
-03
sep-
03
ene-
04
Fuente: Banco Central Europeo Fecha: 6 de febrero de 2004
4). Variaciones diarias en el tipo de cambio Euro/Dólar.Gráfico 4. VARIACIONES DIARIAS EN EL TIPO DE CAMBIO EURO/DÓLAR.
5). Los tipos de interés europeos a 3 meses y 5 años.Gráfico 5. EURIBOR A 3 MESES Y EURO YIELD 5 AÑOS.
EURIBOR A 3 MESES Y EURO YIELD 5 AÑOS
11.5
22.5
33.5
44.5
55.5
6
1999 2000 2001 2002 2003
Euribor 3 meses (Media mensual)
Euro yield - 5 years maturity - Monthly average - NSAFuente: Banco de España Fecha: 6 de febrero de 2004
Fig. 2.2.
T o ta l U.S . pe rs o na l c o nsum ptio n
0
1000
2000
3000
4000
5000
6000
7000
1947
1954
1961
1968
1975
1982
1989
1996
b illions of 1996 dollarsSource: Departm ent o f C om m erce U S. BE A
Figure 2.5
U S w eek ly u n em p lo ym en t rate (X 2t)
1
3
5
7
9
197 1 197 2 197 4 197 5 197 7 197 9 198 0 198 2 198 3 198 5 198 7 198 8 199 0 199 1 199 3 199 5 199 6 199 8 199 9
Figure 2.10
M onthly Consumer Price Index in US, exc luding food and energy pric es (X7t)
0
40
80
120
160
200
1958
1960
1962
1964
1966
1968
1970
1972
1974
1976
1978
1980
1982
1984
1986
1988
1990
1992
1994
1996
1998
2000
Pe riod: 1958.01 - 2000.01Source: BLS
U.S. Core Inflation (X3t)(monthly)
02468
10121416
1958
1960
1962
1964
1966
1968
1970
1972
1974
1976
1978
1980
1982
1984
1986
1988
1990
1992
1994
1996
1998
2000
Period: 1958.01- 2000.01 Source: BLS * Monthly core inflation has been defined as the rate of growth of a consumer price index obtained by excluding from the global consumer price index the prices corresponding to food and energy. Here we use the year-on-year rate of growth to measure core inflation.
Figure 2.6
Figure 2.14
US Treasury Long-Term Bond Yield and in flation rate
-2
0
2
4
6
8
10
12
14
16
1953
1955
1957
1959
1961
1963
1965
1967
1969
1971
1973
1975
1977
1979
1981
1983
1985
1987
1989
1991
1993
1995
1997
1999
US Treasury Lon g-Term Bo nd Yield (1 ) US Inflatio n Rate (2 )
%
(1)
(2)
a
1953.04-2000.01
1
2
3
4
5
6
7
8
9
1994
1995
1996
1997
1998
1999
2000
(1)
1994. 01-2000.01
Monthly data - Period:1953.04-2000.02 (a) 20 year US Treasury Bonds Yields - 1953.04-1977.01 30 year US Treasury Bonds Yields -1977.02- 2000.01 US Inflation Rate -1953.04 -2000.01 Sources: Federal Reserve Board of Governors -Bureau of Labour Statistics
Figure 2.13
Real Consumers' expenditure on non-durables and se rvices(1) and real personal disposable income(2) in U.K.
(logarithmic transformation-quaterly data)
4.55
4.6
4.65
4.7
4.75
4.8
4.85
4.9
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
Period 1980(I)- 1999(IV)Source: Office for National Statistics UK
(2)
(1)
TASA ANUAL DE INFLACIÓN EN LA EURO ÁREA
0.5
1.5
2.5
3.5
2000 2001 2002 2003 2004 2005 20060.5
1.5
2.5
3.5
95% 80% 60% 40% 20%Intervalos de confianza al:
Media (1995-2004): 1,95%
TASAS DE CRECIMIENTO ANUALES MEDIAS PARA LA PRODUCCIÓN
INDUSTRIAL EN E.E.UU.(1) Tasas de Crecimiento Anuales Medias
2002 2003 2004 2005 2006 2007
Duraderos 6.3 4.0 2.8 2.2 2.6 3.9
No duraderos 0.7 -0.2 1.8 2.2 1.9 1.6
Equipo 0.2 1.2 4.6 4.7 4.8 3.7
Materiales 1.0 0.4 4.2 1.9 4.4 4.9
TOTAL EE.UU. 0.1 0.6 4.1 3.2 4.1 3.9
Fuente: Federal Reserve & IFL Fecha: 19 de enero de 2006
(1) Las cifras en negrilla son predicciones
1.2 IMPORTANCIA DE LA PREDICCIÓN ECONÓMICA
• LA ADMINISTRACIÓN Y GESTIÓN DE EMPRESAS Y LA ECONOMÍA SON CIENCIAS ORIENTADAS A LA TOMA DE DECISIONES.
• LAS DECISIONES VAN A TENER EFECTOS EN UN MUNDO FUTURO Y
• A LA HORA DE TOMAR DECISIONES SE EXPERIMENTA QUE EL FUTURO ES INCIERTO.
• EN CONSECUENCIA, EL AGENTE DECISOR NECESITA FIJAR SU VISIÓN SOBRE EL FUTURO
• DE AQUÍ SURGE LA IDEA Y LA NECESIDAD DE LA PREDICCIÓN ECONÓMICA.
• CONCLUSIÓN: EN ADMINISTRACIÓN Y GESTIÓN DE EMPRESAS Y EN ECONOMÍA.
• PARA TOMAR DECISIONES SE NECESITA PREDECIR EL FUTURO.
LA PREDICCIÓN EN LA EMPRESA
• CUANTO MAYOR ES LA RESPONSABILIDAD DE UN EJECUTIVO EN UNA EMPRESA
MAYORES IMPLICACIONES FUTURAS TIENEN SUS DECISIONES YMAYOR NECESIDAD TIENE DE DISPONER DE BUENAS PREDICCIONES.
• LA COMPETENCIA SE HA DESARROLLADO MUCHO EN LOS ÚLTIMOS LUSTROS Y EL CONTROL DE COSTES ES IMPRESCINDIBLE PARA LA SUPERVIVENCIA.
• EN LA EMPRESA SE NECESITAN PREDICCIONES DEVARIABLES PROPIAS ,SECTORIALES YDEL CONTEXTO ECONOMICO GENERAL.
PREDICCIONES PRECISAS AYUDAN A REDUCIR COSTES EN ÁREAS TALES COMO:- EXISTENCIAS - MANO DE OBRA- COMPRAS - FINANCIACIÓN, ETC- PRODUCCIÓN
PREDICCIONES MACROECONÓMICAS PARA LA EMPRESA
• LOS DIRECTIVOS NO TIENEN CONTROL SOBRE GRAN PARTE DEL CONTEXTO SOCIO-ECONÓMICO EN EL QUE TIENE QUE OPERAR UNA EMPRESA
• LAS PREDICCIONES MACROECONOMICAS PERMITEN A LOS DIRECTIVOS CONOCER Y EVALUAR TALES FACTORES DE FORMA SISTEMÁTICA.
PREDICCIÓN EN LA TOMA DE DECISIONES DE LA EMPRESA
Exposición tomada de J.C. Delrieu, (2003), “ The value of Bussiness Forecasting at a Corporate Level in Non-Finanial
Companies-Consistency, Anticipation and Monitoring”, Bulletin of EMU and US Inflation and Macroeocnomic
Analysis, Universidad Carlos III de Madrid, n. Especial 100, enero de 2003, pag.106 a 116.
LA PREDICCIÓN EN LA EMPRESA SÓLO TIENE SENTIDO SI ESTÁ PLENAMENTE INCORPORADA EN EL PROCESO DE TOMA DE DECISIONES.
LA PREDICCIÓN PUEDE SER MUY EXITOSA EN LA EMPRESA, PERO
SUPONE COSTES IMPORTANTES: PERSONAL, INFRAESTRUCTURA, RECOLECCIÓN DE DATOS.
LA PREDICCIÓN REQUIERE EL APOYO DECIDIDO DE LA ALTA DIRECCIÓN.
LA PREDICCIÓN Y TOMA DE DECISIONES SE INTEGRAN EN LA PLANIFICACIÓN: SIENDO EL PROCESO DE CONFECCIÓN DEL PRESUPUESTO LA TAREA MÁS REPRESENTATIVA.
ESTE PROCESO PRESUPUESTARIO IMPLICA:a) DEFINICIÓN DEL ESCENARIO MACROECONÓMICOb) PARA ENGLOBAR EN ÉL LAS PROYECCIONES DE
VENTAS, PRECIOS Y COSTESc) CON LA FINALIDAD DE PROYECTAR UNAS
ESTIMACIONES DE CASH-FLOW CONSISTENTES Y CREIBLES.
