Iees 03 J 3101010

Modelos univariados de series de tiempo para predecir la inflacin de
corto plazo
Fernanda Cuitio, Elena Gann, Ina Tiscordio, Leonardo Vicente

Banco Central del Uruguay
Montevideo, Uruguay
Versin preliminar
Agosto 2010
Modelos univariados de series de tiempo para predecir la inflacin de

corto plazo
Fernanda Cuitio, Elena Gann, Ina Tiscordio, Leonardo Vicente

Banco Central del Uruguay (*)
RESUMEN
Las proyecciones de inflacin ocupan un rol central en el diseo de la poltica monetaria, especialmente
en instituciones que, como el Banco Central del Uruguay (BCU), adoptan en forma progresiva un
esquema de metas de inflacin. Este documento constituye el primer punto de una larga agenda de
investigacin en el campo de las predicciones de inflacin, en el que se evala una batera de modelos
univariados de series de tiempo del ndice de Precios al Consumo (IPC) y sus componentes, en funcin de
su poder predictivo a distintos pasos, con foco en el corto plazo. Trabajando con una muestra total que
abarca 1997.03-2009.10 y una muestra truncada a partir de 2003.01, se construyen modelos de prediccin
directa e indirecta (agregacin por componentes) para el IPC nivel general y para un indicador de
exclusin, y se realizan combinaciones lineales de modelos. Luego se evalan los errores de prediccin en
el horizonte 2009.11-2010.07, comparando estos modelos entre s y con respecto a dos benchmarks: un
modelo naif, constituido por el paseo al azar; y la mediana de la encuesta de expectativas de inflacin que
publica el BCU.
Los principales resultados muestran que en predicciones un paso en adelante (al momento el nico
horizonte comparable), el mejor modelo de proyeccin es el modelo directo con la muestra truncada
(M2), dominando a la proyeccin indirecta y a los dos benchmarks usados. Este modelo individual solo es
superado en su desempeo por la combinacin lineal del M2 y la mediana de expectativas, sin embargo
esta alternativa no se encuentra disponible al momento de difundir las predicciones mensuales. En el
anlisis por componentes se encuentra que varios modelos muestran un buen desempeo, como los de
transables y no transables de exclusin, mientras que las principales fuentes de error de la proyeccin
indirecta son el modelo de frutas y verduras y la estimacin con juicio de experto de los rubros
administrados. Asimismo, los modelos para el indicador de exclusin son muy buenos, tanto los directos
como los indirectos. Finalmente, la prediccin trimestral usando la prediccin mensual a 3, 2 o 1 paso en
adelante resulta superior a la prediccin a un paso del modelo estructural trimestral, confirmando la
importancia de incluir estos modelos univariados en el marco general de predicciones que habitualmente
se realizan en la institucin. En el estado actual del trabajo, se sugiere usar el modelo M2 para el nivel
general y sus componentes.
Clasificacin JEL: C22 C52 C53 E31 E37.
Palabras clave: prediccin, inflacin, modelos univariados, errores de prediccin.
(*) Las opiniones vertidas en este trabajo son de responsabilidad exclusiva de sus autores, y para nada
comprometen la posicin institucional del Banco Central del Uruguay. Se desea expresar nuestro
agradecimiento a: Eliana Gonzlez por sus comentarios y a Jos Licandro por su apoyo y comentarios al
presente trabajo.
Correo electrnico: mcuitino@bcu.gub.uy, eganon@bcu.gub.uy, inat@bcu.gub.uy, lvicente@bcu.gub.uy
1. Introduccin
La Carta Orgnica del Banco Central del Uruguay establece como una de sus finalidades centrales la
estabilidad de precios. Para cumplir con ese mandato en los ltimos aos se ha ido adoptando en forma
progresiva un esquema de metas de inflacin en el cual se anuncia pblicamente un objetivo de inflacin
para un horizonte de poltica monetaria. En este esquema cobra gran importancia el anlisis prospectivo,
por lo que se le asigna un rol central a las predicciones de inflacin. Las mismas son efectuadas con una
batera de modelos con distintas metodologas, objetivos, periodicidad y horizontes de prediccin.
En este trabajo se presentan predicciones univariadas mensuales de inflacin, las que suelen tener un
muy buen desempeo relativo para plazos cortos respecto a modelos estructurales. La utilidad de las
mismas es proveer al Comit de Poltica Monetaria (COPOM) de elementos para evaluar la evolucin
futura cercana de la inflacin y adelantar los potenciales efectos de las medidas de poltica monetaria
adoptadas; se trata entonces de aportar elementos para que el Comit consiga llevar la inflacin al centro
del rango-meta en el horizonte de poltica. Asimismo, estas predicciones mensuales son un ancla de corto
plazo para las predicciones y simulaciones trimestrales que se realizan en el horizonte de poltica
monetaria con un modelo estructural trimestral, el que tambin se pone a disposicin del COPOM en sus
reuniones peridicas. En ese sentido, contar con predicciones de corto plazo ms precisas es de vital
importancia, ya que reducen los errores de prediccin de los modelos de mediano plazo y permiten
asesorar en forma ms adecuada a la toma de decisiones de poltica.
Este documento constituye el primer punto de una larga agenda de investigacin en el campo de las
proyecciones de inflacin en el que se evala una batera de modelos univariados de series de tiempo
(ARIMA o SARIMA) del ndice de Precios al Consumo (IPC) en funcin de su poder predictivo a
distintos pasos con un foco en el corto plazo. Para ello se utiliza como criterio de seleccin el cmputo de
sus errores de prediccin, realizando evaluaciones multi-pasos (o acumuladas) y con origen variable,
utilizando medidas recomendadas en la literatura de evaluacin de predicciones.
Las predicciones producidas por los modelos a evaluar son: para el nivel general (estimacin directa),
para distintos componentes que luego se agregan (estimacin indirecta), y la combinacin (lineal) de
modelos. En cada uno de los casos se toma en consideracin la hiptesis de cambio en el proceso
generador de datos a partir de 2003, estimando un modelo para toda la muestra (modelo 1) y otro a
partir de 2003 (modelo 2). Para la estimacin indirecta, la clasificacin de componentes se basa en la
definicin de rubros homogneos entre s y heterogneos respecto a los otros grupos, teniendo en cuenta
criterios econmicos y estadsticos. Estos criterios determinan 4 componentes: transables excluyendo
voltiles; no transables de mercado; administrados; y frutas y verduras, al tiempo que agregando los dos
primeros se obtiene una medida de exclusin para la inflacin subyacente (IPCX).
Todos estos modelos se evalan en forma relativa entre s y con respecto a dos benchmarks para los
horizontes en que se cuenta con informacin: un modelo naif, constituido por el paseo al azar, de uso
comn en la literatura; y la mediana de la encuesta de expectativas de inflacin que publica el BCU. Al
evaluar el desempeo de estos modelos se busca responder las siguientes preguntas:
1. Qu tan bueno es el desempeo predictivo del ndice agregado respecto a sus benchmarks en los
horizontes relevantes?; en particular, mejora la informacin brindada por la encuesta de
expectativas?
2. Existen ganancias al incluir modelos con proyecciones desagregadas?
3. Existen ganancias de realizar combinaciones lineales de modelos?
4. Qu tan bueno es el desempeo predictivo de los modelos del IPCX respecto a los modelos para
el IPC?
5. Qu tan bueno es el desempeo predictivo de estos modelos univariados respecto a las
predicciones trimestrales del modelo estructural?; cmo cambia la prediccin trimestral al
agregar datos mensuales efectivos?
Para construir los modelos se trabaja con una muestra que abarca el perodo 1997.03-2009.10, mientras
que la evaluacin de los errores de prediccin se realiza en el horizonte 2009.11-2010.07, disponiendo
entonces de errores mensuales de uno a nueve pasos (h = 1 a 9). Si bien el perodo de prediccin es
Modelos univariados de series de tiempo para predecir la inflacin de corto plazo
relativamente corto, brinda un volumen de informacin relevante y suficiente para sacar conclusiones, las
que son re-evaluadas en cada mes al realizar una nueva prediccin. En general en trabajos acadmicos se
parte de una serie, y se divide en dos partes: con una se estima el o los modelos, y con la segunda parte se
evalan las predicciones. En nuestro caso, comenzando a trabajar en noviembre de 2009, se elaboraron
los modelos y se los est evaluando mensualmente a medida que surge un nuevo valor observado. Esto
nos lleva a que en este momento an no contemos con un ao completo para evaluar los modelos a
plazos cortos y que no podamos evaluar horizontes largos (h = 12), el que tampoco es el objetivo de este
documento. Ambos problemas se solucionan con el tiempo, a medida que se disponga de nuevos datos
efectivos; por lo tanto, este trabajo debe ser interpretado como un relato en tiempo real ms que un
trabajo finalizado e inmutable.
El documento se organiza como sigue. En la seccin 2 se repasan los antecedentes de trabajos de
evaluacin de predicciones, focalizando en estudios realizados en bancos centrales; en la seccin 3 se
describe la metodologa de construccin de modelos. La seccin 4 introduce la forma de construccin de
predicciones; la seccin 5 presenta las medidas de evaluacin de la calidad de la prediccin. En la
seccin 6 se exponen los modelos estimados, donde se discuten criterios de desagregacin de
componentes y se evala el desempeo predictivo relativo de los distintos modelos entre s y respecto a
los benchmarks. La seccin 7 concluye y presenta la agenda de trabajos resultante. Finalmente se
incluyen varios anexos que contienen informacin detallada sobre la clasificacin de los precios (anexo
1), la estimacin de los parmetros de los modelos (anexo 2), y los errores de prediccin y las
comparaciones entre ellos (anexo 3), dejando en el cuerpo principal del trabajo un anlisis ms estilizado.
2. Antecedentes
Este trabajo evala modelos univariados de series de tiempo construidos con la metodologa tradicional y
elaborando predicciones indirectas a travs de suma ponderada de componentes. Para evaluar la bondad
de los modelos se realizan comparaciones de sus proyecciones y las de un marco de referencia. En este
captulo se repasan brevemente los antecedentes con un nfasis en la evidencia emprica ms reciente.
En la literatura de proyecciones univariadas de series de tiempo el trabajo de Box & Jenkins marc un
hito a finales de los 60, que culmin con la publicacin de su libro (Box & Jenkins (1970)), donde
definen la metodologa de identificacin, estimacin, validacin y prediccin de modelos SARIMA, los
que pueden aplicarse a distintos campos del conocimiento.
Partiendo de esta metodologa general, se ha desarrollado en la literatura la metodologa de proyecciones
por componentes de un ndice agregado; como referencia en este campo se encuentra el trabajo global de
Espasa, el que puede resumirse en los documentos clsicos Espasa, Molina & Ortega (1984) y Espasa &
Cancelo (1993). En estos trabajos se desarrolla una metodologa para estimar la evolucin del IPC y otras
variables econmicas a partir de la suma de componentes; este enfoque es aplicado tanto a modelos
univariados como de funcin de transferencia. El planteo central es que es necesario analizar la inflacin,
con fines de prediccin y diagnstico, mediante un esquema economtrico desagregado pues existen
distintos procesos generadores de datos en los diferentes precios, con lo que un estudio desagregado de
componentes presenta ventajas frente a la proyeccin directa del agregado IPC nivel general. Por otra
parte, del punto de vista de la poltica monetaria, una desagregacin bsica del IPC permite detectar los
sectores en los que se concentran las presiones inflacionarias, facilitando la eleccin de medidas
econmicas adecuadas para cada situacin en particular. Estos trabajos han sido replicados y adaptados
por un gran nmero de investigaciones desde entonces, siendo en la actualidad una de las formas clsicas
de abordar las proyecciones de corto plazo de la inflacin.
Existe adems un conjunto de trabajos que conforman la literatura emprica sobre proyecciones de
inflacin, en los que se realizan comparaciones entre modelos rivales y algn modelo referencia, que
generalmente es un paseo al azar o un AR (1), y se evalan sus desempeos predictivos. En estos trabajos
se construye una serie de medidas estadsticas tradicionales basadas en el clculo de errores de
prediccin para discernir entre modelos; este esquema se aplica tanto a modelos univariados como
multivariados.
Los trabajos citados de Espasa et al realizan tambin anlisis empricos, donde encuentran evidencia a
favor de esta metodologa desagregada para el anlisis del IPC: esta proyeccin indirecta tiene mejor
desempeo que la proyeccin directa del ndice general. Esto se observa tanto para la economa espaola
(desagregacin por tipo de bienes y servicios) como para la zona Euro (desagregacin geogrfica y por
sectores)1.
Analizando trabajos ms recientes y a nivel de bancos centrales, un interesante aporte puede verse en
Gonzlez (2008). Este trabajo analiza empricamente si pronsticos para la inflacin agregada de
alimentos en Colombia pueden ser mejorados, en trminos de reducir el error de pronstico incluyendo,
entre otros ensayos, pronsticos de componentes de alimentos. Trabaja con modelos VAR o VEC en
caso de existir cointegracin entre los grupos, con una muestra de proyecciones de 35 observaciones.
Analiza pronsticos mensuales de uno a 12 pasos en adelante a travs de un procedimiento recursivo: se
adiciona a la muestra un perodo y se revisa nuevamente la especificacin del modelo. Las agrupaciones
de componentes se realizan en base a contenido econmico, y con criterios estadsticos (componentes
principales y particin alrededor de centroides). Concluye que no se presenta una reduccin significativa
en el error de pronstico al incluir componentes en el modelo de pronstico del agregado de alimentos o
al agregar pronsticos de grupos de alimentos.
Gonzlez et al (2006) realizan una revisin de modelos de pronsticos del agregado a partir de
desagregados utilizados en el Banco de la Repblica de Colombia para el IPC de alimentos. La mayora
de estos modelos son univariados, aunque se incluyen algunos multivariados (funcin de transferencia);
se evala su desempeo predictivo en un horizonte de proyeccin mensual de uno a 12 pasos y se
detectan varias regularidades. Por un lado, cuanto ms sub-grupos se consideren, mayor es el error de
pronstico, debido a la acumulacin de errores no cancelados de los pronsticos de los diferentes grupos,
mientras que entre ms homogneos sean los tems de cada componente y ms heterogeneidad haya entre
grupos, mejores son los pronsticos para el agregado. Por otra parte, el pronstico para el agregado a
partir de desagregados produce menor error de pronstico que los pronsticos generados a partir de un
modelo directo para horizontes de muy corto plazo, mientras que para mediano y largo plazo es mejor la
proyeccin directa. Asimismo, testean la combinacin de pronsticos, concluyendo que algunas
combinaciones mejoran las proyecciones de los modelos individuales.
Barrera (2005) elabora proyecciones desagregadas de la variacin del IPC, del IPM y del PIB para Per
utilizando VAR tradicionales y sparseVAR, con el objetivo de determinar si la incorporacin de
informacin desagregada a nivel de componentes mejora la precisin de los modelos. Las proyecciones
se generan a travs de un procedimiento recursivo re-estimando los modelos, y se analizan errores
mensuales desde uno hasta 24 pasos en adelante. El criterio para la definicin de componentes es generar
desagregaciones especficas crecientes empricas (a 2, 3, 8, 9, 14 y 17 rubros). Los resultados marcan que
casi todas estas desagregaciones son bastante precisas para proyectar el agregado IPC en el corto plazo (a
todos los horizontes entre 1-6 meses), mientras que para horizontes de proyeccin mayores a 12 meses
no es posible mejorar las proyecciones del agregado utilizando informacin desagregada. Concluye
entonces que estos modelos no estructurales pueden usarse de punto de partida para un modelo
estructural trimestral, mejorando la precisin ex post de sus proyecciones, incluso ms all del horizonte
de corto plazo.
Hubrich (2003) realiza un ejercicio de proyeccin de la variacin interanual del IPC armonizado para la
zona Euro utilizando agregacin de componentes. Para ello construye modelos de series de tiempo
univariados y multivariados, agregando componentes en funcin de varios criterios, trabajando con
horizontes de uno a 12 pasos en adelante. Las formas de agregacin se basan en criterios econmicos,
criterios estadsticos de informacin y desagregaciones especficas de lo general a lo particular. La
1
La evidencia para Espaa se resume en M. Matea (1993); para el caso europeo ver por ejemplo Espasa, Senra y Albacete
(2002).
conclusin central es que no necesariamente se reduce el error de pronstico agregando componentes en

comparacin con el pronstico directo. Los resultados son sensibles a la especificacin del modelo, la
forma de agregacin, el horizonte de proyeccin y la medida de inflacin elegida. Dado que los
resultados son mixtos, propone combinar pronsticos de distintos modelos, encontrando que las
combinaciones de proyecciones generadas por metodologas diferentes (uni o multivariados) o por
criterios de agregacin diferentes (proyeccin directa o indirecta) no superan al mejor pronstico
individual a 12 pasos en adelante. El principal motivo para estos dos resultados es que los errores de
pronstico de los componentes no necesariamente se cancelan, ya que existen shocks que afectan a varios
o todos los componentes del IPC, como puede ser un shock petrolero; en estos casos, el sesgo de
prediccin al agregar componentes no se reduce sino que se aumenta. Por ende, agregar componentes
puede ser problemtico cuando algunos de ellos son difciles de proyectar; tal es el caso de alimentos no
elaborados y energa.
Para el caso uruguayo se destaca el trabajo de Cancelo, Fernndez, Grosskoff, Selves y Villamonte
(1994), los cuales utilizan modelos univariados con anlisis de intervencin, siguiendo a Espasa y
Cancelo (1993), para caracterizar el fenmeno inflacionario de Uruguay en el perodo 1986-1994,
realizar proyecciones de corto plazo y estimar el componente permanente de la serie de precios. En este
trabajo se reconoce que existen consideraciones econmicas y estadsticas que justifican la necesidad de
no limitar el examen al comportamiento del ndice agregado, ya que el mismo puede encubrir
comportamientos diferentes para componentes especficos. El documento efecta una separacin entre
bienes y servicios transables y no transables, estimndolos separadamente. Estos autores realizan
predicciones de los transables, de los no transables e indirectas del IPC a un paso nicamente,
encontrando errores porcentuales del orden del 1% para el paso especificado.
Ms cercano a este trabajo y tambin para el caso uruguayo puede citarse el estudio de Garda, Lanzilotta
& Lorenzo (2004) como un antecedente importante en el campo de modelos de series de tiempo
aplicados a la prediccin de la inflacin en Uruguay, en el que utilizan un anlisis por componentes
siguiendo la lnea de Espasa & Cancelo (1993). Si bien el objetivo del trabajo no es la realizacin de
competencias para evaluar el poder predictivo de modelos rivales, sino la presentacin de un esquema
metodolgico para el anlisis de coyuntura de la inflacin es relevante para este trabajo ya que realiza
una evaluacin del desempeo predictivo de estos modelos. Para ello, utilizan una muestra de 16
predicciones evaluando los errores de uno a 24 pasos en adelante surgidos de modelos de funcin de
transferencia, incorporando en algunos casos modelos GARCH para modelar la varianza. Realizan un
estudio desagregado en siete componentes, clasificados segn criterios econmicos. En cuanto a la
evaluacin de predicciones, analizan en qu medida los errores un paso adelante estn correlacionados
con errores en la estimacin de algunos indicadores adelantados centrales, encontrando evidencia a favor
de esta idea. Sin embargo, no realizan una presentacin de medidas de errores, ni anlisis a ms de un
paso.
Luego de repasar la literatura economtrica ms reciente sobre comparacin de predicciones se observa
que los resultados obtenidos en general no son concluyentes; tal es el caso de la discusin proyeccin
directa o por suma de componentes; combinacin o no de predicciones; y modelos univariados o
multivariados de series de tiempo. Las conclusiones en estos casos dependen de varios factores
especficos, como: la muestra concreta (perodo y pases considerados), el tipo de modelos utilizados, los
estadsticos de evaluacin elegidos, el horizonte de proyeccin, los criterios de agregacin, la variable
elegida, etc. Sin embargo, pueden rastrearse algunas regularidades, siendo la ms importante a los efectos
de este trabajo que, al ser comparados con modelos estructurales, estos modelos de series de tiempo
muestran un mejor desempeo en el corto plazo y peor en el mediano plazo, siendo entonces ms aptos
para el seguimiento de la coyuntura.
Por otra parte, existe abundante literatura sobre el anlisis de la calidad de las predicciones en general y
de las medidas usadas en particular. Armstrong & Collopy (1992) y Tashman (2000) realizan una
recopilacin y un anlisis de las diferentes medidas de precisin en las predicciones fuera de la muestra,
al tiempo que Hyndman & Koehler (2006) proponen adems una nueva medida para comparar diferentes
clases de modelos de series univariadas aplicados a diversas series.
3. Metodologa: Modelos univariados

Los modelos univariados de series de tiempo empleados para la prediccin son modelos ARIMA o
SARIMA. En esta breve presentacin terica se sigue a Box & Jenkins (1970) y Franses (1998).
3.1 Modelos ARIMA (p, d, q)
Sea xt xt , t 1,..., T la serie de tiempo observada y at at , t 1,..., T un ruido blanco
E at 0 , a E at a , E (at at ) 0
2
(1)
B es el operador de retardo Bxt xt 1

Se dice que la serie de tiempo xt sigue un proceso autorregresivo integrado de medias mviles ARIMA
(p, d, q), si tiene d races en el crculo unitario y los operadores B y B tienen sus races fuera
del crculo unitario.
B 1 B xt 0 B at
d
(2)
Si denominamos (B) al operador

B B B 1 B
d
B 1 1 B ... p d B
pd
(3)
Desarrollando los operadores podemos escribir la ecuacin en diferencias del modelo
xt 1 xt 1 ... p xt p 0 at 1at 1 . ... q at q .
(4)
Tambin se puede expresar el modelo como la sumatoria de una sucesin de shocks aleatorios
xt B at j a j
(5)
Obtenindose los coeficiente j a partir de la relacin
B B B
(6)
Las propiedades de los procesos son las que se usan en la etapa de identificacin del modelo, las cuales
se explicitan en Box & Jenkins (1970). Engloban como caso particular los modelos ARMA
estacionarios.
En particular, si el proceso es estacionario
2
j
son finitas, la media t y la varianza t
del proceso son constantes y la funcin de covarianza s, t y de autocorrelacin parcial s, t

dependen de la diferencia de los instantes s, t. Aplicando las relaciones (1) y (5) se obtiene:
t E xt E j a j j E a j 0
s, t COV x s , xt t s
t V xt a2 j2 0
s, t Corr x s , xt t s
3.2 Modelos SARIMA (p, d, q)(P, D, Q)s
Esta extensin de los modelos ARIMA incorpora la estacionalidad de la serie. El modelo se especifica
como (p d, q) (P, D, Q)s, donde s es el perodo de la estacionalidad (Box & Jenkins,1970).
Se denomina proceso ARIMA estacional multiplicativo a:
1 B 1 B
B B
xt B B s at
(7)
Donde d es el nmero de diferencias simples, D es el nmero de diferencias estacionales y s es el perodo

de estacionalidad,
B
es el operador autorregresivo de orden p
es el operador autorregresivo estacional de orden P
B es el operador de medias mviles de orden q
B s es el operador de medias mviles estacional de orden Q

3.3 Procedimiento iterativo de construccin de modelos para procesos ARIMA
3.3.1
Identificacin
El valor de la serie en un instante t puede depender de valores pasados inmediatos (por ejemplo
autocorrelaciones de primer y segundo orden significativas), de valores pasados del ao anterior (por
ejemplo autocorrelaciones cercanas a 1 de orden s y en su entorno y en sus mltiplos, (s=4 en el caso
trimestral, s=12 en el caso mensual)), y de valores histricos a largo plazo (autocorrelaciones
significativas cercanas a 1 persistentes).
En este trabajo para identificar el modelo ms adecuado para cada una de las series se usa la funcin de
autocorrelacin y la funcin de autocorrelacin parcial.
La funcin de autocorrelacin k se estima por rk, mientas que la funcin de autocorrelacin parcial kk se
estima por kk* resolviendo las ecuaciones de Yule-Walker. Durbin propuso un mtodo iterativo para el
clculo de kk* que es el que se usa en los paquetes estadsticos.
Analizando las funciones estimadas rk y kk* se determina el orden de diferenciacin regular o estacional,
y luego en la serie original o diferenciada (si fuera necesario) el orden p (y/o P) de parmetros
autorregresivos y/o q (y/o Q) de medias mviles.
3.3.2
Estimacin y Validacin
Luego de estimar los parmetros del modelo se procede a su validacin. Para medir la calidad del ajuste
de un modelo ARMA (p, q) se analiza la autocorrelacin de los residuos estimados ( a t , t =1,, T) a
travs de la inspeccin de las grficas de las funciones de autocorrelacin y autocorrelacin parcial. Si el
modelo est correctamente especificado y se conocen los parmetros del modelo, las autocorrelaciones
de los residuos k( a ) son asintticamente incorrelacionadas y tienen media cero y varianza 1/N, y se
puede establecer intervalos de confianza (al 95%), 2 N , 2 N para sus valores.
En la prctica no se conocen los parmetros del modelo y las correlaciones disponibles son las de los
residuos estimados rk a , por lo que este intervalo de confianza es aproximado.
En el proceso de validacin del modelo seleccionado se analizan las predicciones y los errores de
prediccin a lo largo del tiempo. En la prxima seccin se muestran las medidas utilizadas a tal fin.
Si el modelo sortea estos mecanismos de validacin se sigue usando; si no lo hace, se analiza su

modificacin o abandono, volvindose a las etapas anteriores en un ciclo iterativo.
3.3.3 Prediccin
Se dispone de una serie de tiempo hasta el instante T xt xt , t 1,..., T , para la cual se ha estimado
un modelo ARIMA. Sea xT h el valor futuro de la serie h pasos en adelante.

Siguiendo a Box & Jenkins (1970), la esperanza condicional de xT h dado los valores hasta el instante T:
E[ xT h xT , xT 1 ,...] es el estimador que minimiza el error cuadrtico medio de prediccin. Sea xT h la
prediccin h pasos en adelante con origen en T.

Se define:
xT h E[ xT h xT , xT 1 ,...]
aT h E[aT h xT , xT 1 ,...]
(8)
(9)
Error de prediccin h pasos en adelante con origen en T:
eT h xT h xT h
h 1
Con media E[eT (h)] 0 y varianza V [eT (h)] .

2
a
j 0
(10)
2
j
Donde j es obtenido por la resolucin de la relacin (6).