RAZONES PARA LA CREACIÓN DE UN SISTEMA DE PREDICCIÓN EN LA EMPRESA:
a) COMPLEJIDAD CRECIENTE DE LA ECONOMÍA GLOBAL
b) DERIVACIÓN HACIA PROCESOS SISTEMÁTICOS DE TOMA DE DECISIONES
c) DESARROLLO DE LOS MÉTODOS DE PREDICCIÓNY DE APLICACIONES INFORMÁTICAS QUE PERMITE EL USO DE TALES MÉTODOS A LOS NO EXPERTOS.
PROCESO SISTEMÁTICO DE TOMA DE DECISIONES
• EN TANTO EN CUANTO LAS EMPRESAS ADAPTAN UN PROCESO SISTEMÁTICO DE DECISIÓN QUE REQUIERA LA JUSTIFICACIÓN EXPLICITA DE ACCIONES INDIVIDUALES,
LA PREDICCIÓN PUEDE SUSTENTAR TALES DECISIONES, MÁXIME CUANDO A LOS AGENTES DECISORES CADA VEZ LES RESULTA MÁS DIFÍCIL PONDERAR TODAS LOS FACTORES DETERMINANTES
ENCUESTAS RECIENTES:
1. LA MAYORÍA DE LAS EMPRESAS RECONOCEN LA NECESIDAD DE LA PREDICCIÓN.
2. SÓLO EN EL 46% DE LAS EMPRESAS LA ALTA DIRECCIÓN APOYA LA PREDICCIÓN
3. EN LAS INDUSTRIAS PETROLERAS ESE APOYO ESTÁ EN 100%
4. LAS EMPRESAS DE GAS Y ELECTRICIDAD SON LAS QUE USAN PROCEDIMIENTOS ECONOMÉTRICOS MÁS SOFISTICADOS
5. LAS EMPRESAS DE TRANSPORTE, GAS, ELECTRICIDAD Y PETRÓLEO SON LAS QUE TIENEN MAYOR PLANTILLA DE ESPECIALISTAS EN PREDICCIÓN ECONOMÉTRICA.
ÁREAS DE LA EMPRESA EN LA QUE SE NECESITA LA PREDICCIÓN
GESTIÓN DE NEGOCIO (VENTAS/PRESUPUESTOS)
• DESARROLLO (M & A)
• ESTRATEGIA
PREDICCIÓN DE VENTAS
GENERA RESULTADOS PARA:
• PLANIFICACIÓN DE LA PRODUCCIÓN• GESTIÓN DE INVENTARIOS• COMPRAS• ASIGNACIÓN DE RECURSOS • PRESUPUESTACIÓN DE CAPITAL
DIFERENTES NECESIDADES PREDICTIVAS EN LAS EMPRESAS.
EL EJEMPLO DEL CONSUMO DE ENERGÍA ELÉCTRICA PARA UNA
COMPAÑÍA ELECTRICA
HORIZONTE EN LA PREDICCIÓN DE VENTAS: CONSUMO DE ENERGÍA ELÉCTRICA
• MUY CORTO PLAZO: HORARIO Y DIARIO
• CORTO PLAZO: SEMANA
• MEDIO PLAZO: TRIMESTRE, AÑO
• LARGO PLAZO: LUSTROS
Hourly load - Jul - Sep 2006
18.000
23.000
28.000
33.000
38.000
Jul Aug Sep
MWh
Summer vacation period
17th to 23th July
18.000
23.000
28.000
33.000
38.000
Mon Tue Wed Thu Fri Sat Sun
MWh
17th to 23th July
11th to 17th
September
18.000
23.000
28.000
33.000
38.000
Mon Tue Wed Thu Fri Sat Sun
MWh
17th to 23th July
11th to 17th
September
14th to 20th
August
18.000
23.000
28.000
33.000
38.000
Mon Tue Wed Thu Fri Sat Sun
MWh
As the Transmission System Operator (TSO) for the Spanish system, needs
accurate forecasts of electricity consumption for horizons from one hour to one week
for all its security analyses executed in processes such as
- outages planning,
- real-time operation,
- congestion management, etc.
[email protected]; espasa@est‐econ.uc3m.es; [email protected]
Red Eléctrica de España (REE)
There are four principal moments for hourly forecast:
(A) By the middle of the week, usually Wednesday,
an hourly forecast is produced for the seven-day period beginning on the following Saturday.
This forecast is calculated by the Operation Planning Department because it is a critical input for the “network outage planning” process.
[email protected]; espasa@est‐econ.uc3m.es; [email protected]
20.000
25.000
30.000
35.000
40.000
45.000
Mon Tue Wed Thu Fri Sat Sun
MWh
20.000
25.000
30.000
35.000
40.000
45.000
Mon Tue Wed Thu Fri Sat Sun
MWh
Using an hourly model to estimate consumption during the 24 hours of the next day and
a daily model,
is employed to generate daily consumption forecasts for the other days.
The latter are interpolated hourly using the corresponding forecasts from the hourly model.
[email protected]; espasa@est‐econ.uc3m.es; [email protected]
19º … 15ºC
15º …15ºC
10º … 15ºC
0
2
4
6
8
10
12
d-5 d-4 d-3 d-2 d-1 d
%
These forecasts are estimated
PREDICCIÓN DEL CONSUMO DE ENERGÍA ELÉCTRICA A NIVEL DIARIO Y HORARIO
SE REQUIEREN PREDICCIONES DIARIAS (Y HORARIAS) PARA LOS PRÓXIMOS DÍAS.
• ACTUALIZACIÓN DE LA CURVA DE CARGA AL PRINCIPIO DEL DÍA.
• ACTUALIZACIONES A LO LARGO DEL DÍA DE LAS PUNTAS Y VALLES EN LAS CURVA DE CARGA
The Control Centre Operator forecasts the remaining 3 hours, thus completing the hourly demand for that day. This information is used to forecast hourly consumption for the next day,
which is used as a reference for the day’s initial programme.
[email protected]; espasa@est‐econ.uc3m.es; [email protected]
(B) Every day of the year, just before 10 p.m.
The Control Centre Operator uses actual hourly demand data up to the last full hour and the maximum and minimum daily temperatures up to the previous day to forecast the rest of the day.
These results complete the hourly demand data for that day and the usual hourly models are used to forecast the following 7 days.
[email protected]; espasa@est‐econ.uc3m.es; [email protected]
(C) Every day of the year, just before 7 a.m.,
Is published through the System Operator Information System (SIOS) for authorised market participants operating on the daily energy markets. This 7‐day
forecast
[email protected]; espasa@est‐econ.uc3m.es; [email protected]
For its daily analysis of the technical restrictions applicable to the following day’s generation programme.
Their interest basically lies in the peak and trough consumption forecasts and the trends expected for the next few days, in order to make the best decisions from an economic and technical perspective.
[email protected]; espasa@est‐econ.uc3m.es; [email protected]
19º … 15ºC
15º …15ºC
10º … 15ºC
0
2
4
6
8
10
12
d-5 d-4 d-3 d-2 d-1 d
%
This hourly forecast is also used by the Ancillary Services Market Department
Whenever a significant deviation is observed between reality and the current forecast.
This usually occurs when a sudden change in temperature was forecast for today, because in those cases the hour of the temperature change is not forecast with sufficient precision.
[email protected]; espasa@est‐econ.uc3m.es; [email protected]
19º … 15ºC
15º …15ºC
10º … 15ºC
0
2
4
6
8
10
12
d-5 d-4 d-3 d-2 d-1 d
%
(D) Forecasts of the remaining hours of the day are estimated at any time
[email protected]; espasa@est‐econ.uc3m.es; [email protected]
In the Control Centre and published through the REE Web site,
and its operators decide when a new forecast for the rest of the day is required.
Regardless of these adjustments, 2 hours before each of the 6 intradaily markets open, an hourly forecast is estimated and sent to the Market Operator for his information.
[email protected]; espasa@est‐econ.uc3m.es; [email protected]
The forecast load curves are permanently displayed
one of the three best TSOsproducing accurate day-ahead peak hour forecasts,
as it shows the results of an international benchmarking process in which this company participates with another 23 operators.
[email protected]; espasa@est‐econ.uc3m.es; [email protected]
REE’s experience with this forecasting procedure has been very satisfactory and
MODELOS DE PREDICCIÓN DE ENERGÍA ELÉCTRICA DIARIOS Y HORARIOS
DEBEN CAPTARa. TENDENCIA (EN FUNCIÓN DEL PASADO)b. ESTACIONALIDAD (EN FUNCIÓN DEL PASADO)
SEMANALANUAL
c. EFECTOS DE CALENDARIOFIESTAS INTERSEMANALESPERÍODOS VACACIONALES
d. EFECTOS DE VARIABLES METEOROLÓGICASe. EFECTOS DE CAMBIO DE HÁBITOS
GENERALIZACIÓN DE USO DE APARATOS DE AIRE ACONDICIONADO
EL EFECTO DE FIESTAS INTERSEMANALES
DEPENDE
• SU TIPOLOGÍA (NORMAL O ESPECIAL)• DÍA DE LA SEMANA• PERÍODO DEL MES• ÉPOCA DEL AÑO• TEMPERATURA ANTERIOR Y PREVISTA• PORCENTAJE DE LA POBLACIÓN AFECTADA
EFECTOS DE LA TEMPERATURA
• TEMPERATURAS CONFORTABLES SIN EFECTOS
• TEMPERATURAS FRÍAEFECTOS DIFERENCIADOS
CALIENTES
EFECTOS DE LAS TEMPERATURAS
TANTO PARA TEMPERATURAS FRÍAS COMO CALIENTES SE CUMPLE QUE:
• ES NO LINEALEL CAMBIO EN UN GRADO NO TIENE EL MISMO
EFECTO• ES DINÁMICO• CAMBIA SEGÚN LA ÉPOCA DEL AÑO• ES DIFERENTE SEGÚN EL TIPO DE DÍA
MODELOS DE PREDICCIÓN DIARIALOS MODELOS RESULTANTES SON
EXTRAORDINARIAMENTE COMPLEJOS.
PUEDEN TENER UNAS 200 VARIABLES EXPLICATIVAS
REQUIERE DE AL MENOS 4 AÑOS DE DATOS DIARIOS PARA UNA ESTIMACIÓN INICIAL.
PARA UNA ESTIMACIÓN PRECISA ES RECOMENDABLE EL USO DE UNOS 10 AÑOS DE DATOS DIARIOS.
DAN PREDICCIONES MUY AJUSTADAS
MODELOS DE PREDICCIÓN HORARIA
• LA DEPENDENCIA CON EL PASADO NO ES HOMOGÉNEA• SE NECESITAN 24 MODELOS DIARIOS; UNO PARA CADA HORA
DEL DÍA.• ALTERNATIVAMENTE SE PUEDEN PREDECIR SOLAMENTE LOS
VALLES Y PUNTAS DIARIAS.• ES IMPORTANTE CONSTRUIR UN BANCO HISTÓRICO DE
DATOS REFERENTES A PROGRAMACIONES TELEVISIVAS CON SUS CORRESPONDIENTES AUDIENCIAS– DESCATANDO PROGRAMAS DE IMPACTO ESPECIAL.
EL PREDICTOR EN LA EMPRESA DEBE SER CONSCIENTE DE QUE:
a) ADEMÁS DE PREDECIR LAS VARIABLES EN SITUACIONES DE BUEN COMPORTAMIENTO
a) ES MUY IMPORTANTE PREDECIR SITUACIONES MÁS EXTRAÑAS O CAMBIANTES.
LA CASUALIAD DETALLADA Y NO LINEAL DE LOS MODELOS ANTERIORES PERMITEN CAPTAR SITUACIONES COMO
“ EL CONSUMO EN UN DÍA DE MÁXIMA ACTIVIDAD SEMANAL, CON TEMPERATURAS EXTREMAS, EN UN PERÍODO DE FUERTES TEMPERATURAS BAJAS EN DÍAS ANTERIORES Y EN UNA POSICIÓN CÍCLICA CON UNA FUERTE TENDENCIA AL ALZA EN EL CONSUMO DE ENERGÍA ELÉCTRICA”.
ESTOS MODELOS HAN PREDICHO MÁXIMOS HISTÓRICOS Y MÍNIMOS REGISTRADOS EN HUELGAS GENERALES, INCLUÍDA LA PRIMERA DE DICIEMBRE DE 1988”
PREDICCIONES TRIMESTRALES Y ANUALES
• LO IMPORTANTE NO SON LAS FUERTES OSCILACIONES EN EL CORTO PLAZO, SINO
• LA TENDENCIA
LA TENDENCIA EN EL CONSUMO TRIMESTRAL Y ANUAL
• ES DIFERENTE SEGÚN EL TIPO DE DEMANDA:
– DOMÉSTICA– GRANDES INDUSTRIAS– OTRAS INDUSTRIAS– SERVICIOS– SECTOR PÚBLICO.
• DEBE RECOGERSE INFORMACIÓN ESPECÍFICA Y REALIZAR MODELOS PARA CADA SECTOR.
MODELOS ECONOMÉTRICOS TRIMESTRALES Y ANUALES
LA TENDENCIA DEBE CAPTAR LAS PECULIARIDADES A LAS QUE ESTÁN SOMETIDOS LOS SECTORES ANTERIORES.
LAS VARIABLES EXPLICATIVAS DEBEN ESTAR RELACIONADAS CON LAS PRODUCCIÓN Y LA PRODUCTIVIDAD DEL SECTOR Y CON PRECIOS RELATIVOS.
EN LA DEMANDA DOMÉSTICA ES IMPORTANTE LA RENTA DISPONIBLE, STOCK DE ELECTRODOMÉSTICOS, ETC.
SE REQUIEREN BUENAS PREDICCIONES DE LAS VARIABLES MACROECONÓMICAS ANTERIORES.
EFECTOS DE LOS CAMBIOS DE COMPORTAMIENTO NO OBSERVADOS
ANTERIORMENTE
• IMPACTO DE UN PARQUE MAYOR DE APARATOS DE AIRE ACONDICIONADO
• IMPACTO DE UN CAMBIO EN EL SISTEMA DE PRODUCCIÓN
• SE PUEDEN ESTIMAR ESTUDIANDO SUS EFECTOS EN PAÍSES QUE YA HAN EXPERIMENTADO ESOS CAMBIOS.
CARACTERÍSTICAS DE LAS PREDICCIONES
• EN UN MUNDO INCIERTO EL FUTURO NO SE PUEDE PREDECIR SISTEMÁTICAMENTE SIN ERROR.
• LA VARIABLE A PREDECIR ES UNA VARIABLE ALEATORIA EN CONSECUENCIA LA PREDICCION DEBE INCLUIR:
1) UN VALOR PUNTUAL (la esperanza matemática condicional) y
2) INTERVALOS DE CONFIANZA, que reflejen la incertidumbre.
IDEALMENTE SE DEBE DAR LA FUNCIÓN DE DENSIDAD DE LA PREDICCIÓN.
2009 2010 2011
PIB pm.1 4.0 3.6 0.9 -3.6 -0.3 1.1
Demanda
Gasto en consumo final de los hogares 3.8 3.6 -0.6 -5.1 -0.6 1.0
Gasto en consumo final AA.PP. 4.6 5.5 5.5 5.2 4.5 4.8
Formación bruta de capital fijo 7.2 4.6 -4.4 -15.3 -3.9 0.5
Equipo 9.9 9.0 -1.8 -24.5 1.3 5.4
Construcción 6.0 3.2 -5.5 -11.1 -5.6 -1.2
Otros productos 7.5 3.6 -4.3 -16.9 -7.7 -0.7
Contribución Demanda Doméstica* 5.3 4.4 -0.7 -6.4 -0.6 1.7
Exportación de Bienes y Servicios 6.7 6.6 -1.0 -12.4 4.9 4.5
Importación de Bienes y Servicios 10.2 8.0 -4.9 -18.6 2.9 5.6
Contribución Demanda Externa* -1.4 -0.9 1.4 2.7 0.3 -0.6
Oferta VAB
Agricultura 5.8 1.8 -0.8 -0.6 -1.5 -1.8
Energía 1.3 0.9 1.9 -7.5 -0.1 0.5
Industria 1.9 0.9 -2.1 -15.0 -2.1 -0.2
Construcción 4.7 2.3 -1.3 -6.0 -1.7 1.7
Servicios de mercado 4.6 5.1 1.6 -2.0 -0.2 0.9
Servicios de no mercado 4.0 4.8 4.4 2.9 2.6 2.6
Total 4.1 3.9 1.1 -3.7 -0.3 1.0
Impuestos 3.7 1.0 -1.0 -2.2 -0.1 1.2
Precios IPC2
Media anual 3.5 2.8 4.1 -0.3 2.1 2.3
dic / dic 2.7 4.2 1.4 0.8 2.6 2.0
Mercado de trabajo3
Población activa (% de variación) 3.3 2.8 3.0 0.9 0.2 0.3
Empleo EPA (% de variación media) 4.1 3.1 -0.5 -6.7 -2.2 -0.6
Tasa de paro (% de población activa) 8.5 8.3 11.3 18.0 19.9 20.7
Otros equilibrios básicos1
Sector exterior
Saldo balanza cta. Cte. (m€) -88872 -105441 -103917 -52680 -50322 -46776
AA.PP. total
Índice de producción industrial (excluyendo construcción)4
3.7 2.4 -7.1 -16.4 1.0 2.2
2008
Capacidad (+) necesidad (-) de financiación (% PIB)**
-8.4
Total
PRINCIPALES VARIABLES E INDICADORESTasas anuales de crecimiento
-9.1 -4.8
Capacidad (+) necesidad (-) de financiación (% PIB)**
-4.1
2006 2007
-9.6
2.0 1.9 9.5
-5.0
Predicciones
11.4
-4.2
9.0
Fuente: INE & IFL(UC3M)Fecha: 27 de enero de 2010
-6
-4
-2
0
2
4
6
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
PRODUCTO INTERIOR BRUTO EN ESPAÑATasas anuales de crecimiento
80% 60% 40% 20% PIB
Fuente: INE & IFL(UC3M)Fecha: 27 de enero de 2010
Fuente: INE & IFL(UC3M)Fecha: 27 de enero de 2010
-3.0-2.0-1.00.01.02.03.04.05.06.0
2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
INFLACIÓN EN ESPAÑATasas anuales de crecimiento
80% 60% 40% 20%Intervalos de Confianza:Inflación media (1996-2007): 3.0%
EL GRADO DE PRECISIÓN QUE SE PUEDE LOGRAR EN LA PREDICCIÓN VARÍA ENORMEMENTE Y DEPENDE
DE:
– EL TIPO DE VARIABLE,– LA ANTELACIÓN CON LA QUE SE ESTÉ
PREDICIENDO EL FUTURO,– DEL MÉTODO DE PREDICCIÓN
EMPLEADO.