Aplicando el operador esperanza condicional a la ecuacin (4), podemos expresar la prediccin estimada
h pasos en adelante con base en el instante T, xT h como:
xT h 1 xT h 1 ... p xT h p 1 aT h 1aT h 1 ... q aT h q .
(11)
Donde:
xT p 1 para h p
xT h p 1
xT h p para h p
aT h q para h q
aT h
0 para h q
4. Construccin de la Prediccin
Como se coment en los antecedentes existen dos formas de elaborar predicciones en el caso de una
variable agregada (cualquiera sea el motivo de agregacin): por medio de una modelizacin directa del
agregado o por combinacin de resultados de modelizacin de los componentes. Tambin es importante
relacionar las predicciones para una misma serie obtenidas por diversas fuentes y esto se enfoca desde la
combinacin de predicciones.
4.1 Mtodo directo vs indirecto
Cuando una serie se obtiene como agregado (temporal, temtico o de clasificacin) pueden producirse
dos tipos de predicciones: directas o indirectas. La prediccin directa se obtiene cuando se aplica un
modelo a la serie agregada, mientras que la prediccin indirecta surge de aplicar un modelo a cada
componente y luego agregar las predicciones resultantes segn la frmula del agregado. En el caso
temporal y particularmente de la inflacin, si se quiere predecir el trimestre corriente se toma como valor
la prediccin con origen mvil obtenida al conocer los valores mensuales, mientras que si se estuviera
estimando el trimestre a partir de la agregacin de un indicador mensual se promediara los valores
observados y predichos para el trimestre corriente. Si bien la idoneidad de uno u otro mtodo es un tema
emprico, Ltkepohl (1987) sugiere que cuanto menos correlacionados sean los componentes elegidos,
mayor ser el beneficio de agregar pronsticos de los componentes como pronstico del agregado.
Por otra parte, en ciertos casos las predicciones obtenidas a partir de modelos estadsticos pueden ser
modificadas en base a conocimientos del experto y en otros, donde los cambios son discrecionales, el
conocerlos de antemano permite mejorar una prediccin agregada2. La forma de introducir estos cambios
puede ser por medio de una estimacin (estructura, variaciones fijas), de un juicio tcnico o una
expresin de deseo. Cuando se utilice alguna de las formas mencionadas anteriormente ser
especificado3.
4.2 Combinacin de Predicciones
En el caso que se disponga de ms de un modelo para la generacin de las predicciones, stas se pueden
combinar por suma ponderada con coeficientes menores que 1, donde los coeficientes pueden ser iguales
o diferentes, siendo por ejemplo inversamente proporcionales a la varianza del error de prediccin. En
general no hay una recomendacin nica, sino que depende de la homogeneidad y variabilidad de los
componentes de los agregados. Desde el artculo de Bates & Granger (1969) se ha escrito abundante
literatura sobre el tpico, siendo actualmente un tema muy vigente.
5. Medidas de Evaluacin de la Calidad de la prediccin
Una vez calculada la prediccin y con la disponibilidad de los valores observados se procede a evaluar la
calidad de la misma con diversas medidas de calidad o performance.
En este documento se presentan dos formas de clculo de la prediccin: multi-pasos y fijando los pasos
para diferentes orgenes de tiempo (origen variable), junto con sus respectivas medidas de evaluacin.
Con respecto a las medidas, stas pueden ser absolutas (se comparan varios modelos para una misma
serie), porcentuales (se pueden usar adems para comparar entre series, ya que no las afecta la escala de
los datos) y relativas (en que se comparan errores de prediccin o medidas de dos modelos). La funcin
que se puede usar para definir la medida puede ser el error cuadrtico o el error absoluto, y el operador
estadstico elegido la media, la mediana, el mximo o el mnimo de dichos errores.
Estas medidas pueden ser usadas para el caso en que se comparen las predicciones individuales
realizadas por diferentes actores, como son el caso de los estudios sobre las encuestas de expectativas
realizadas por bancos centrales (Boero, Smith &Wallis (2008)) o colecciones de predicciones elaboradas
por profesionales del mercado (Lahiri & Sheng (2010)).
Tambin se utilizan en competencias organizadas por especialistas, donde se pretende discernir para un
cierto tipo de series de tiempo cul es el mejor mtodo de prediccin. Las ms conocidas son las
competencias (M (1982), M2 (1993) y M3 (2000)) organizadas por Makridakis y otros colegas (2000),
en las que se han ido variando en cada ciclo las medidas de evaluacin usadas y recomendadas.
Otro de los usos comunes de estas medidas es en estudios orientados para una o ms variables
especficas, en uno o ms pases, donde se analiza la performance de diversos modelos clasificados por la
2
Por ejemplo, los aumentos de tarifas y otros precios administrados en la estimacin del IPC.
Existe abundante literatura sobre las proyecciones de expertos, en particular en Webby & OConnor (1996) se presenta una revisin sobre el
tema.
10
relacin con las variables explicativas (lineales y no lineales) y el nmero de ellas (univariados o
multivariados), siendo las variables objetivo ms usadas: la inflacin, el incremento anual del PIB real
trimestral y el indicador de produccin industrial trimestral. En particular Franses & Van Dijk (2005)
analizan para varios pases de Europa y EEUU el comportamiento de modelos lineales y no lineales
estacionales para predecir el ndice de produccin industrial trimestral llegando a la conclusin que los
modelos simples (tipo SARIMA) se comportan mejor en el corto plazo que los modelos no lineales, los
cuales son mejores en horizontes de 2 a 4 aos.
5.1 Evaluacin multi-pasos
En la primera forma de clculo, se predice en base a los datos en origen T y se consideran las
estimaciones del modelo para h perodos en adelante, realizando una evaluacin multi-pasos o
acumulada. Por ejemplo, parados a fin de un ao, se predicen los 12 meses del ao siguiente (prediccin
1 a 12 pasos, h = 12); luego, disponiendo del dato del primer mes del ao corriente, se corre el modelo y
se predice del 2 al 12 mes de ese ao (1 a 11 pasos, h = 11) y as hasta el 11 mes, en que solo se
predice el 12 mes (h = 1). Las medidas que se emplean para esta evaluacin son el Error Absoluto
Medio MAE o Desviacin Absoluta Media MADh, y el Error Absoluto Medio Porcentual MAPEh, cuyas
frmulas se explicitan a continuacin4.
Error Absoluto Medio (MADh) multi-pasos o acumulado:
1 h
MADh . xT j xT ( j )
h j 1
(12)
Error Absoluto Medio Porcentual (MAPEh) multi-pasos o acumulado:
1 h xT j xT ( j )
MAPEh 100. .
h j 1
xT j
(13)
5.2 Evaluacin n pasos en adelante para k orgenes de tiempo
Otra forma de evaluacin de los errores de prediccin es analizarlos un paso en adelante, dos, tres y as
hasta el paso elegido como lmite, h = H, con origen en T, T+1, T+k-1. O sea se fija el paso (solo un paso
en adelante, h = 1, dos h = 2, hasta h = H) y se calcula el error en distintos momentos t =T+1, T+2,,
T+k-1 (en los distintos orgenes de prediccin).
Se emplean el Error Cuadrtico, el Error Absoluto y el Error Absoluto Porcentual; basados en el
promedio de los errores a cada paso se obtiene el Error Cuadrtico Medio MSE(h), el Error Absoluto
Medio MAD(h) y el Error Absoluto Medio Porcentual MAPE(h). Las dos ltimas son las medidas ms
usadas en ciertos mbitos, ya que resultan menos sensibles a puntos extremos que las medidas
cuadrticas como el MSE, que tienden a amplificarlos.
1 k 1
2
MSE (h) . xT j h xT j (h)
k j 0
1 k 1
MAD(h) . xT j h xT j (h)
k j 0
1 k 1 xT j h xT j (h)
MAPE (h) 100. .
k j 0
xT j h
h 1,..., H
h 1,..., H
h 1,..., H
(14)
(15)
(16)
Tambin se pueden calcular otras medidas como: mximo, mnimo, mediana, media alfa recortada, de los
k errores para cada h pasos en adelante. En particular, en base al mximo y al mnimo de los errores
absolutos se obtienen las siguientes medidas:
4
Se mantienen las siglas en ingls para facilitar la comparacin con el resto de la literatura.
11
MinAD (h) min eT (h) ,..., eT k 1 (h)
h 1,..., H
MaxAD(h) max eT (h) ,..., eT k 1 (h)
h 1,..., H
(18)
MinAPE ( h) min cT (h) ,..., cT k 1 (h)
h 1,..., H
(19)
MaxAPE (h) max cT (h) ,..., cT k 1 ( h)

Siendo cT (h) 100.
h 1,..., H
(17)
(20)
eT (h)
.
xT h
Basada en la mediana de los errores de prediccin, medida no sensible a los extremos, se obtienen las
medidas absoluta y porcentual5:
MdAD (h) en (h)
si k 2n 1
en (h) en 1 (h)
(21)
si k 2n
MdAPE (h) cn (h)
h 1,..., H
si k 2n 1
cn (h) cn 1 (h)
2
h 1,..., H
(22)
si k 2n
En particular, en este trabajo se presenta para un paso en adelante el MSE(1) y la raz del MSE, RMSE(1)
que est en una escala similar al MAD(1).
Error Cuadrtico Medio (MSE)
2
1 k 1
MSE (1) xT j 1 xT j 1
k j 0
(23)
Raz Error Cuadrtico Medio (RMSE)
RMSE (1) MSE (1)
(24)
A continuacin se analizan brevemente las bondades y limitaciones de estas medidas. Se critica a las
medidas absolutas (tipo MSE y MAD) por no tener en cuenta la unidad de medida y el uso de la funcin
de prdida cuadrtica porque amplifica los valores extremos en los errores.
Armstrong & Collopy (1992) sealan que el MAPE no es una medida simtrica, que no est definido si el
valor observado es cero (problema que presentan todas las medidas porcentuales) y que penaliza ms a
las predicciones mayores que el valor observado que a las menores que el valor observado. En la
literatura existen otras propuestas de medidas, por ejemplo Makridakis en la competencia M3 introduce
el MAPE simtrico, sMAPE, que pretende solucionar el defecto de asimetra del MAPE mencionado,
pero posteriormente Goodwin & Lawton (1999) muestran que la medida sMAPE trata de forma diferente
(asimtrica) los valores positivos y negativos de los errores.
Notacin: n indica la posicin n del estadstico de orden.
12
En general hay una recomendacin al uso de MdAPE, basada en la mediana (o cualquier otra funcin que
filtre puntos extremos como podra ser la media alfa-recortada), y a no usar MAPE si se esperan grandes
errores o valores cercanos a cero o negativos. Para resolver este ltimo problema, Hyndman & Koelher
(2006) proponen el Error Absoluto Escalado Medio (MASE). Otra sugerencia son los errores y las
medidas relativas.
Armstrong & Collopy (1992) mencionan las diferentes preferencias que existen segn el analista
provenga del medio acadmico o sea un profesional dedicado a la generacin de predicciones, los
primeros prefieren usar el MSE o el RMSE mientras que los segundos el MAD o el MAPE.
Resumiendo, el MAPE es frecuentemente usado en el ambiente ligado a control de inventario y a la
industria, donde el volumen de series pronosticadas es grande y su clculo es fcil; si se trabaja con
pocas series se recomienda el MdAPE por su cualidad de no amplificar puntos extremos como las
medidas cuadrticas; si se comparan series de igual magnitud es comn usar el RMSE (en especial en el
medio acadmico); si se cuenta con valores cercanos a cero o posiblemente negativos como el caso de la
inflacin mensual es mejor usar el MASE y/o las medidas relativas.
5.3 Error relativo y medidas relativas
A efectos de comparar la performance de dos modelos se pueden emplear errores o medidas relativas. En
el primer caso se analiza el error cometido en el modelo A respecto al error de prediccin del modelo B;
en el segundo se realiza el cociente de las medidas de ambos modelos (Hyndman & Koelher, 2006). En
este trabajo se compara el MAD de nuestros modelos de prediccin del IPC Nivel general en relacin al
MAD del modelo naif (usando el paseo al azar) y en relacin al MAD calculado con la mediana de las
expectativas de inflacin publicadas por el BCU. Si el error del modelo de referencia es pequeo, el
cociente de errores no es una buena opcin, es preferible usar cocientes de medidas o el MASE.
El Error Absoluto Escalado Medio (MASE) es un sustituto de las medidas porcentuales (como el MAPE),
til cuando el valor observado es cercano a cero o negativo, siendo una medida escalada por el error
absoluto de prediccin del modelo naif calculado dentro de la muestra. No estara definido si todos los
valores de la serie fueran iguales. Va a ser usado para comparar la performance de los modelos en la
prediccin de la inflacin mensual, ya que en esos casos las medidas usuales alcanzan valores altos y no
explican el comportamiento.
qt (1)
et (1)
(25)
1
. Yi Yi 1
T 1
i 2
MASE
1 k 1
( qT j (1) )
k j 0
(26)
5.4 Medida de la habilidad de la prediccin
Lahiri & Sheng (2010) en base al trabajo de Diebold & Kilian (2001), proponen un score para analizar la
habilidad de un modelo en predecir a lo largo del tiempo. Se quiere medir la habilidad del modelo en
predecir h pasos en adelante con relacin a la prediccin hecha para H pasos usado como base de
referencia. El score propuesto es h,H = 1 (MSEh / MSEH). Como Diebold & Kilian sugieren la
posibilidad, ser aplicado al MADh en sustitucin del MSEh.
h ,H 1 MADh MADH
h 1,..., H 1
(27)
En nuestro caso se conoce el valor corriente del IPC, de la inflacin mensual y de la interanual hasta el
mes de julio de 2010, mientras que la prediccin de referencia es la que se hizo en octubre de 2009, h = 9
pasos en adelante. Calculndose para h = 1,,8:
13
h ,9 1 MADh MAD9
h 1,...,8
(28)
6. Modelos estimados
6.1 Series consideradas
Las series que se analizan son el IPC Nivel General (IPC-NG) base marzo 1997=100 y series construidas
agregando los componentes del IPC-NG a nivel de sub-rubros, ndices de precios divulgados por el
Instituto Nacional de Estadstica (INE) en su totalidad. Esto determina que los modelos se realicen sobre
dichos ndices y sean de frecuencia media (mensual). El perodo utilizado en la especificacin de los
modelos comienza en general en marzo de 1997 y finaliza en todos los casos en octubre 2009 (152
observaciones)6. Luego los modelos se actualizan con cada nueva informacin disponible, siendo el
ltimo mes analizado julio de 2010.
La primera agrupacin de las series se bas en el grado de transabilidad de los bienes, separando los
rubros segn su caracterstica de ser comercialmente transables o no transables. Esta aproximacin es
una metodologa largamente utilizada en el BCU, siendo documentada en Bergara, Dominioni &
Licandro (1995), donde distinguen entre bienes transables internacionalmente, transables regionales y no
transables; posteriormente, Fernndez (2002) propone una clasificacin con dos bienes (transables y no
transables), que es la que se utiliza en este trabajo. Cabe destacar tambin los siguientes trabajos que
emplean para el anlisis modelo de bienes transables y no transables: Cancelo et al (1994) y Lorenzo et
al (2005).
Partiendo de esta agrupacin inicial de bienes y servicios se identificaron nuevos componentes siguiendo
criterios estadsticos y econmicos.
En primer lugar, dentro del rubro de transables se excluyeron los sub-rubros frutas y verduras, segn
criterios estadsticos en lnea con lo aplicado por Pereira (2009). Dicho autor identifica dos grandes
enfoques para realizar la exclusin de componentes del IPC: una excluye los componentes de mayor
variabilidad, usando el estadstico de la varianza, aplicado a cada uno de los componentes a nivel de subrubro y la otra se construye de una manera tradicional, en lnea con Blinder (1997) y Vega & Wynne
(2004), donde se investiga el aporte de cada uno de los componentes a la variabilidad total del ndice
(coeficiente Beta)7. Segn estos dos mtodos estadsticos es clara la exclusin de los sub-rubros de frutas
y verduras, especialmente cuando se trunca la muestra luego del rebrote inflacionario de 2002, quedando
ambos en los primeros lugares8.
Cabe mencionar que, como sealan DAmato et al (2005) muchas veces se excluyen en forma
discrecional, adems de frutas y verduras, los componentes de alimentos y energa, por considerarlos ms
voltiles9. Sin embargo nuestros resultados muestran que el comportamiento del resto de los alimentos
que componen el IPC es diferente al que exhiben frutas y verduras, evidencia tambin recogida en
Pereira (2009). Por otra parte, el precio de la energa en nuestro pas, al ser manejado en forma
discrecional, no exhibe la volatilidad que muestra en otros pases. Estas caractersticas de ambos subrubros llevaron a la decisin de no excluirlos como componentes voltiles.
Seguidamente, el criterio para la exclusin de componentes dentro de la agrupacin no transable fue
tomando en cuenta las caractersticas de la oferta de los bienes y servicios que componen el grupo, as
como la forma de fijacin de los precios, segn lo propuesto por Matea (1993). De esta manera se
6
En el caso del IPC nivel general el anlisis comienza en enero de 1997.
El coeficiente
Cov( i , )
representa cunto aporta el componente i a la variabilidad total. Valores altos (bajos) de i
wi
2
implican un mayor (menor) aporte a la variabilidad total.

8
El anexo 1 presenta en detalle los resultados obtenidos para cada sub-rubro.
9
Por ejemplo el CPI Excluding Food and Energy en Estados Unidos, indicador tambin adoptado por otros Bancos Centrales.
14
distinguieron aquellos bienes y servicios que estn sujetos a regulacin por parte del Gobierno, o que no
siguen claramente una lgica de mercado de los que no estn sujetos a dicha regulacin, operando en
condiciones de mercado. En base a este criterio se excluyen del grupo de bienes no transables de
mercado las tarifas pblicas, los servicios dependientes de la poltica departamental, la salud y los
cigarrillos. La trayectoria futura de estos componentes no se determina con modelos SARIMA sino
utilizando juicio del experto.
Finalmente, a partir de la exclusin adoptada de componentes podemos construir un indicador de
exclusin de inflacin subyacente, entendida en este caso como el componente general de la inflacin, o
el componente comn de variacin de los precios, y se la representa por el IPC excluyendo frutas,
verduras y administrados, IPCX.10
Estos criterios determinan una desagregacin del IPC-NG en 4 componentes: transables excluyendo
voltiles; no transables de mercado; administrados; frutas y verduras, al tiempo que agregando los dos
primeros se obtiene la medida de exclusin (IPCX).
Las series analizadas y mencionadas se resumen en el siguiente cuadro, incluyndose entre parntesis su
participacin en el nivel general:
Cuadro 1. IPC: nivel general y componentes
Transables excluyendo frutas y verduras, TXFV (35.20%) 1
Frutas (1.31%) 2
Verduras (2.11%) 3
Transables, T (38.62%) 1+2+3
No transables excluyendo administrados, NTXA (36.63%) 4
5
Administrados, A (24.75%)
De los cuales:
Tarifas, Tf (8.82%)
Poltica departamental (5.36%)
Salud (9.20%)
Cigarrillos (1.36%)
No transables, NT (61.38%) 4+5
IPC excluyendo frutas, verduras y administrados, IPCX (71.83%) 1+4
IPC Nivel General 1+2+3+4+5
Fuente: Elaboracin propia en base a informacin del INE.
6.2 Modelos realizados
Como fue mencionado en la introduccin, todos los modelos que se presentan estn en una etapa de
evaluacin, ya que si bien los residuos estimados dentro de la muestra son bien comportados, la calidad
de las predicciones se evala en tiempo real y se dispone de pocos meses para realizar una evaluacin
fuera de la muestra a la fecha de publicado este documento. Como la muestra presenta un quiebre
estructural marcado por el rebrote inflacionario durante la crisis de 2002, se opt por trabajar con la
muestra completa (modelo 1, M1) y en paralelo con una muestra truncada a partir de 2003 (modelo 2,
M2), salvo cuando no es necesario.
Los modelos con los cuales se est trabajando actualmente son los siguientes11:
10
Este enfoque es el adoptado por varios Bancos Centrales, que presentan como medidas oficiales de inflacin subyacente medidas de exclusin.
Tal es el caso de Canad, Japn, Per, Estados Unidos, Chile, Alemania, Espaa, Brasil y Mxico, entre otros.
11
La extensin 03 al final del nombre de la variable indica que se modela sobre la muestra truncada (M2). En algunos casos solo se presenta
un modelo (M1) pues en la serie en cuestin no se identifica un quiebre luego de 2003.
15
IPC Nivel General (NG)

M1: (1 2 B 2 )(1 12 B12 )(1 B ) IPC _ NG (1 1B )at
M2: (1 7 B 7 12 B12 )(1 B ) IPC _ NG 03 (1 1 B )at
IPC excluyendo frutas, verduras y administrados (IPCX)
M1: (1 2 B 2 3 B 3 )(1 12 B12 )(1 B ) IPCX 0 (1 1 B )at
M2: (1 1 B )(1 12 B12 )(1 B ) IPCX 03 0 at
No Transables excluyendo administrados (NTXA)
M1: (1 1 B 5 B 5 6 B 6 )(1 B ) NTXA at
M2: (1 1 B 5 B 5 6 B 6 )(1 B ) NTXA03 at
Transables (T)
M1: (1 1B )(1 12 B12 )(1 B )T at
Transables excluyendo frutas y verduras (TXFV)
M1: (1 1 B 2 B 2 )(1 12 B 12 )(1 B )TXFV at
M2: (1 1 )(1 12 B 12 )(1 B )TXFV 03 at
Frutas (F)
M1: (1 4 B 4 6 B 6 )(1 24 B 24 )(1 B ) F (1 1 B )at
Verduras (V)
M1: (1 4 B 4 8 B 8 )(1 B)V (1 21B 21 )at
6.3 Elaboracin de proyecciones
Se elaboraron predicciones directas e indirectas del IPC Nivel General. Para las predicciones directas se
emplearon el modelo M1 y el modelo M2, obtenindose adems una prediccin combinada como
promedio simple de sus predicciones (M1M2).
La proyeccin indirecta del IPC-NG se obtiene ponderando por el peso de cada componente en el IPC las
predicciones de Transables (T) y las proyecciones de No Transables (NT). A su vez, las predicciones de
Transables se obtienen como suma ponderada de las predicciones de Transables Excluyendo Frutas y
Verduras (TXFV), Frutas (F) y Verduras (V)12; se dispone adems de una proyeccin directa de los
12
Cabe mencionar que en los estudios descriptivos se detect una estacionalidad pronunciada en frutas y en verduras, por lo que se procedi a
realizar un ajuste estacional de estos dos sub-rubros del IPC por el mtodo X12ARIMA del Census Bureau de EEUU.
16
bienes Transables. Asimismo, las proyecciones de No Transables se obtienen a partir de una suma
ponderada de las predicciones del modelo de No Transables Excluyendo Administrados (NTXA) y de
proyecciones de administrados elaboradas a travs de juicio tcnico.
Por otra parte, la suma ponderada de TXFV y NTXA resulta en la prediccin indirecta del IPCX,
indicador de exclusin, del cual tambin se dispone de una prediccin directa.
Operativamente, a inicios de mes, una vez divulgado un nuevo dato del IPC por parte del INE, se corren
los modelos usando el paquete estadstico SCA versin 8 y se calculan las predicciones y los errores de
prediccin con las medidas de calidad seleccionadas. Asimismo, se realiza una evaluacin ms detallada
de los resultados de la ltima prediccin y se elaboran cuadros de resumen que se incluyen en un informe
mensual de predicciones de inflacin que se distribuye internamente en la Institucin. En este proceso, si
se detecta un sesgo sistemtico o errores de prediccin altos, se procede a estimar modelos alternativos
que se ponen en evaluacin.
6.4 Evaluacin del ajuste de los modelos dentro de la muestra
En trminos generales se observa que los residuos de los modelos no muestran autocorrelaciones
significativas y los parmetros de cada modelo no muestran una variabilidad de consideracin en los
perodos en los que se realizaron las predicciones.
A continuacin se presentan cuadros resumen con los estadsticos Q de los residuos de cada modelo en el
momento de su definicin y los estadsticos t de desvo estndar de los parmetros, usando las muestras
correspondientes para los modelos 1 y 2 (marzo 1997 - octubre 2009 y enero 2003 - octubre 2009
respectivamente).
Cuadro 2. Estimacin inicial modelos. Estadstico Q.
Mod 1
Estadstico
P-value
Mod 2
Estadstico
P-value
IPC_NG
Q16
18.85
0.28
6.40
0.98
Q24
IPCX
25.99
0.35
8.06
1.00
Q16
12.49
0.71
13.23
0.66
Q24
TXFV
15.44
0.91
24.95
0.41
Q16
11.65
0.77
8.66
0.93
Q24
14.35
0.94
10.35
0.99
Q16
20.81
0.19
Q24
24.19
0.45
Q16
10.91
0.82
Q24
15.41
0.91
Q16
11.68
0.77
Q24
NTXA
23.95
0.46
Q16
10.38
0.85
13.23
0.66
Q24
19.24
0.74
24.95
0.41
En el cuadro siguiente se muestra la estimacin inicial de los parmetros de los modelos, figurando en el
Anexo 2 su evolucin temporal, la cual no presenta grandes variaciones.
17
Cuadro 3. Estimacin inicial de los parmetros