LA PRECISIÓN DE UN MÉTODO DE PREDICCIÓN DEPENDE ENTRE
OTRAS COSAS DE:
–DEL MODELO EMPLEADO.–DE LOS DATOS DISPONIBLES Y
UTILIZADOS.–DE LOS SUPUESTOS REALIZADOS.
CONCLUSICONCLUSIÓÓNN• LA PREDICCIÓN ECONÓMICA ES
IMPORTANTE, IMPRESCINDIBLE.• REALIZAR PREDICCIONES NO ES FÁCIL.
– LA DIFICULTAD EN LA PREDICCIÓN DEPENDE DEL PROBLEMA DE PREDICCIÓN PLANTEADO.
• DIFERENTES MÉTODOS DE PREDICCIÓN PUEDEN DAR NIVELES DE PRECISIÓN MUY DISTINTOS EN LA PREDICCIÓN.
• ES MUY RELEVANTE EL ESTUDIO DE LOS MÉTODOS DE PREDICCIÓN Y SUS PROPIEDADES.
• EL PROBLEMA QUE SE PLANTEA EN LA EMPRESA–NO ES SI HAY O NO QUE UTILIZAR
PREDICCIONES–SINO QUÉ MÉTODO DE
PREDICCIÓN HAY QUE EMPLEAR.
PREDICCIÓN DE UNA SERIE TEMPORAL
• DATOS DE SERIES TEMPORALES.– EL ENTORNO EN EL QUE SE GENERAN LOS
FENÓMENOS ECONÓMICOS CAMBIA CON EL TIEMPO.
– EN CONSECUENCIA ES NECESARIO UNA MEDICIÓN SECUENCIAL.
– EN ESTA MEDICIÓN SECUENCIAL LA ORDENACIÓN TEMPORAL ES BÁSICA Y ESO GENERA UNA SERIE TEMPORAL.
SERIE TEMPORAL
– ES UNA SECUENCIA DE VALORES CORRESPONDIENTES A UN FENÓMENO ECONÓMICO, RECOGIDOS Y ORDENADOS A LO LARGO DEL TIEMPO.
– NORMALMENTE LOS DATOS SE RECOGEN A INTERVALOS EQUIDISTANTES DE TIEMPO.
– EL INTERVALO EN UNA SERIE TEMPORAL SE FIJA DEPENDIENDO DE:
• LA NATURALEZA DEL PROBLEMA.• EL COSTE DE RECOGER LOS DATOS.
EL PROBLEMA DE PREDICCIEL PROBLEMA DE PREDICCIÓÓN EN N EN SERIES TEMPORALESSERIES TEMPORALES
GRÁFICOS DE SERIES TEMPORALES• Xt. DENOTA EL VALOR DE UNA SERIE TEMPORAL EN EL
MOMENTO T.• EN UNA SERIE TEMPORAL SE TIENEN LOS SIGUIENTES
VALORES• X1 X2 ……………… ......................Xn
↓ ↓
• VALOR EN EL MOMENTO INICIAL
• VALOR EN EL MOMENTO FINAL ACTUALMENTE DISPONIBLE (ÚLTIMA OBSERVACIÓN DISPONIBLE)
• EJEMPLO: LA TASA DE PARO TRIMESTRAL DE LOS JÓVENES MENORES DE 25 AÑOS EN LA ECONOMÍA ESPAÑOLA.
OBJETIVO EN LA PREDICCIOBJETIVO EN LA PREDICCIÓÓNN• REALIZAR FORMULACIONES SOBRE EL VALOR QUE LA SERIE TEMPORAL
TOMARÁ EN UN DETERMINADO MOMENTO FUTURO: n+h.– h: HORIZONTE DE LA PREDICCIÓN O ANTELACIÓN CON LA QUE SE
REALIZA LA PREDICCIÓN.– Xn: TASA DE PARO JUVENIL EN EL CUARTO TRIMESTRE 2007.– Xn+1: VALOR (FUTURO) DE LA TASA DE PARO EN EL 1ER.
TRIMESTRE DE 2008.∧
– Xn+1: PREDICCIÓN PUNTUAL DE Xn+1• h=1 ES UNA PREDICCIÓN CON UN PERÍODO DE ANTELACIÓN.∧
– Xn+4: PREDICCIÓN PUNTUAL DE Xn+4 (4º TRIMESTRE DE 2008)• h=4 ES UNA PREDICCIÓN CON 4 PERÍODOS DE ANTELACIÓN.∧
– Xn+16: PREDICCIÓN PUNTUAL DE Xn+16 (4º TRIMESTRE DE 2011)• h= 16 ES UNA PREDICCIÓN CON 16 PERÍODOS DE ANTELACIÓN.
• PARA ENTENDER EL TIPO DE FORMULACIONES QUE SE PUEDEN HACER EN LA PREDICCIÓN
• ES NECESARIO PRECISAR LA NATURALEZA DE LOS FENÓMENOS ECONÓMICOS
LOS FENLOS FENÓÓMENOS ECONMENOS ECONÓÓMICOS COMO MICOS COMO SECUENCIAS DE VARIABLES ALEATORIASSECUENCIAS DE VARIABLES ALEATORIAS
• EJEMPLO:– LOS FACTORES QUE CAUSAN LA INFLACIÓN
SON MÚLTIPLES Y ANTES DE OBSERVAR LA INFLACIÓN DE ENERO DE 2010 EXISTE INCERTIDUMBRE SOBRE EL VALOR QUE SE OBSERVARÁ.
– EN CONSECUENCIA LA VARIABLE ECONOMICA, INFLACION EN ENERO DE 2010, PUEDE VERSE COMO UNA VARIABLE ALEATORIA.
CONCLUSIÓN:
– (1) LA INFLACIÓN EN UN MES CONCRETO PUEDE CONSIDERARSE UNA VARIABLE ALEATORIA.
– (2) EL FENÓMENO DE LA INFLACIÓN MENSUAL EN LA ECONOMÍA ESPAÑOLA PUEDE REPRESENTARSE MEDIANTE UNA SECUENCIA DE VARIABLES ALEATORIAS:
• [A] …. X(1) X(2) … X(t) … X (n-1) X (n) …
– UNA SECUENCIA DE OBSERVACIONES MENSUALES DE LA INFLACIÓN CONSTITUYE UNA SERIE TEMPORAL:
• [B] X1 X2 Xt Xn-1 Xn– [A] VARIABLES ALEATORIAS– [B] REALIZACIONES DE ESAS VARIABLES ALEATORIAS.– NOTA: SE USARÁ Xt EN AMBOS CASOS.
MARCO ESTADMARCO ESTADÍÍSTICO EN LA PREDICCISTICO EN LA PREDICCIÓÓN DE N DE SERIES TEMPORALESSERIES TEMPORALES
Xn+h ES UNA VARIABLE ALEATORIA.
[X1 … X2 … Xn ….Xn+h] ES UN VECTOR DE VARIABLES ALEATORIAS EN EL QUE ESTÁENGLOBADA LA VARIABLE Xn+h. SOBRE ESTE VECTOR EXISTE UNA FUNCIÓN DE DISTRIBUCIÓN CONJUNTA.