Estimacin
Mod 1
Dsv std
t - value
0.39
0.42
-0.71
0.10
0.08
0.07
4.13
4.98
-9.75
0.51
-0.21
0.25
0.62
-0.85
0.10
0.09
0.09
0.19
0.08
5.04
-2.36
2.65
3.22
-10.18
2
12
0.84
-0.18
0.25
0.09
0.09
0.09
9.89
-2.06
2.62
4
6
24
-0.20
-0.23
0.57
-0.41
0.09
0.09
0.09
0.08
-2.32
-2.58
5.99
-4.89
4
8
21
-0.24
-0.22
-0.24
0.09
0.08
0.09
-2.86
-2.64
-2.86
0.57
0.29
0.07
0.09
8.16
3.26
0.45
0.15
0.38
0.06
0.07
0.08
7.46
2.12
4.80
Estimacin
Mod 2
Dsv std
t - value
0.54
-0.36
0.31
0.09
0.11
0.09
5.85
-3.27
3.44
0.37
0.12
3.17
0.37
0.53
0.13
0.18
2.91
3.03
0.45
0.11
4.05
0.35
0.13
2.69
0.28
0.21
0.51
0.08
0.09
0.10
3.36
2.42
5.09
IPC_NG
12
7
IPCX
1
2
12
0
1
TXFV
1
12
NTXTA
1
5
6
6.5 Evaluacin de predicciones
Como se mencionara anteriormente, los modelos se realizaron sobre los ndices. Sin embargo, al ser la
inflacin la variable de inters, corresponde computar las variaciones de los ndices; por lo tanto, se
evalan en forma conjunta los errores de los ndices, de las variaciones mensuales y de las variaciones
interanuales con todas las medidas de evaluacin mencionadas pasibles de ser calculadas.
Las predicciones se evalan a nivel individual en su desempeo multi-pasos y n pasos en adelante para k
orgenes de tiempo; finalmente se presentan medidas relativas, que permiten responder las preguntas
centrales de esta investigacin. En todos los casos se tom como referencia el ltimo dato observado al
momento de redactar el trabajo: julio de 2010. Esto plantea un problema en la comparacin, pues
precisamente en julio de 2010 el IPC recoge los efectos de un shock no previsto sobre el tipo de cambio
nominal (TCN) ocurrido el mes anterior, lo que result en un valor observado de inflacin y en un error
de prediccin excepcionalmente elevados13. Dado que este tipo de shocks no son incorporados por los
modelos en forma inmediata, el mismo distorsiona todas las medidas de evaluacin. Por ende, en algunos
casos se consider paralelamente el ejercicio de tomar tambin como referencia junio de 2010 en las
medidas de resumen, siempre explicitando cul es la referencia utilizada.
Por otra parte, la presentacin de resultados desagregados en el cuerpo central del documento se hace
para uno o dos modelos en particular, dejando para el Anexo 3 el detalle del resto de los modelos. En
algunos cuadros se ejemplifica con el modelo 2, mtodo directo (M2).
13
En efecto, el TCN se vena ubicando en el entorno de los 19 Pesos/USD en los meses previos. A partir de mediados de junio se realiz un
cambio de poltica tendiente a llevar al TCN a niveles superiores. La difusin pblica incluy anuncios por integrantes del equipo econmico de
un valor de equilibrio en torno a 21 Pesos/USD, implicando una correccin al alza del TCN de 10%. Rpidamente el TCN de mercado se ubic
cercano a este valor, mantenindose en este guarismo desde entonces.
18
6.5.1
Evaluacin multi-pasos
En primer lugar se efectu una evaluacin multi-pasos o acumulada en la que se tom como referencia el
ltimo dato observado al momento de redactar este trabajo: julio 2010.
El cuadro 4 resume las predicciones obtenidas al estimar el ndice, la variacin mensual y la variacin
interanual del IPC-NG utilizando el M2, as como las medidas MADh y MAPEh acumuladas para el
mximo horizonte de prediccin en cada caso. La primera lnea del Cuadro 4.a muestra el valor
observado del ndice en el perodo octubre de 2009 a julio de 2010, la siguiente la prediccin obtenida
con base en octubre para 1 a 9 pasos en adelante, las dos ltimas columnas presentan el valor de la
medida acumulada. Por ejemplo, para 1 a 9 pasos en adelante el valor del MAPE9 es de 1.0% mientras
que un paso en adelante con datos a junio de 2010 es de 0.5%.
En el anexo 2 se presenta para las diferentes variables y modelos (M1 y M2) en el caso del ndice el
MAPEh y en el caso de la variacin interanual el MADh
Cuadro 4. Predicciones y errores de prediccin multi-pasos, M2
a. ndice
Observado
oct-09
nov-09
dic-09
ene-10
feb-10
mar-10
abr-10
may-10
jun-10
jul-10
281.0
281.1 282.4
281.1 282.0
282.0
285.1
282.8
282.9
283.5
286.7
282.4
282.6
283.3
286.0
289.4
283.3
283.4
284.3
287.5
288.7
289.9
283.2
283.3
284.3
287.9
289.4
290.6
290.4
283.7
283.8
284.8
288.7
290.3
291.8
290.6
291.2
284.9
285.1
286.2
290.2
292.0
293.6
292.2
291.7
294.3
286.1
286.2
287.3
291.5
293.3
295.0
293.5
292.9
291.9
oct-09
nov-09
dic-09
ene-10
feb-10
mar-10
abr-10
may-10
jun-10
jul-10
MAD
-0.01
0.06
0.02
0.47
0.33
0.34
0.93
0.29
0.30
0.40
0.56
-0.12
-0.12
-0.08
0.31
0.95
0.29
0.29
0.34
0.55
0.72
0.18
-0.02
-0.02
0.00
0.14
0.24
0.41
0.16
0.16
0.16
0.18
0.26
0.32
0.41
0.25
0.28
0.45
0.46
0.47
0.53
0.55
0.62
0.54
0.48
1.09
0.40
0.40
0.41
0.44
0.46
0.50
0.44
0.41
0.26
0.28
0.23
0.25
0.23
0.19
0.22
0.27
0.35
0.55
Datos a octubre 2009

Datos a noviembre 2009
Datos a diciembre 2009
Datos a enero 2010
Datos a febrero 2010
Datos a marzo 2010
Datos a abril 2010
Datos a mayo 2010
Datos a junio 2010
b. variacin mensual
Observado
Datos a enero 2010
Datos a marzo 2010
Datos a abril 2010
Datos a mayo 2010
Datos a junio 2010
c. var. Interanual
Observado
Datos a enero 2010
Datos a marzo 2010
Datos a abril 2010
Datos a mayo 2010
MAD MAPE
3.04
1.40
2.18
1.36
0.49
0.43
0.50
0.65
1.61
1.0%
0.5%
0.7%
0.5%
0.2%
0.1%
0.2%
0.2%
0.5%
oct-09
nov-09
dic-09
ene-10
feb-10
mar-10
abr-10
may-10
Jun-10
jul-10
MAD MAPE
6.53
6.39
6.38
5.90
5.73
5.75
6.05
5.21
5.24
5.49
6.93
5.35
5.39
5.69
6.67
7.12
4.87
4.91
5.24
6.43
6.88
7.35
4.89
4.93
5.28
6.63
7.18
7.60
7.09
4.63
4.67
5.04
6.47
7.09
7.61
7.19
6.19
3.92
3.96
4.36
5.83
6.47
7.06
6.56
6.39
6.29
3.31
3.36
3.76
5.25
5.92
6.54
5.98
5.78
5.42
1.11 16.5%
0.51 7.5%
0.80 11.8%
0.50 7.3%
0.18 2.7%
0.16 2.4%
0.18 2.9%
0.24 3.8%
0.58 9.2%
Datos a junio 2010
19
A partir de los valores del Cuadro 4 es posible calcular las medidas respecto al modelo M2 que figuran
en los diversos cuadros. En general como fue destacado anteriormente para el caso de valores observados
cercanos a cero el MAPE no es una buena medida, por lo cual no se presentan para la variacin mensual.
Y en el caso de la variacin interanual se muestra en este caso como referencia.
Por otra parte, considerando que se cuenta con predicciones a partir de noviembre de 2009, se puede
analizar cmo evolucionan las predicciones elaboradas con cada modelo al incorporar nuevas
observaciones de la serie y por ende reducir el horizonte de proyeccin desde 9 hasta 1 paso en adelante.
Para ello, se toma la ltima columna del cuadro 4.a y se grafica en funcin del rezago para cada uno de
los modelos directos del IPC-NG (M1 y M2).
Grfico 1. Evolucin del MAPE a distintos horizontes de proyeccin, M1 y M2
Evolucin MAPE a distintos horizontes de proyeccin
Finaliza en dato julio 2010
Evolucin MAPE a distintos horizontes de proyeccin

1.20%
2.0%
1.8%
1.00%
1.6%
1.4%
0.80%
1.2%
0.60%
1.0%
0.8%
0.40%
0.6%
0.4%
0.20%
0.2%
0.00%
0.0%
9
IPCNG_m2
IPCNG_m1
Se observa que en ambos casos el error absoluto medio porcentual se reduce a medida que se cuenta con
ms informacin y el horizonte de proyeccin es menor. La excepcin se da al pasar de dos a un paso, lo
que se explica por el shock al TCN que afect el valor del IPC de julio 2010, hecho comentado
anteriormente14.
Lo mismo se concluye al considerar la bondad de ajuste multi-pasos usando la ecuacin 28:
Grfico 2. Evolucin de la bondad de ajuste a distintos horizontes de proyeccin, M1 y M2
Evolucin bondad de ajuste a distintos horizontes de proyeccin

1.0
1.0
0.9
0.8
0.8
0.6
0.7
0.6
0.4
0.5
0.4
0.2
0.3
0.2
0.0
9
0.1
0.0
-0.2
IPCNG_m1
IPCNG_m2
14
Al considerar como referencia junio de 2010 no se observa este incremento en las proyecciones a un paso. Ver Anexo 3
20
En el caso de la variacin interanual los grficos presentan igual evolucin que al analizar las
predicciones del ndice. La volatilidad es mayor y la evolucin difiere en el caso de la inflacin mensual.
Esta forma de anlisis de los errores tambin resulta til para evaluar cmo evoluciona la prediccin
trimestral incorporando datos mensuales, mostrando cul es la habilidad del modelo en incorporar la
informacin de cada mes para mejorar la prediccin de la inflacin trimestral del trimestre corriente. Para
ello se utiliza la ecuacin (27), donde H = 3, h ,3 1 MADh MAD3 y se calcula la prediccin de
marzo de 2010 dado diciembre 2009, luego dado enero de 2010 y luego dado febrero de 2010; el mismo
ejercicio se repite para la prediccin de junio de 2010, obtenindose los siguientes resultados.
Grfico 3. Evolucin de la bondad de ajuste a horizontes de proyeccin trimestral, M1 y M2
Finaliza en m arzo 2010

Finaliza en m arzo 2010
0.9
1.0
0.8
0.9
0.7
0.8
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0.0
0.0
3
IPCNG_m2
IPCNG_m1

Finaliza en junio 2010

Finaliza en junio 2010
0.0
0.6
1
-0.1
-0.2
0.5
-0.3
0.4
-0.4
-0.5
0.3
-0.6
0.2
-0.7
-0.8
0.1
-0.9
0.0
3
-1.0
1
IPCNG_m2
IPCNG_m1
Se observa que en la mayor parte de los casos, la incorporacin de nuevas observaciones redunda en una
mejor capacidad predictiva de los modelos. La excepcin est dada con el modelo 2 para predecir la
inflacin trimestral de junio de 2010, donde los mejores resultados se obtienen al incorporar datos a
marzo de 2010.
Adicionalmente, puede utilizarse el MSE como medida de resumen entre diversos modelos, con el fin de
analizar cmo evolucionan conjuntamente las predicciones al considerar distintos horizontes de
proyeccin, de forma anloga a lo presentado en la evaluacin multi-pasos de modelos individuales. As,
al promediar las proyecciones de 4 modelos: modelos 1 y 2 por mtodo directo (M1, M2) y por mtodo
indirecto (MI1, MI2), se obtienen los siguientes resultados:
21
Grfico 4. Evolucin del MSE a distintos horizontes de proyeccin, promedio 4 modelos

Evolucin MSE entre m odelos a distintos horizontes de proyeccin
100
80
60
40
20
0
9
Promedio MD IPCNG: M1 y M2; MI: M1 y M2
Se observa nuevamente que a medida que se cuenta con ms informacin la precisin de las estimaciones
tiende a incrementarse. Si bien en este caso el error mnimo se comete considerando un horizonte de
proyeccin de 5 pasos, es muy similar al cometido a 2 pasos, mientras que el incremento del error en el
ltimo paso muestra el efecto del aludido shock sobre el TCN de julio de 2010.
6.5.2
Evaluacin n pasos en adelante para k orgenes de tiempo
En el cuadro 5 se presentan los resultados de aplicar las medidas basadas en los errores absolutos y
porcentuales a las predicciones obtenidas, ejemplificando con los modelos M1, M2 y combinacin de M1
y M2 del IPC-NG . Estas medidas se calcularon para todos los pasos desde h = 1 a h = 9; sin embargo,
dado los pocos datos disponibles y el foco en el corto plazo, se muestran los resultados para los primeros
3 pasos en adelante: un paso (se dispone de 9 observaciones), 2 pasos (8 observaciones) y 3 pasos (7
observaciones). Estos errores se computan con datos hasta julio de 2010, comenzando el primer origen
en octubre de 2009. Para el M2 los clculos son reproducibles a partir del cuadro 4.
Cuadro 5. Medidas resumen hasta h = 3. Modelos M1, M2, M1M2
MODELO 1, NDICE
Mnimo
MinAD
0.053
0.458
0.001
MinAPE
0.02%
0.16%
0.00%
AD
h=1 (9 observaciones)
APE
Mes
nov 09
dic 09
may 10
Mes
nov 09
dic 09
may 10
Media
MAD
0.800
1.518
2.380
MAPE
0.28%
0.53%
0.82%
Mediana
MdAD
0.658
1.406
2.279
MdAPE
0.23%
0.48%
0.80%
Mximo
MaxAD
2.390
3.325
5.073
MaxAPE
0.81%
1.16%
1.75%
Mes
jul 10
feb 10
mar 10
Mes
jul 10
feb 10
mar 10
Mximo
MaxAD
1.608
1.850
2.401
MaxAPE
0.55%
0.65%
0.83%
Mes
jul 10
feb 10
mar 10
Mes
jul 10
feb 10
mar 10
MODELO 2, NDICE
AD
APE
Mnimo
MinAD
0.185
0.104
0.226
MinAPE
0.06%
0.04%
0.08%
Mes
mar 10
ene 10
jul 10
Mes
mar 10
ene 10
jul 10
Media
MAD
0.582
0.726
1.156
MAPE
0.20%
0.25%
0.40%
Mediana
MdAD
0.436
0.534
1.231
MdAPE
0.15%
0.18%
0.43%
22
COMBINACIN M1M2, NDICE