PARA LA PREDICCIÓN DE Xn+h LO QUE IMPORTA ES LA DISTRIBUCIÓN DE Xn+hCONDICIONAL A LOS VALORES OBSERVADOS PARA Xn,Xn-1,Xn-2, …
EL EJERCICIO DE PREDICCIÓN
– CONSISTE EN REALIZAR AFIRMACIONES DEL TIPO• PROB (B < Xn+h ≤ A) = 0.95 Ó• PROB (C < Xn+h ≤ B) = 0.80.
– TALES AFIRMACIONES RECOGEN INTERVALOS DE PREDICCIÓN (VÉASE GRÁFICO) E IMPLICAN QUE SI SE REPITE ESTE EJERCICIO MUCHAS VECES SE ESPERA QUE EL 5% DE LAS VECES LA AFIRMACIÓN (1) SEA FALSA Y EL 20% DE LAS VECES LO SEA LA AFIRMACIÓN (2).
-6
-4
-2
0
2
4
6
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
PRODUCTO INTERIOR BRUTO EN ESPAÑATasas anuales de crecimiento
80% 60% 40% 20% PIB
Fuente: INE & IFL(UC3M)Fecha: 27 de enero de 2010
Fuente: INE & IFL(UC3M)Fecha: 27 de enero de 2010
-3.0-2.0-1.00.01.02.03.04.05.06.0
2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
INFLACIÓN EN ESPAÑATasas anuales de crecimiento
80% 60% 40% 20%Intervalos de Confianza:Inflación media (1996-2007): 3.0%
PREDICCIONES PUNTUALESPREDICCIONES PUNTUALES
• EN OCASIONES LOS ANALISTAS DAN COMO PREDICCIÓN DE Xn+hSOLAMENTE SU MEDIA CONDICIONAL –REPRESENTADA COMO n+h- Y A ELLO SE LE DENOMINA PREDICCIÓN PUNTUAL.
• SI Xn+h ES UNA VARIABLE ALEATORIA CONTINUA, LA PROBABILIDAD DE QUE Xn+h TOMA EXACTAMENTE EL VALOR n+h ES CERO.
• CONCLUSIÓN: PARA VARIABLES CONTINUAS COMO EL PARO JUVENIL LAS PREDICCIONES PUNTUALES SON ÚTILES SOLAMENTE SI EXISTE UN INTERVALO RAZONABLE ALREDEDOR DE n+h PARA EL QUE LA PROBABILIDAD DE QUE EL VALOR QUE SE OBSERVE PARA Xn+h CAIGA EN ÉL ES ALTA.
• EN CASO CONTRARIO: LA PREDICCIÓN PUNTUAL PUEDE SER CONFUSA Y EN OCASIONES PUEDE CONSTITUIR UN FRAUDE.
X̂
X̂
X̂
SENDAS DE PREDICCIONESSENDAS DE PREDICCIONES• UNA SECUENCIA DE PREDICCIONES (PUNTUALES O POR
INTERVALOS)hnnn XXX +++
ˆ...ˆˆ21
SE DENOMINA UNA SENDA DE PREDICCIONES.
LA SENDA [S] SE DIFERENCIA DE LA PREDICCIÓN PUNTUAL n+h EN QUE EN EL CASO DE LA SENDA NO SÓLO IMPORTA LA REALIZACIÓN PARA Xn+h SINO CÓMO SE LLEGA A ELLA.
• EJEMPLO: PREDICCIÓN DEL PRECIO DEL CRUDO DE PETRÓLEO EN DICIEMBRE DEL AÑO 2011.– SI Xn SE REFIERE A FEBRERO DE 2010.
2221ˆ...ˆˆ
+++ nnn XXX
– CON DATOS MENSUALES NORMALMENTE INTERESA UNA SENDA QUE PREDIGA, AL MENOS, LOS VALORES DEL AÑO EN CURSO Y SIGUIENTE.
, ES LA PREDICCIÓN PUNTUAL, POR EJEMPLO 83 DÓLARES.
, ES LA SENDA DE PREDICCIONES QUE SERÁ MUY RELEVANTE YA QUE NO ES LO MISMO OBSERVAR Xn+22 = 83 CON UNA SENDA HOMOGÉNEA DE SUAVE CRECIMIENTO HASTA LOS 83 DÓLARES, O BASTANTE POR DEBAJO AL PRINCIPIO Y UNA SUBLIDA BRUSCA AL FINAL.
22ˆ
+nX
X̂
-6
-4
-2
0
2
4
6
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
PRODUCTO INTERIOR BRUTO EN ESPAÑATasas anuales de crecimiento
80% 60% 40% 20% PIB
Fuente: INE & IFL(UC3M)Fecha: 27 de enero de 2010
TIPOS DE PREDICCITIPOS DE PREDICCIÓÓN DE ACUERDO CON EL N DE ACUERDO CON EL HORIZONTEHORIZONTE
• CORTO PLAZO (CP)–HORIZONTE CORTO. EL FUTURO MÁS CERCANO.
• LARGO PLAZO (LP)–HORIZONTE LARGO. EL FUTURO MUY DISTANTE.
• MEDIO PLAZO (MP)–LOS CASOS INTERMEDIOS.
NO EXISTE UNA DEFINICIÓN PRECISA DE CP, LP Y MP. DEPENDE DE:
- LA VARIABLE QUE SE PREDICE.- DEL TIPO DE DATOS DISPONIBLES.
• EJEMPLOS– PREDICCIÓN DEL VALOR DE UNA ACCIÓN EN
UNA SERIE TEMPORAL CON INTERVALO DE 10 MINUTOS.• CP: HORAS• LP: MESES
– PREDICCIÓN TRIMESTRAL DEL PIB• CP: TRIMESTRES• LP: MÁS DE 3 AÑOS.
HORIZONTE Y PRECISIHORIZONTE Y PRECISIÓÓN EN LA N EN LA PREDICCIPREDICCIÓÓNN
• CUANTO MAYOR ES EL HORIZONTE MENOR ES LA PRECISIÓN.
• PRECISIÓN: PUEDE MEDIRSE POR LA AMPLITUD DEL INTERVALO PARA UN NIVEL DE PROBABILIDAD DESEADO.
• LA PREDICCIÓN DE Xn+h IMPLICA UTILIZAR FUNCIONES DE DISTRIBUCIÓN CONDICIONALES DE Xn+h RESPECTO A Xn, Xn-1, Xn-2, …
• SI h CAMBIA DE VALOR CAMBIAN LAS FUNCIONES CONDICIONALES DE MODO QUE
• SI h VA AUMENTANDO, LA DESVIACIÓN ESTÁNDAR DE TALES DISTRIBUCIONES, EN GENERAL, AUMENTA (AL MENOS NO DISMINUYE) Y EN CONSECUENCIA LOS INTERVALOS DE CONFIANZA QUE SE DERIVAN DE ELLAS.
Fuente: INE & IFL(UC3M)Fecha: 27 de enero de 2010
-3.0-2.0-1.00.01.02.03.04.05.06.0
2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
INFLACIÓN EN ESPAÑATasas anuales de crecimiento
80% 60% 40% 20%Intervalos de Confianza:Inflación media (1996-2007): 3.0%
¿¿CCÓÓMO APRENDER A PREDECIR?MO APRENDER A PREDECIR?
– ESTANDO INTERESADO EN CUESTIONES DE PREDICCIÓN.– REALIZANDO PREDICCIONES.
• MEDIDAS PARA PROMOVER EL INTERÉS EN LA PREDICCIÓN.– CADA CLASE COMENZARÁ CON COMENTARIOS DE DOS MINUTOS
POR PARTE DE LOS ALUMNOS SOBRE UNA NOTICIA RECIENTE EN LA QUE EXISTA UN PROBLEMA DE PREDICCIÓN.
• EL COMENTARIO DEBE CONTENER:– LA EVOLUCIÓN RECIENTE DE LA MAGNITUD ECONÓMICA
QUE SE RECOGE EN LA NOTICIA.– EL INTERÉS EN PREDECIR TAL MAGNITUD.– LA INFORMACIÓN RELEVANTE PARA REALIZAR LA
PREDICCIÓN.– LOS SUPUESTOS UTILIZADOS EN LA PREDICCIÓN– EL TIPO DE PREDICCIÓN QUE SE REALIZA– EL MÉTODO DE PREDICCIÓN EMPLEADO.– LA PREDICCIÓN REALIZADA E IMPLICACIONES DE LA MISMA.