AD
APE
Mnimo
MinAD
0.027
0.331
0.214
MinAPE
0.01%
0.12%
0.07%
Mes
dic 09
dic 09
may 10
Mes
dic 09
dic 09
may 10
Media
MAD
0.618
1.101
1.768
MAPE
0.21%
0.38%
0.61%
Mediana
MdAD
0.421
1.009
1.832
MdAPE
0.15%
0.34%
0.63%
Mximo
MaxAD
1.999
2.588
3.737
MaxAPE
0.68%
0.90%
1.29%
Mes
jul 10
feb 10
mar 10
Mes
jul 10
feb 10
mar 10
Al analizar los resultados de estas medidas resumen, se observa que el M2 es el modelo que tiene mejor
comportamiento global en cuanto a media y mediana para cada uno de los pasos analizados, si bien
puntualmente el menor error absoluto se obtuvo con el modelo M1 para h = 1 y h = 3. Otro hecho
relevante es que el mayor valor para un paso en adelante es en julio 2010, siendo de esperar que se repita
este comportamiento cuando se calcule el error a dos y tres pasos en adelante en los prximos meses.
Para el final de esta seccin se reserv un cuadro que resume varias conclusiones del uso de diversos
indicadores aplicados al conjunto de modelos estimados. As, el cuadro 6 introduce como medida
adicional de errores el MASE a los efectos de comparar resultados en las variaciones mensuales y
anuales, y la aplica a los ndices, las variaciones mensuales y las interanuales. Por otra parte, se incluyen
en el cuadro los 16 modelos de proyeccin con los que se est trabajando actualmente.
En el cuadro 6 se observa que para la prediccin directa del ndice el MASE confirma los resultados
obtenidos anteriormente a partir de las otras medidas resumen del cuadro 5; esto es, que el modelo 2 es el
mejor (MASE=0.4), mostrando adems que el mtodo indirecto presenta mayores errores. Esto se debe a
que se magnifican los errores en la estimacin de frutas y verduras (MASE=1.52), cuando se ponderan
los componentes del IPC, ya que el resto de los componentes del mtodo indirecto presenta valores de
MASE bastante bajos.
A su vez se muestran resultados para agrupaciones de ndices de precios y estimaciones indirectas del
IPC nivel general por ponderacin de modelos y juicio de experto para los administrados. En el caso de
transables sin frutas ni verduras (TXFV), el modelo M2 presenta errores aceptables, si bien superiores al
M2 del IPC general. El modelo de no transables de mercado (NTXA) tambin muestra un buen
comportamiento, tanto si se considera la muestra completa o truncada. Mientras tanto, las predicciones
del modelo directo de transables no muestra valores aceptables (MASE=1.24).
Asimismo, los modelos tanto para frutas como para verduras no tienen un comportamiento relativo
destacado, aunque el agregado frutas y verduras presenta un error porcentual inferior al 5% en todos los
horizontes, lo que puede considerarse como una prediccin razonable. Por lo tanto, estos errores quedan
magnificados en relacin a los bajos valores de los errores porcentuales de los modelos para los restantes
componentes. Por otra parte, la prediccin del indicador de inflacin subyacente (IPCX) muestra errores
bajos, para cada uno de los mtodos (directo o indirecto) utilizados, y para cualquiera de las
especificaciones (M1 o M2). En particular, se resalta la combinacin de mtodo indirecto a partir de la
muestra truncada al considerar un paso en adelante (MASE = 0.28), mientras que trabajando con h = 2 y
h=3 el mejor modelo es M2, mtodo directo.
Qu sucede cuando en vez de trabajar con el ndice se analiza el desempeo predictivo de la inflacin
mensual e interanual? Los resultados varan segn el caso. Para las variaciones, solo se dispone como
medida comparativa el MASE, que muestra valores menores que 1 en todos los casos en la variacin
mensual, ya sea el nivel general o para agrupamientos. Mientras que para la inflacin anual los NTXA
son los nicos que presentan valores mayores a 1. Para el IPC-NG, el M2 directo es el modelo de mejor
desempeo, mientras que para el IPCX el mtodo directo compite con el indirecto, ambos en la
especificacin M1.
23
Cuadro 6. Comparacin resultados

ndice
IPC_NG
m1
m2
MI_m1
TXFV
MI_m2
m1
NTXA
m2
m1
m2
IPCX
m1
m1
m2
MI_m1
MI_m2
FyV
m1
m1
MI
MAD
h=1
0.80
0.58
1.90
1.87
1.51
1.19
0.60
0.59
1.90
0.48
0.60
0.53
0.44
13.70
17.83
13.57
h=2
1.52
0.73
1.67
1.64
2.16
1.85
0.99
1.01
2.49
1.27
1.06
1.25
1.08
24.82
21.84
14.52
h=3
2.38
1.16
1.78
1.63
2.83
2.53
1.64
1.69
3.16
1.74
1.30
1.88
1.86
32.18
25.66
15.99
h=1
0.3%
0.2%
0.7%
0.6%
0.6%
0.4%
0.2%
0.2%
0.7%
0.2%
0.2%
0.2%
0.2%
3.6%
4.9%
3.7%
h=2
0.5%
0.3%
0.6%
0.6%
0.8%
0.7%
0.3%
0.3%
0.9%
0.4%
0.4%
0.4%
0.4%
6.9%
6.1%
4.1%
h=3
0.8%
0.4%
0.6%
0.6%
1.1%
0.9%
0.5%
0.6%
1.2%
0.6%
0.5%
0.7%
0.7%
9.1%
7.1%
4.5%
0.62
0.40
1.48
1.27
1.18
0.93
0.47
0.35
1.24
0.40
0.43
0.44
0.28
1.21
1.40
1.52
IPCX
F
MI_m1 MI_m2 m1
V
m1
FyV
MI
MAPE
MASE
h=1
Variacin mensual
m1
MAD
h=1
h=2
h=3
MASE
h=1
m2
IPC_NG
TXFV
MI_m1 MI_m2 m1
m2
m1
NTXA
m2
T
m1
m1
m2
0.28
0.38
0.44
0.21
0.21
0.27
0.27
0.32
0.40
0.28
0.30
0.38
0.57
0.50
0.57
0.45
0.53
0.52
0.20
0.21
0.22
0.20
0.25
0.26
0.70
0.65
0.67
0.17
0.33
0.31
0.21
0.26
0.26
0.19
0.29
0.32
0.20
0.29
0.31
3.54
4.33
4.73
5.14
5.33
5.99
3.81
3.94
4.32
0.56
0.37
0.55
0.51
0.98
0.87
0.64
0.56
0.76
0.48
0.62
0.53
0.57
0.57
0.58
0.59
Variacin interanual
m1
MAD
h=1
h=2
h=3
MASE
h=1
m2
IPC_NG
TXFV
MI_m1 MI_m2 m1
m2
m1
NTXA
m2
T
m1
m1
m2
IPCX
F
MI_m1 MI_m2 m1
V
m1
FyV
MI
0.29
0.56
0.88
0.21
0.27
0.43
0.47
0.45
0.53
0.46
0.45
0.48
0.59
0.84
1.10
0.46
0.72
0.98
0.64
0.84
1.18
0.67
0.87
1.24
0.71
0.93
1.18
0.18
0.47
0.65
0.22
0.40
0.49
0.20
0.47
0.70
0.21
0.46
0.71
3.48
6.47
8.59
5.03
6.06
7.08
3.74
4.05
4.37
0.43
0.32
0.68
0.69
0.59
0.50
1.51
1.57
0.58
0.30
0.40
0.32
0.37
0.48
0.54
0.58
6.5.3
Medidas relativas
En este bloque se compara la capacidad predictiva un paso en adelante del modelo M2 directo (nuestro
mejor modelo al momento de escribir este documento), respecto a los dos benchmarks en trminos de
errores absolutos: el modelo naif (paseo al azar) en que se repite el valor anterior; y la mediana de las
expectativas publicadas por el BCU. Nos limitamos a este horizonte cercano porque la encuesta de
expectativas difunde predicciones a 1, 6 y 12 pasos nicamente y nuestro trabajo tiene 9 meses de datos.
Por otro lado, y ms importante, no pueden realizarse evaluaciones relativas a h = 2, 3, que es el foco de
este trabajo, ya que no hay valores de expectativas a esos horizontes. S se puede comparar con el modelo
naif, pero resulta ser un mal referente pues tiene un desempeo muy pobre en esos horizontes.
Analizando los resultados de errores relativos en el Cuadro 7, para el ndice y las variaciones (mensual e
interanual), se puede establecer que en trminos generales el modelo M2 genera predicciones fuera de la
muestra superiores a los dos modelos de referencia. As, con datos hasta junio de 2010 supera al paseo al
azar en casi todos los casos, y en ms de la mitad de los casos supera a la mediana de las expectativas,
pese a que nuestros modelos generan las proyecciones con unas 2 semanas de anticipacin a la encuesta.
Asimismo, el valor anormalmente alto de julio de 2010 ilustra muy bien el efecto que el shock del tipo de
cambio provoc en el dato efectivo y por ende en el error de pronstico: la inflacin fue extraamente
elevada al influjo del aumento de los bienes transables, mientras que modelo esperaba una baja estacional
para ese mes.
24
Cuadro 7. Medidas relativas: cociente de errores absolutos, M2 vs. benchmarks

ndices:
Perodo base
Prediccin Observado Error M2
oct-09
nov-09
dic-09
ene-10
feb-10
mar-10
abr-10
may-10
jun-10
nov-09
dic-09
ene-10
feb-10
mar-10
abr-10
may-10
jun-10
jul-10
281.11
282.43
285.07
286.66
289.38
289.89
290.35
291.17
294.33
0.19
0.44
0.72
0.84
0.18
0.28
0.21
0.76
1.61
Error paseo al Error mediana M2/paseo al M2/mediana

azar
expectativas
azar
expectativas
0.16
0.12
1.19
1.57
1.32
0.48
0.33
0.92
2.64
0.89
0.27
0.81
1.59
0.45
0.53
1.87
2.72
1.29
0.07
0.14
0.51
0.65
0.55
0.43
0.46
0.50
0.47
0.43
0.82
0.63
0.93
1.21
3.16
0.04
0.51
37.51
Variacin mensual:
Perodo base
oct-09
nov-09
dic-09
ene-10
feb-10
mar-10
abr-10
may-10
jun-10
nov-09
dic-09
ene-10
feb-10
mar-10
abr-10
may-10
jun-10
jul-10
0.06
0.47
0.93
0.56
0.95
0.18
0.16
0.28
1.09
0.09
0.16
0.26
0.29
0.06
0.10
0.07
0.26
0.55

azar
expectativas
azar
expectativas
0.07
0.04
1.26
1.98
0.41
0.17
0.38
0.94
0.47
0.31
0.55
0.81
0.38
0.16
0.78
1.87
0.39
0.45
0.16
0.14
0.77
0.22
0.13
0.43
0.02
0.17
4.21
0.43
0.12
0.22
2.12
1.21
0.80
0.01
0.69
37.51
Variacin interanual:
Perodo base
oct-09
nov-09
dic-09
ene-10
feb-10
mar-10
abr-10
may-10
jun-10

nov-09
dic-09
ene-10
feb-10
mar-10
abr-10
may-10
jun-10
jul-10
6.39
5.90
6.05
6.93
7.12
7.35
7.09
6.19
6.29
0.06
0.16
0.27
0.31
0.07
0.10
0.08
0.28
0.58

azar
expectativas
azar
expectativas
0.14
0.05
0.44
1.31
0.49
0.18
0.33
0.89
0.15
0.33
1.78
0.81
0.88
0.17
0.36
1.87
0.19
0.48
0.36
0.14
0.23
0.24
0.45
0.43
0.27
0.18
0.30
0.43
0.90
0.23
0.31
1.21
0.10
0.02
5.70
37.87
Cuando se considera el cociente de medidas absolutas como indicador comparado de la performance en

la elaboracin de predicciones de dos modelos (cuadro 8), se observa que la relacin es sensible al
perodo y a la funcin estadstica utilizada en el clculo. Por ejemplo, con datos a julio de 2010 (9
observaciones) el cociente de MAD1 es menor que 1 para el modelo M2 respecto al paseo al azar,
mientras que es levemente mayor que 1 respecto a la mediana de las expectativas; en cambio con datos a
junio de 2010 (8 observaciones), el M2 es superior a ambos benchmarks. Por otra parte, si se considera
como funcin para calcular los ratios la mediana (MdAD1) en vez de la media (MAD1), la cual es sensible
a puntos extremos, el modelo M2 supera a la mediana de expectativas an con datos a julio de 2010. Esto
demuestra nuevamente la importancia de especificar en las comparaciones no slo la medida usada, sino
tambin el perodo y la forma de clculo de las predicciones.
Con respecto a la combinacin de predicciones, no se consiguen ganancias adicionales de combinar los
dos mejores modelos en cuanto a desempeo predictivo, que son los M1 y M2 mtodo directo, lo que
25
implica que el modelo M2 domina al M1. Por otra parte, la prediccin que combina el modelo M2 y la
mediana de expectativas resulta mejor a un paso que el modelo M2 directo usando el cociente de MAD1.
Sin embargo, al usar una medida resistente a puntos extremos como la MdAD1, se observa que el M2
supera a dicha combinacin. Adems, dado que no se dispone de la mediana de expectativas hasta unas 2
semanas despus de elaborar las predicciones, no se puede usar en la prctica este resultado.
Cuadro 8. Medida relativa: cocientes de medidas absolutas, MAD y MdAD a 1 paso
Comparacin de modelos con sus benchmarks
MAD1 a julio 2010
MAD1 a junio 2010
ndice
M1
M2
M1_M2
Paseo al azar
Expectativas
ndice
M2 M1_M2 Paseo al azar
1.374 1.296
0.538
0.943
0.392
0.415
Expectativas
1.428
1.039
1.102
2.654
M2_Expect
1.690
1.230
1.305
3.141
1.183