¿¿CCÓÓMO APRENDER A PREDECIR? (II)MO APRENDER A PREDECIR? (II)• MEDIDAS PARA PROMOVER EL INTERÉS EN LA PREDICCIÓN
(II)
– SEGUIR (SEMANALMENTE) LAS PREDICCIONES DE CONSENSO SOBRE LAS PRINCIPALES VARIABLES DE LAS ECONOMÍAS MÁS DESARROLLADAS.
• REALIZAR UN SEGUIMIENTO SEMANAL A TRAVÉS DE FINANCIAL TIMES, NEW YORK TIMES, WALL STREET JOURNAL, ETC. A NIVEL LOCAL A TRAVÉS DE EXPANSIÓN, CINCO DÍAS, NEGOCIOS, ETC.
• SEGUIMIENTO MENSUAL A TRAVÉS DE REVISTAS ESPECIALIZADAS COMO CONSENSUS FORECASTS.
• TAMBIÉN A TRAVÉS DE PUBLICACIONES DE INSTITUCIONES CON PRESTIGIO COMO MERRY LINCH. A NIVEL LOCAL PUBLICACIONES DE LA ASOCIACIÓN DE LA BANCA, BBV, ETC.
• EN LA BIBLIOTECA SE PUEDEN SEGUIR LAS PUBLICACIONES BOLETÍN INFLACIÓN Y ANÁLISIS MACROECONÓMICO Y PREDICCIÓN Y DIAGNÓSTICO DEL INSTITUTO FLORES DE LEMUS DE LA UNIVERSIDAD CARLOS III.
¿¿CCÓÓMO APRENDER A PREDECIR? (III)MO APRENDER A PREDECIR? (III)
• MEDIDAS PARA PROMOVER EL INTERÉS EN LA PREDICCIÓN (III)
– BUSCAR EN INTERNET CUALQUIER COSA QUE LE PUEDA INTERESAR A UNO EN PREDICCIÓN.
• UNA BUENA REFERENCIA ES LA PÁGINA RESOURCES FOR ECONOMISTS:http://ecowpa.wustl.edu/EconFAQ/EconFAQ. html
CONJUNTOS INFORMATIVOS Y CONJUNTOS INFORMATIVOS Y FUNCIONES DE PFUNCIONES DE PÉÉRDIDARDIDA
• LAS PREDICCIONES SE REALIZAN PARA APOYAR LA TOMA DE DECISIONES.
• LA PRECISIÓN DE UNA PREDICCIÓN DEPENDE DE:– EL PROBLEMA CONSIDERADO:
- EL TIPO DE FENÓMENO QUE SE TIENE QUE PREDECIR.
- EL HORIZONTE AL QUE SE PREDICE.– EL PROCEDIMIENTO DE PREDICCIÓN:
- LOS DATOS DISPONIBLES.- EL MODELO UTILIZADO.- LOS SUPUESTOS EMPLEADOS.
• TAREA DEL ANALISTA.– [A] EN GENERAL VIENE DADO Y LA LABOR DEL
ANALISTA CONSISTE EN PRODUCIR BUENAS PREDICCIONES DECIDIENDO SOBRE LOS ELEMENTOS EN [B].
• PROBLEMA– LA RECOGIDA DE INFORMACIÓN ES COSTOSA.– LA INFORMACIÓN UTILIZADA DEPENDERÁ DE SU
COSTE Y DE LAS PÉRDIDAS EN QUE SE INCURRE POR PREDECIR CON MENOS INFORMACIÓN.
• CONCLUSIÓN: ES NECESARIO CONSIDERAR:– CONJUNTOS DE INFORMACIÓN.– FUNCIONES DE PÉRDIDA EN LA PREDICCIÓN.
CONJUNTOS DE INFORMACICONJUNTOS DE INFORMACIÓÓNN• UNIVARIANTES.
– INCLUYE EL PASADO Y PRESENTE DE LA SERIE QUE SE VA A PREDECIR.In: Xn-j, j ≥ 0
• MULTIVARIANTES.– INCLUYE:
• EL PASADO Y PRESENTE DE LA SERIE QUE SE VA A PREDECIR Y
• EL PASADO Y PRESENTE DE OTRAS SERIES RELEVANTES.In: Xn-j, Zn-j, Wn-j, …, j ≥ 0
• EJEMPLO: PREDICCIÓN DE VENTAS DE COCHES DE LA COMPAÑÍA X.– I: UNIVARIANTE:
• VENTAS PASADAS Y PRESENTES.– II: MULTIVARIANTE:
• ADEMÁS, RENTA NACIONAL, TIPOS DE INTERÉS, PRECIOS RELATIVOS, ETC.
CONSIDERACIONES SOBRE LOS CONJUNTOS CONSIDERACIONES SOBRE LOS CONJUNTOS DE INFORMACIDE INFORMACIÓÓNN
– CUANTO MAYOR SEA LA AMPLITUD DEL CONJUNTO DE INFORMACIÓN MAYOR SERÁ, EN GENERAL, LA PRECISIÓN DE LA PREDICCIÓN. AL MENOS NO SERÁ PEOR.
– UNA VEZ QUE EL CONJUNTO DE INFORMACIÓN INCLUYE LAS VARIABLES RELEVANTES, LA RECOGIDA DE MAYOR INFORMACIÓN NO ES DE INTERÉS.
• INFORMACIÓN QUE NO ES NUMÉRICA.– COMO LAS OPINIONES DE EXPERTOS, DIRECTIVOS,
VENDEDORES, ETC. PUEDE SER DE GRAN INTERÉS.– AL FINAL DEL CURSO SE COMENTARÁ CÓMO
UTILIZAR ESTA INFORMACIÓN (COMBINACIÓN DE PREDICCIONES).
– POR EL MOMENTO EL CURSO SE BASA EN CONJUNTOS INFORMATIVOS NUMÉRICOS.
• CONJUNTOS DE INFORMACIÓN SESGADOS PUEDEN PRODUCIR MALAS PREDICCIONES.– EJEMPLO: PREDECIR LA INFLACIÓN EN LA
ECONOMÍA ESPAÑOLA UTILIZANDO LOS SALARIOS EN LAS GRANDES CIUDADES.
CONJUNTOS INFORMATIVOS UNIVARIANTES MULTIVARIANTES
INTERNOS EXTERNOS Recogen solamente la serie temporal sobre el fenómeno de interés, Xt.
Recogen series temporales de n componentes en los que se puede descomponer Xt.
Recogen la serie temporal del interés, Xt, y otras K series, Z1t, …, Zkt, con las que aquél está relacionado.
CONJUNTO INFORMATIVO UNIVARIANTE BÁSICO
En la serie temporal la frecuencia de datos es baja, normalmente, anual.
AMPLIACIÓN FRECUENCIAL
1
AMPLIACIÓN POR DESAGREGACIÓN FUNCIONAL
2 AMPLIACIÓN CON OTRAS SERIES CON LAS QUE SE DETECTA UNA RELACIÓN EMPÍRICA DE DEPENDENCIA
4
3
AMPLIACIÓN POR DESAGREGACIÓN GEOGRÁFICA
5
AMPLIACIÓN CON OTRAS SERIES CON LAS QUE SE POSTULA UNA RELACIÓN TEÓRICA
EJEMPLOS
VENTAS .
DEMANDA DE SERVICIOS DE TELECOMUNICACIONES,
DE SUMINISTROS ENERGETICOS ,
DE TRANSPORTE Y COMUNICACIONES , FINANCIEROS, ETC.
TRAFICO
CIERTOS AGREGADOS MONETARIOS.
ETC.
(b) PREDICCIONES CON MAYOR FRECUENCIA TEMPORAL
• LOS COSTES DE MANTENIMIENTO DE EXISTENCIAS POR PARTE DE LAS EMPRESAS QUE VENDEN AL PUBLICO
• HAN SIDO ASUMIDOS POR PARTE DE LAS EMPRESAS SUMINISTRADORAS , QUE TIENEN QUE PREDECIR LAS NECESIDADES DE SUS CLIENTES PARA PODER GARANTIZARLES QUE CON UN MINIMO DE EXISTENCIAS PODRAN EN TODO MOMENTO ATENDER A SUS CLIENTES .
‐(c) DESPLAZAMIENTO DE LA PREDICCION UNIVARIANTE HACIA PREDICCIONES ECONOMETRICAS
PARA DECISIONES DE PLANIFICACION Y CONTROL LA PREDICCION UNIVARIANTE (BOX‐JENKINS ANALISIS ) NO SIRVE ,
YA QUE POR SU NATURALEZA NO PUEDE INFORMAR SOBRE LOS FACTORES
DETERMINANTES DE LA PREDICCION.
SECUENCIA PREDICTIVA DE INTERES PARA LOS AGENTES ECONOMICOS
• PARA LA TOMA DE DECISIONES LOS AGENTES REQUIEREN UNA SECUENCIA DE PREDICCIONES QUE CUBRA TODOS LOS PUNTOS AL MENOS DEL AÑO CORRIENTE Y SIGUIENTE.
PIB DE LA COMUNIDAD DE MADRID A PRECIOS DE MERCADO
Tasa de crecimiento interanual
2.4
2.6
2.8
3.0
3.2
3.4
3.6
3.8
4.0
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
2003 2004 2005 2006 2007
Fuente: INE Fecha: 26 de mayo de 2006
TASA ANUAL DE INFLACIÓN EN LA EURO ÁREA
0.5
1.5
2.5
3.5
2000 2001 2002 2003 2004 2005 2006 2007
95% 80% 60% 40% 20%Intervalos de confianza al:
Media (1995-2005): 1,95%
Fuente: EUROSTAT & IFL(UC3M) Fecha: 15 de junio de 2006
• Es importante explicar los factores determinantes de la secuencia.
Xnp …… long term forecast of
Xn* the rate of growth for a given base
ASPECTOS DEMANDADOS EN LAS PREDICCIONES ECONOMICAS
• PREDICCIONES CON MAYOR FRECUENCIA TEMPORAL.
• FACTORES DETERMINANTES DE LA PREDICCION.• SECUENCIA DE PREDICCIONES QUE CUBRA TODOS LOS PUNTOS AL MENOS DEL AÑO CORRIENTE Y SIGUIENTE.
• DESAGREGACION DE LA PREDICCION• MEDIDAS DE INCERTIDUMBRE ALREDEDOR DE LAS PREDICCIONES PUNTUALES
DESAGREGACION DE LA PREDICCION
• PARA EL DIAGNOSTICO Y LA TOMA DE DECISIONES ES IMPORTANTE DISPONER , ADEMAS DE PREDICCIONES ECONOMETRICAS, DE PREDICCIONES DESAGREGADAS
• POR SECTORES Y POSIBLEMENTE TAMBIEN POR REGIONES.
• (d) TRASLADO DEL ENFASIS DE LA PREDICCION PUNTUAL HACIA LA PREDICCION DE LA DISTRIBUCION ESTADISTICAALREDEDOR DE LA MISMA.
MEDIDAS DE INCERTIDUMBRE ALREDEDOR DE LAS PREDICCIONES PUNTUALES.
• SON MUY DISTINTAS
DE UNAS VARIABLES A OTRAS, Y
DEPENDEN
DE LOS MODELOS EMPLEADOS Y
DE LOS HORIZONTES DE LA PREDICCION.
OMITIRLAS PUEDE SER UN FRAUDE.
PROPUESTA : PREDICCIONES CON SU GRAFICO DE ABANICO.
PREDICCIONES CON SU GRAFICO DE ABANICO
• PROPUESTO HACE MAS DE 20 AÑOS POR EL BANCO DE INGLATERRA.
• DA LA SENDA DE PREDICCIONES CON PROBABILIDADES PARA DISTINTOS RANGOS DE VALORES EN CADA PUNTO.
• EN EL BOLETIN DE INFLACION Y ANALISIS MACROECONOMICO (BULLETIN OF EU AND US INFLATION AND MACROECONOMIC ANALYSIS )del Instituto Flores de Lemus se viene utilizando tal tipo de gráfico desde 2003.
• A continuación se presentan dos ejemplos de dicha publicación.
-6
-4
-2
0
2
4
6
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
PRODUCTO INTERIOR BRUTO EN ESPAÑATasas anuales de crecimiento
80% 60% 40% 20% PIB
Fuente: INE & IFL(UC3M)Fecha: 27 de enero de 2010
Fuente: INE & IFL(UC3M)Fecha: 27 de enero de 2010
-3.0-2.0-1.00.01.02.03.04.05.06.0
2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
INFLACIÓN EN ESPAÑATasas anuales de crecimiento
80% 60% 40% 20%Intervalos de Confianza:Inflación media (1996-2007): 3.0%
PREDICCION ECONOMICA
‐(e) DESARROLLO DE LAS IMPLICACIONES QUE SUPONE EL HECHO DE QUE EL MODELO GENERADOR DE LOS DATOS SI EXISTE NO SE PUEDE CONOCER.
HA LLEVADO A LA APARICION DEL PRINCIPO DE
MODELIZACIÓN AMPLIA Y A LACOMBINACION DE PREDICCIONES.
COMPARACICOMPARACIÓÓN DE MN DE MÉÉTODOS DE TODOS DE PREDICCIPREDICCIÓÓNN
• DIFERENTES MÉTODOS DE PREDICCIÓN.–USAN DIFERENTES DATOS, MODELOS Y SUPUESTOS Y
–PRODUCEN DIFERENTES PREDICCIONES.
• SE REQUIERE UN CRITERIO PARA ELEGIR LA MEJOR PREDICCIÓN.
• CADA PREDICCIÓN TIENE ASOCIADO UN ERROR.
∧• en+h = Xn+h – Xn+h.
• LAS PREDICCIONES SE REALIZAN PARA APOYAR LAS DECISIONES.
• EL ERROR DE PREDICCIÓN PRODUCE UN COSTE O PÉRDIDA AL AGENTE DECISOR.
• EN GENERAL, CUANTO MAYOR ES LA MAGNITUD DEL ERROR MAYOR ES EL COSTE/PÉRDIDA ASOCIADO AL MISMO.
ERROR DE PREDICCIERROR DE PREDICCIÓÓN Y N Y COSTES ASOCIADOSCOSTES ASOCIADOS
• EJEMPLO.– DECISIÓN SOBRE ACUMULACIÓN DE EXISTENCIAS EN
n PARA CUBRIR LAS VENTAS EN (n+1)– SE REQUIERE UNA PREDICCIÓN DE VENTAS EN n+1.– LA DECISIÓN SOBRE EXISTENCIAS SE BASARÁ EN TAL
PREDICCIÓN.∧
• SI Vn+1 = Vn+1LA PREDICCIÓN HA SIDO EXACTA Y NO HAY PÉRDIDA ASOCIADA A LA MISMA.
∧
• VALOR OBSERVADO MENOR QUE LA PREDICCIONSE HA PRODUCIDO UN ERROR NEGATIVO.CON LO QUE SE HAN MANTENIDO MÁS EXISTENCIAS DE LAS NECESARIAS Y SE HA INCURRIDO EN EL COSTE DE MANTENER EXISTENCIAS INNECESARIAS.SI TAL COSTE POR UNIDAD ES DE 10 EUROS EL COSTE TOTAL ES DE 10 en+h EUROS.
• DEMANDA DETECTADA MAYOR QUE LA PREDICCIONEL ERROR ES POSITIVO.NO SE HAN REALIZADO en+h POSIBLES VENTAS.SI EL BENEFICIO POR UNIDAD VENDIDA ES DE 20 EUROS, LA PÉRDIDAASOCIADA AL ERROR DE PREDICCIÓN ES DE 20 en+h EUROS.
• (VÉASE GRÁFICO)
FUNCIFUNCIÓÓN DE COSTE EN EL N DE COSTE EN EL EJEMPLO ANTERIOREJEMPLO ANTERIOR
C(e) = 20 e e>0 10 (-e) e<0 0 e = 0
• PROPIEDADES DE LA FUNCIÓN DE COSTE.– EL ERROR CERO NO TIENE COSTE.– LA FUNCIÓN DE COSTE NUNCA ES NEGATIVA.– EL COSTE AUMENTA CON LA MAGNITUD ABSOLUTA DEL ERROR.– LA FUNCIÓN DE COSTE ES CONTINUA (ERRORES DE PREDICCIÓN
CASI IDÉNTICOS TIENEN TAMBIÉN COSTES CASI IDÉNTICOS).– ES LINEAL.– NO ES SIMÉTRICA.
• FUNCIONES DE COSTE EN GENERAL.– TIENEN PROPIEDADES 1 A 4, PERO– PUEDEN NO SER LINEALES Y SER SIMÉTRICAS.
FUNCIFUNCIÓÓN DE COSTE N DE COSTE EN LA PREN LA PRÁÁCTICACTICA
• EN GENERAL EL AGENTE DECISOR NO PUEDE FACILITAR UNA FUNCIÓN DE COSTE PRECISA AL ANALISTA EN PREDICCIONES.
• LA SOLUCIÓN ADOPTADA CONSISTE ENESCOGER UNA FUNCIÓN DE COSTE QUE RESULTE CONVENIENTE AL ANALISTA (CON PROPIEDADES A) Y SUPONER QUE TAL FUNCIÓN ES UNA BUENA APROXIMACIÓN DE LA VERDADERA FUNCIÓN DE COSTE.