1.366 1.290
0.735
0.945
0.538
0.569
Expectativas
1.431
1.048
1.109
1.948
M2_Expect
1.691
1.239
1.311
2.302
1.182

1.380 1.304
0.788
0.944
0.571
0.605
Expectativas
1.413
1.024
1.084
1.792
M2_Expect
1.686
1.222
1.293
2.139
1.193
Var mes
M1
M2
M1_M2
Paseo al azar
Expectativas

1.325 1.352
0.471
1.021
0.355
0.348
Expectativas
0.962
0.727
0.712
2.044
M2_Expect
1.383
1.044
1.023
2.939
1.437

1.314 1.341
0.647
1.021
0.492
0.482
Expectativas
0.973
0.740
0.725
1.504
M2_Expect
1.392
1.059
1.037
2.152
1.430

1.334 1.364
0.547
1.022
0.410
0.401
Expectativas
0.959
0.719
0.703
1.752
M2_Expect
1.385
1.038
1.016
2.531
1.444
Var mes
Vimaa
M1
M2
M1_M2
Paseo al azar
Expectativas
M1
M2
M1_M2
Paseo al azar
Expectativas
M1
M2
M1_M2
Paseo al azar
Expectativas
Vimaa
M1
M2
M1_M2
Paseo al azar
Expectativas
MdAD1 a julio 2010

ndice
M2
M1
M2
M1_M2
Paseo al azar
Expectativas
1.507
M1_M2
1.561
1.036
Paseo al azar
0.498
0.331
0.319
Expectativas
1.325
0.879
0.848
2.658
M2_Expect
1.020
0.677
0.653
2.047
0.770
1.441
M1_M2
1.557
1.081
Paseo al azar
0.585
0.406
0.376
Expectativas
1.336
0.927
0.858
2.283
M2_Expect
1.012
0.702
0.650
1.729
0.757
1.525
M1_M2
1.561
1.024
Paseo al azar
1.047
0.687
0.671
Expectativas
1.330
0.872
0.852
1.270
M2_Expect
1.012
0.664
0.648
0.966
0.761
Var mes
M2
M1
M2
M1_M2
Paseo al azar
Expectativas
Vimaa
M2
M1
M2
M1_M2
Paseo al azar
Expectativas
Para finalizar, en el grfico 5 se muestran, a modo de resumen para el perodo noviembre de 2009 a julio
de 2010, las predicciones un paso en adelante de la variacin mensual del IPC-NG obtenidas a partir de
los modelos M1 y M2 y la mediana de expectativas, junto al valor efectivamente observado.
26
Grfico 5. Predicciones un paso en delante de la variacin mensual del IPC-NG
1.200
1.00
.800
.600
.400
.200
.00
-.200
Noviembre Diciembre Enero
Febrero
Dato Observado
6.5.4
Marzo
BCU-M1
Abril
BCU - M2
Mayo
Junio
Julio
Mediana Expectativas
Performance de modelos univariados vs modelo estructural
Una pregunta interesante a responder es cul es el poder predictivo relativo de los modelos univariados
mensuales respecto al Modelo Macroeconmico Estructural Trimestral (MMET) que se utiliza para
predicciones y simulaciones en el horizonte de poltica.
Al comparar el desempeo predictivo de ambos modelos se observa que las predicciones univariadas de
la variacin trimestral del IPC-NG exhiben en todos los casos errores inferiores, mostrando en general
diferencias sustanciales. El cuadro 9 presenta un resumen de las predicciones y medidas de evaluacin de
errores (absolutos y relativos) obtenidos a partir de cada uno de estos modelos. Para el MMET, al ser un
modelo trimestral, se considera la proyeccin 1 paso adelante, mientras que para el modelo univariado de
referencia (M2), el que es mensual, se consideran proyecciones a 4, 3, 2 y 1 pasos en adelante. Para
ambos modelos se presenta su Error Absoluto (AD) as como el cociente de errores absolutos del M2
univariado respecto al MMET (M2/MMET) como medida relativa; en este ltimo caso, un valor menor a
1 implica menor error relativo del M2 univariado.
Cuadro 9. Prediccin variacin trimestral IPC-NG. Evaluacin de resultados
Fecha Perodo base Prediccin h Var trim
Observado
2009.IV
0.52
Observado
2010.I
2.46
Observado
2010.II
0.88
MMET
2009.III
2009.IV
1
1.69
MMET
2009.IV
2010.I
1
1.55
MMET
2010.I
2010.II
1
1.84
Univariado M2
2009.10
2009.12
2
0.44
Univariado M2
2009.11
2009.12
1
0.66
Univariado M2
2009.11
2010.03
4
1.66
Univariado M2
2009.12
2010.03
3
1.61
Univariado M2
2010.01
2010.03
2
1.98
Univariado M2
2010.02
2010.03
1
2.40
Univariado M2
2010.02
2010.06
4
0.83
Univariado M2
2010.03
2010.06
3
0.86
Univariado M2
2010.04
2010.06
2
0.99
Univariado M2
2010.05
2010.06
1
0.88
AD
M2/MMET
1.18
0.91
0.96
0.08
0.15
0.80
0.85
0.48
0.07
0.05
0.03
0.10
0.00
0.07
0.13
0.88
0.94
0.53
0.07
0.06
0.03
0.11
0.00
27
En todos los casos el error del M2 es menor al del MMET. La mxima diferencia entre modelos se
observ al proyectar el segundo trimestre de 2010, en el que los errores absolutos del modelo M2
univariado fueron muy pequeos: al considerar informacin hasta febrero de 2010 y proyectar 4 pasos en
adelante se prevea una inflacin trimestral de 0.83%, siendo el dato efectivo 0.88%, lo que implic un
error absoluto de 0.05%. Por su parte, el modelo estructural proyect para dicho perodo una inflacin
trimestral de 1.84%, incorporando informacin hasta el primer trimestre de 2010 (proyeccin a un paso),
lo que implic un error absoluto de 0.96%. De esta manera, al considerar el cociente de ambos errores, se
concluye que el error de prediccin del modelo M2 a 4 pasos representa un 6% del error del modelo
estructural a 1 paso al predecir el segundo trimestre de 2010.
Por otra parte, las predicciones a 4 y 3 pasos en adelante del modelo M2 para la inflacin trimestral a
marzo de 2010 son similares a las obtenidas a partir del modelo estructural 1 paso en adelante,
ubicndose por debajo del valor efectivo en dicho perodo. Asimismo, las predicciones univariadas
presentan una importante mejora al incorporar el dato efectivo de febrero 2010.
Por lo tanto, se concluye que las proyecciones trimestrales del MMET podran apoyarse en las
proyecciones univariadas mensuales en el primer paso de los ejercicios de proyeccin.
7. Conclusiones
Este trabajo present una evaluacin de distintos modelos univariados de prediccin del IPC y sus
componentes, los que fueron evaluados entre s y con respecto a dos modelos de referencia en funcin de
su poder predictivo. Las principales conclusiones que se han alcanzado permiten responder a las
preguntas iniciales de la investigacin.
En casi todos los casos analizados el mejor modelo de prediccin dentro de los 4 modelos especificados
para el IPC nivel general es el modelo de mtodo directo que tiene en cuenta un cambio en el proceso
inflacionario a partir de 2003 (el llamado M2), lo que se cumple para los distintos horizontes
considerados (h = 1, 2, 3).
Este modelo tambin es superior a los dos benchmarks utilizados para la evaluacin un paso en adelante:
el paseo al azar y la mediana de la encuesta de expectativas, aun cuando el informe interno de
proyecciones se distribuye con anterioridad a la publicacin de la referida encuesta
Si bien los modelos desagregados muestran buen desempeo relativo en varios de sus componentes,
como es el caso de bienes transables y no transables de exclusin, en el agregado son dominados por la
prediccin directa; las principales fuentes de error son el modelo de frutas y de verduras.
Cuando la variable a proyectar es el IPCX, medida de inflacin subyacente de exclusin, se encuentra
que los modelos muestran un buen comportamiento predictivo 1, 2 y 3 pasos en adelante, aunque en
general tambin aqu domina el modelo mtodo directo M2.
Al trabajar con combinacin lineal de pronsticos se obtiene que para predicciones un paso en adelante la
combinacin del modelo M2 y la mediana de expectativas supera en muchos casos al mejor modelo
univariado individual, sin embargo, esta combinacin no est disponible a tiempo, dados los rezagos de
publicacin de la encuesta de expectativas.
Asimismo, la prediccin trimestral considerando proyecciones mensuales resulta superior a la prediccin
trimestral a un paso del modelo estructural, lo que confirma la importancia de estos modelos univariados
en el marco general de predicciones habituales para el COPOM.
Adems cabe resaltar que estos resultados son dependientes del perodo analizado y de la medida de
evaluacin seleccionada. En particular, se recomienda el uso de las medidas MdAPEh en general y MASE
en el caso de valores observados de la variable analizada cercanos a cero.
Los errores de proyeccin un paso en adelante hasta el momento son pequeos, y menores a los de la
mediana de expectativas, lo que refleja el buen poder predictivo de corto plazo de este tipo de modelos.
El continuo cmputo y anlisis de los errores permitir en el futuro optar entre las diversas
28
especificaciones. En el estado actual del trabajo, se sugiere trabajar con el modelo M2 para el IPC-NG,
sus componentes y el IPCX.
Este documento es el paso inicial del estudio de proyecciones de corto plazo de inflacin, con lo que deja
una interesante agenda a completar en el futuro. Por un lado, la muestra de predicciones relativamente
pequea le da un carcter de trabajo en curso a este documento, con lo que se debe continuar ampliando
la muestra de evaluacin de errores y monitoreando en forma continua las conclusiones de este trabajo.
Otra lnea de avance dentro de este tipo de modelos debera trabajar en forma ms profunda y
desagregada los criterios de agregacin estadsticos de los componentes, investigando las potenciales
mejoras de la proyeccin indirecta al contar con componentes definidos en forma ms rigurosa del punto
de vista formal. En este mismo sentido, sera interesante evaluar las opciones de mejorar los modelos de
los componentes de menor poder predictivo, como los de frutas y verduras, avanzando seguramente ms
all del universo univariado. Asimismo, este trabajo present una aproximacin sencilla a la
combinacin de pronsticos; esto abre una lnea de trabajo eventualmente fructfera, investigando las
distintas tcnicas de combinacin ptima de proyecciones presentes en la literatura. Finalmente, si bien
se ha mostrado que los modelos univariados poseen grandes virtudes para los pronsticos de corto plazo,
el shock al IPC de julio de 2010 mostr una importante limitacin, vinculada a la falta de opciones de
incorporar datos externos. Por lo tanto, se genera un campo de investigacin futura al tratar de incorporar
informacin externa a las series de tiempo, avanzando en modelos multivariados de tipo VAR o funcin
de transferencia.
29
Bibliografa
Armstrong J.S., Collopy, F. (1992): Error measures for generalizing about forecasting methods:
Empirical comparisons. International Journal of Forecasting 8 (1992) 69-80.
Barrera C.R. (2005): Proyecciones desagregadas de la variacin del ndice de Precios al Consumidor
(IPC), del ndice de Precios al Por Mayor (IPM) y del crecimiento del producto real (PBI). Banco
Central de Reserva del Per.
Bates, J.M., Granger, J.M.G. (1969): The combination of forecasts. Oper. Res. Q. 20. 451-468
Bergara, M., Dominioni, D., Licandro, J. (1995): Un Modelo para Comprender la Enfermedad
Uruguaya. Revista de Economa, Banco Central del Uruguay, Vol. II, N 2.
Blinder, A. (1997): Commentary. Federal Reserve Bank of St. Louis Review, 79, 157-160.
Boero G., Smith J., Wallis K. (2008): Evaluating a three-dimensional panel of point forecasts: The Bank
of England Survey of External Forecasters. International Journal of Forecasting 24 (2008) 354-367.
Box, G.E.P., Jenkins, G.M. (1970): Time Series Analysis: Forecasting and Control. Holden-Day, San
Francisco, CA
Cancelo, J.R., Fernndez, A., Grosskoff, R., Selves, R., Villamonte, G. (1994): Precios Transables y no
Transables: Un enfoque ARIMA-IA. Documento presentado en las IX Jornadas Anuales de Economa.
Banco Central del Uruguay.
Damato, L., Sanz, L., Sotes, J. (2005): Evaluacin de medidas alternativas de Inflacin Subyacente
para Argentina. Dcimas Jornadas de Economa Monetaria e Internacional, Universidad Nacional de La
Plata.
Diebold, F., Kilian, L. (2001): Measuring Predictability: Theory and Macroeconomic Applications.
Journal of Applied Econometrics, Vol 16, N6 (Nov-Dec,, 2001) 657 669
Espasa, A., Molina, A., Ortega, E. (1984): Forecasting the rate of inflation by means of the consumer
price index, Fourth International Symposium on Forecasting, Londres, julio.
Espasa, A., Cancelo, J.R. (1993): Mtodos Cuantitativos para el Anlisis de la Coyuntura Econmica,
Alianza Editorial, Madrid.
Espasa, A., Senra, E., Albacete, R (2002): Forecasting EMU inflation: A disaggregated approach by
countries and by sectors, The European Journal of Finance, v. 8, 402-421.
Fernndez, R. (2002): Dos Modelizaciones de la Formacin de Precios en Uruguay. Revista de
Economa, Banco Central del Uruguay, Vol. IX, N 1.
Franses, P.H. (1998): Time series models for business and economic forecasting. Cambridge University
Press.
Garda, P., Lanzilotta, B., Lorenzo, F. (2004): Descripcin y evaluacin de un esquema metodolgico
para el diagnstico y prediccin de la inflacin en Uruguay. XIX Jornadas de Economa del Banco
Central del Uruguay.
Gianelli, D., Vicente, L., Basal, J., Mourelle, J. (2010): Un modelo macroeconomtrico de estimacin
trimestral para la economa uruguaya. XXV Jornadas de Economa del Banco Central del Uruguay.
30
Gonzalez, E., Gomez, M., Melo, L., y Torres, J. (2006). Forecasting Food Price Inflation in Developing
Countries with Inflation Targeting Regimes: the Colombian Case. Borradores de Economa No 409.
Banco de la Repblica.
Gonzlez E. (2008): Pronsticos de agregados a partir de desagregados. Caso emprico: Inflacin de
alimentos en Colombia. Borradores de Economa No 504. Banco de la Repblica.
Goodwin, P., Lawton, R. (1999): On the asymmetry of the symmetric MAPE. International Journal of
Forecasting 15 (1999) 405-408
Hendry, D. and Hubrich, K (2006). Forecasting economic aggregates by disaggregates. Working paper
No. 589, February. European Central Bank.
Hubrich, K. (2003). Forecasting Euro area inflation: Does aggregating forecasts by HICP component
improve forecast accuracy? International Journal of Forecasting 21(1): 119 -136.
Hyndman, R.J., Koehler, A.B. (2006): Another look at measures of forecast accuracy. International
Journal of Forecasting 22 (2006) 679-688
Instituto Nacional de Estadstica (1997). Metodologa del ndice de los Precios del Consumo (IPC).
Lahiri, K., Sheng, X. (2010): Learning and Heterogeneity in GDP and inflation forecasts. International
Journal of Forecasting 26 (2010) 265 292
Lorenzo, F., Aboal, D., Osimani, R., (2005): The Elasticity of Substitution in Demand for Non-Tradable
Goods in Uruguay. Washington, DC, United States: Inter-American Development Bank. Research
Network Working Paper #R-480.
Ltkepohl, H. (1987). Forecasting aggregated vector VARMA processes. Springer- Verlag eds.
Makridakis S., Hibon M. (2000): The M3-Competition: results, conclusions and implications.
International Journal of Forecasting 16 (2000) 451- 476
Matea De los Llanos M. (1993): Anlisis de la inflacin en Espaa. Recopilado en: Espasa y Cancelo
(1993). Mtodos Cuantitativos para el anlisis de la coyuntura econmica.
Pereira M. (2009): Inflacin subyacente en Uruguay: cuatro propuestas para su clculo. Tesis para
obtencin de ttulo de Maestra en Economa. Universidad de la Repblica.
Tashman, L.J. (2000): Out-of-sample tests of forecasting: an analysis and review. International Journal
of Forecasting 16 (2000) 437-450.
Vega. J.L., Wynne, M. (2004): A First Assessment of Some Measures of Core Inflation for the Euro
Area. Research Department, Working Paper 0205. Federal Reserve Bank of Dallas
Webby, R., OConnor, M. (1996): Judgemental and statistical time series forecasting: a review of the
literature. International Journal of Forecasting 12 (1996) 91-118
31
Anexo 1
Cuadro a.1.1 - Varianza por sub rubros de la canasta IPC (tasas de variacin interanual).
Ordenado de mayor a menor varianza.
Totalidad del perodo (1997 - 2009)
TRANSPORTE AEREO
VERDURAS, LEGUMBRES Y TUBERCULOS
APARATOS DE AUDIO, VIDEO, TV
GAS
ACEITES Y GRASAS
EQUIPO DE TRANSPORTE PERSONAL
FRUTAS
GASTOS EN EXCURSIONES
ARTEFACTOS Y ELECTRODOMESTICOS
SERVICIO DE HOTELES Y ALOJAMIENTO
ALFOMBRAS Y REVESTIMIENTOS
COMBUSTIBLES Y LUBRICANTES
CARNES Y DERIVADOS
SERVICIO DOMESTICO
OTROS EFECTOS PERSONALES
AZUCAR, CAFE, TE, YERBA Y CACAO
CRISTALERIA, VAJILLA, UTENSILLOS
ARTICULOS PARA CUIDADO PERSONAL
COMBUSTIBLE
LIBROS Y MATERIALES DE ENSEANZA
SERVICIOS PARA EL HOGAR EXC. SERVICIO DOMESTICO
CORREO Y ENCOMIENDAS
ELECTRICIDAD
TABACO
BEBIDAS ALCOHOLICAS
SERVICIOS Y MATERIALES P/REPARACION
SERVICIO TELEFONICO
COMIDAS SEMIELABORADAS
LACTEOS Y HUEVOS
AGUA CORRIENTE
OTROS ALIMENTOS
TEJIDOS PARA EL HOGAR Y OTROS ACCESORIOS
ENTRADA A ESPECTACULOS
OTROS SERVICIOS
PANES Y CEREALES
CALZADO
APARATOS Y EQUIPOS TERAPEUTICOS
OBJETOS DE ARTE Y DECORACION
PRODUCTOS MEDICINALES Y FARMACEUTICOS
TRANSPORTE TERRESTRE
COMIDAS ELABORADAS
PIEZAS Y ACC. Y REP. DE ARTICULOS
OTROS ARTICLOS RECREATIVOS NO DURADEROS
SERVICIOS FINANCIEROS
BEBIDAS NO ALCOHOLICAS
MUEBLES, ACCESORIOS FIJOS
TELA, HILADOS Y SERVICIOS DE CONFECCION
DIARIOS, REVISTAS Y OTROS IMPRESOS
REPARACIONES DEL HOGAR
LIBROS
ALQUILERES BRUTOS
VESTIMENTA EXTERIOR
OTROS GASTOS DE TRANSPORTE
JUEGOS DE AZAR
NEUMATICOS, CAMARAS, PIEZAS Y REPARACION
VESTIMENTA INTERIOR
OTROS GASTOS EN SERVICIOS DE ESPARCIMIENTO
GASTOS COMUNES E IMPUESTOS MUNICIPALES
VESTIMENTA DE BEBE
SERVICIOS PERSONALES
SERVICIOS MEDICOS NO MUTUALES
SERVICIOS MEDICOS MUTUALES Y COLECTIVOS
SERVICIOS PROFESIONALES
MATRICULAS Y CUOTAS DE ENSEANZA EXTRACURRICULAR
COMIDAS FUERA DEL HOGAR
SERVICIOS FUNEBRES
INTERNACIONES E INTERVENCIONES QUIRURGICAS
REPARACION DE CALZADO
MATRICULAS Y CUOTAS DE ENSEANZA CURRICULAR
ACTIVIDADES RECREATIVAS
Perodo 2003 - 2009
8.43%
6.95%
5.04%
4.34%
4.28%
4.15%
4.13%
3.77%
3.70%
3.68%
2.78%
2.56%
2.34%
2.09%
1.68%
1.62%
1.61%
1.57%
1.46%
1.23%
1.11%
1.09%
1.02%
0.92%
0.92%
0.88%
0.86%
0.80%
0.77%
0.77%
0.76%
0.75%
0.74%
0.74%
0.71%
0.66%
0.65%
0.62%
0.59%
0.57%
0.56%
0.54%
0.49%
0.48%
0.47%
0.46%
0.43%
0.43%
0.41%
0.36%
0.35%
0.33%
0.32%
0.30%
0.29%
0.27%
0.26%
0.25%
0.23%
0.23%
0.22%
0.22%
0.21%
0.20%
0.20%
0.17%
0.15%
0.15%
0.14%
0.06%