• LA FUNCIÓN DE COSTE DE ERROR CUADRÁTICOc(e) = e2 (1)
• EN (1) EL COSTE DE UN ERROR ES EL ERROR AL CUADRADO.• UNA FUNCIÓN DEL TIPO
C*(e) = Ae2 (2)ES TAN GENERAL COMO (1).
CRITERIOS PARA COMPARAR MCRITERIOS PARA COMPARAR MÉÉTODOS TODOS DE PREDICCIDE PREDICCIÓÓNN
• EL MEJOR MÉTODO ES AQUEL CON MENOR COSTE MEDIO.
• SUPÓNGASE QUE SE TIENEN 2 MÉTODOS DE PREDICCIÓN.∧ ∧
(1) Xn(1) (2) Xn(2)• CON ERRORES
(1) et(1) y (2) et(2), t=1, 2, …,n.• SI
)2(1)1(1 2
1
2
1t
n
tt
n
te
ne
n ∑∑==
<
• EL MÉTODO (1) TIENE MENOR ERROR CUADRÁTICO MEDIO (MENOR COSTE MEDIO) Y, POR TANTO, SEGÚN EL CRITERIO ESTABLECIDO ES EL MEJOR.
• LA MISMA CONCLUSIÓN SE OBTIENE CON LA FUNCIÓN DE COSTE (2) DE LA PÁGINA ANTERIOR.
PREDICCIPREDICCIÓÓN N ÓÓPTIMAPTIMA• PARA EL CONJUNTO DE INFORMACIÓN DADO, In, SUPÓNGASE QUE:
– PARA TODOS LOS POSIBLES MÉTODOS DE PREDICCIÓN.– PODEMOS CALCULAR PARA UN VALOR GRANDE DE n EL ERROR
CUADRÁTICO MEDIO PARA CADA MÉTODO.• EN TAL CASO, EL MÉTODO CON EL MENOR ERROR CUADRÁTICO
MEDIO SE DENOMINA• PREDICTOR ÓPTIMO BASADO EN In• PREDICCIÓN LINEAL ÓPTIMA.• LOS MÉTODOS DE PREDICCIÓN MÁS UTILIZADOS SON AQUÉLLOS
QUE USAN LOS DATOS EN In DE MODO LINEAL, ASÍ, POR EJEMPLO,
∧• Xn+h EN (3) ES UNA PREDICCIÓN LINEAL UNIVARIANTE.• ESCOGIENDO APROPIADAMENTE γj Y m SE PUEDE CONSEGUIR EL• PREDICTOR LINEAL UNIVARIANTE ÓPTIMO.
jTj
m
jnh XX −
=+ ∑= γ
0
ˆ (3)
EL ERROR DE PREDICCIEL ERROR DE PREDICCIÓÓN DE LA N DE LA PREDICCIPREDICCIÓÓN N ÓÓPTIMA. INNOVACIONESPTIMA. INNOVACIONES
• TODO VALOR DE UN FENÓMENO ECONÓMICO EN (n+1) SE PUEDE EXPRESAR COMO LA SUMA DE:– LA PREDICCIÓN PARA Xn+1 HECHA EN EL MOMENTO n Y– LA DIVERGENCIA (en+1) ENTRE DICHA PREDICCIÓN
Y EL VALOR OBSERVADO (Xn+1)• ASÍ:
∧Xn+1 = Xn+1 + en+1
∧• SI LA PREDICCIÓN ES ÓPTIMA Xn+1 ES LA EXPECTATIVA
EXISTENTE EN n SOBRE Xn+1
• ASÍ, LA DISCREPANCIA – ERROR DE PREDICCIÓN- en+1 ES LO ÚNICO INESPERADO O NOVEDOSO QUE EXISTE EN EL DATO Xn+1, YA QUE EL COMPONENTE YA HABÍA SIDO AVANZADO.
• EN CONSECUENCIA, A LOS ERRORES DE LA PREDICCIÓN ÓPTIMA SE LES DENOMINA INNOVACIONES.
)ˆ( 1+nX
IMPORTANCIA DE LAS INNOVACIONESIMPORTANCIA DE LAS INNOVACIONES
• SE COMENTÓ QUE LOS AGENTES DECISORES PLANIFICAN CON LAS PREDICCIONES.
• AHORA HAY QUE AÑADIR QUE CUANDO APARECE UN NUEVO DATO LO QUE GENERA EFECTOS ECONÓMICOS A PARTIR DE LAS NUEVAS ACCIONES DE LOS AGENTES NO ES SU MAGNITUD GLOBAL,
• PUES RESPECTO A ELLA LOS AGENTES YA HABÍAN ACTUADO BASÁNDOSE EN LA PREDICCIÓN,
• SINO EL COMPONENTE INNOVADOR.•
LAS INNOVACIONES NO SE GENERAN AUTÓNOMAMENTE, SINO QUE SON LA CONSECUENCIA DE LAS PREDICCIONES
PREVIAS.
• DOBLE IMPORTANCIA DE LAS PREDICCIONES– SE UTILIZAN PARA TOMAR DECISIONES ANTES QUE
SE CONOZCA EL FUTURO. PLANIFICACIÓN.– CON LA APARICIÓN DE UN NUEVO DATO LAS
PREDICCIONES PREVIAS DETERMINAN EL COMPONENTE INNOVADOR DEL MISMO, QUE ES LA MAGNITUD RESPECTO A LA CUAL REACCIONARÁN LOS AGENTES. AJUSTE O REACCIÓN.
EJEMPLOEJEMPLO
• EL 29 DE SEPTIEMBRE DE 1998 LA RESERVA FEDERAL BAJÓ SU OBJETIVO DE TIPOS DE INTERÉS POR PRIMERA VEZ DESDE ENERO DE 1996 EN 25 PUNTOS BÁSICOS.
• TAL MEDIDA REDUCE COSTES EN LAS EMPRESAS Y ESTIMULA LA DEMANDA, CON LO QUE ESTIMULA MAYORES BENEFICIOS, POR LO QUE ES UNA NOTICIA POSITIVA PARA LAS BOLSAS.
• NO OBSTANTE, LA REACCIÓN EN LAS BOLSAS, POR EJEMPLO, EN EL ÍNDICE DOW JONES DE NUEVA YORK, DEPENDERÁ NO DE LA MAGNITUD EN LA REDUCCIÓN DE LOS TIPOS DE INTERÉS, SINO EN SU COMPONENTE INNOVADOR.
• ASÍ, EN TAL OCASIÓN LA EXPECTATIVA DE REDUCCIÓN DE TIPOS ERA MAYOR QUE LA QUE SE PRODUJO, CON LO QUE LA INNOVACIÓN FUE NEGATIVA Y EL ÍNDICE DOW JONES BAJÓ.
Fuente: INE & IFL(UC3M)Fecha: 14 de enero de 2010
Alimentos elaborados 14.04 0.68 0.67 0.50
Servicios 39.09 1.63 1.63 0.16SUBYACENTE 83.14 0.27 0.26 0.18Alimentos no elaborados 6.57 -3.09 -2.73 1.02Energía 10.29 7.49 7.51 0.75RESIDUAL 16.86 3.37 3.31 0.78TOTAL 100 0.79 0.79 0.16
Índices de Precios al Consumo (IPC)
Pesos 2009
Observado PredicciónIntervalos de confianza al
80%
Tasas anuales,INFLACIÓN EN ESPAÑA
diciembre de 2009
0.31-1.71-1.6830.01Bs. Industriales no energéticos
Fuente: INE & IFL(UC3M)Fecha: 14 de enero de 2010
Alimentos elaborados 14.04 0.12 0.10 0.50
Servicios 39.09 0.32 0.33 0.16SUBYACENTE 83.14 0.03 0.02 0.18Alimentos no elaborados 6.57 0.24 0.61 1.02Energía 10.29 -0.63 -0.61 0.75RESIDUAL 16.86 -0.31 -0.36 0.78TOTAL 100 -0.03 -0.03 0.16
INFLACIÓN EN ESPAÑATasas mensuales, diciembre de 2009
Observado PredicciónIntervalos de confianza al
80%
Bs. Industriales no energéticos
30.01 -0.39 -0.42 0.31
Índices de Precios al Consumo (IPC)
Pesos 2009
Predicciones 14 de febrero
de 2008
Observado 20 de febrero
de 2008Hogares 3.0 2.7AA.PP. 5.2 4.4Total 4.9 4.8Equipo 9.8 8.6Construcción 3.1 2.9Otros Productos 3.8 6.1
4.1 3.9Exportación de Bienes y Servicios 7.9 5.1Importación de Bienes y Servicios 8.4 5.4PIB Real 3.5 3.5
Formación Bruta de
Capital Fijo
Gasto en Consumo final
CUADRO DE ERRORES CNTR ESPAÑA
Demanda Nacional*