FRUTAS
TRANSPORTE AEREO
SERVICIO DOMESTICO
ACEITES Y GRASAS
GAS
TABACO
COMBUSTIBLE
CARNES Y DERIVADOS
LACTEOS Y HUEVOS
PANES Y CEREALES
SERVICIO TELEFONICO
ELECTRICIDAD
COMIDAS ELABORADAS
ALQUILERES BRUTOS
VESTIMENTA DE BEBE
BEBIDAS ALCOHOLICAS
OTROS ALIMENTOS
AGUA CORRIENTE
VESTIMENTA EXTERIOR
OTROS SERVICIOS
LIBROS
CALZADO
VESTIMENTA INTERIOR
SERVICIOS FUNEBRES
JUEGOS DE AZAR
10.743%
6.268%
4.465%
3.036%
2.920%
1.730%
1.703%
1.270%
1.261%
1.237%
1.224%
1.109%
0.875%
0.864%
0.803%
0.719%
0.681%
0.668%
0.547%
0.511%
0.412%
0.372%
0.352%
0.346%
0.341%
0.322%
0.316%
0.313%
0.294%
0.279%
0.197%
0.191%
0.164%
0.162%
0.158%
0.153%
0.150%
0.144%
0.143%
0.130%
0.112%
0.111%
0.106%
0.105%
0.103%
0.095%
0.089%
0.083%
0.080%
0.078%
0.076%
0.076%
0.071%
0.068%
0.064%
0.064%
0.063%
0.061%
0.061%
0.057%
0.055%
0.053%
0.052%
0.051%
0.045%
0.045%
0.038%
0.034%
0.032%
0.026%
32
Cuadro a.1.2 - Coeficiente beta por sub rubros de la canasta IPC (tasas de variacin interanual).
Ordenado de mayor a menor coeficiente.
Totalidad del perodo (1997 - 2009)
TRANSPORTE AEREO
GAS
ACEITES Y GRASAS
CARNES Y DERIVADOS
BEBIDAS ALCOHOLICAS
ELECTRICIDAD
COMBUSTIBLE
AGUA CORRIENTE
OTROS ALIMENTOS
OTROS SERVICIOS
SERVICIO TELEFONICO
CALZADO
PANES Y CEREALES
LACTEOS Y HUEVOS
COMIDAS ELABORADAS
JUEGOS DE AZAR
LIBROS
FRUTAS
VESTIMENTA INTERIOR
VESTIMENTA EXTERIOR
SERVICIOS FUNEBRES
VESTIMENTA DE BEBE
TABACO
ALQUILERES BRUTOS
SERVICIO DOMESTICO
Perodo 2003 - 2009
3.90
3.27
2.95
2.95
2.77
2.75
2.69
2.55
2.45
2.41
2.13
2.13
2.01
1.82
1.80
1.64
1.62
1.56
1.54
1.53
1.45
1.44
1.44
1.43
1.35
1.35
1.29
1.26
1.24
1.20
1.20
1.17
1.12
1.12
1.11
1.10
1.08
1.07
1.03
0.97
0.91
0.90
0.85
0.84
0.81
0.78
0.78
0.74
0.69
0.67
0.66
0.64
0.54
0.48
0.47
0.44
0.38
0.20
0.17
0.15
0.05
-0.03
-0.12
-0.15
-0.16
-0.24
-0.31
-0.35
-0.36
-0.60

ACEITES Y GRASAS
TRANSPORTE AEREO
CARNES Y DERIVADOS
FRUTAS
COMBUSTIBLE
GAS
LACTEOS Y HUEVOS
COMIDAS ELABORADAS
PANES Y CEREALES
SERVICIO TELEFONICO
BEBIDAS ALCOHOLICAS
AGUA CORRIENTE
JUEGOS DE AZAR
SERVICIOS FUNEBRES
VESTIMENTA EXTERIOR
OTROS ALIMENTOS
VESTIMENTA INTERIOR
OTROS SERVICIOS
ELECTRICIDAD
LIBROS
CALZADO
ALQUILERES BRUTOS
VESTIMENTA DE BEBE
TABACO
SERVICIO DOMESTICO
5.48
5.02
4.92
4.49
4.01
3.55
3.52
3.19
3.04
2.73
2.51
2.50
2.22
2.15
2.15
2.11
1.92
1.91
1.73
1.27
1.23
1.23
1.18
1.10
1.07
1.03
1.01
0.96
0.94
0.89
0.86
0.83
0.76
0.70
0.65
0.64
0.63
0.62
0.61
0.59
0.57
0.55
0.50
0.46
0.42
0.41
0.37
0.33
0.30
0.17
0.16
0.14
0.09
0.06
0.05
0.03
0.01
0.01
0.00
-0.03
-0.06
-0.11
-0.32
-0.36
-0.47
-0.57
-1.07
-1.32
-2.29
-7.59
33
Anexo 2
Cuadro a.2.1 Evolucin parmetros M2 para IPC-NG, IPCX y TXFV
Variable
IPC_NG
Modelo
2
Muestra
2003.01-2010.07
Expresin
(1-phi7*b**7-phi12*b**12)( 1-B) IPC_NG03 = (1-tet1*b) noise
Evolucin Estimacin parmetros del modelo

Parmetro
oct-09
nov-09
dic-09
ene-10
feb-10
mar-10
abr-10
may-10
jun-10
jul-10
Variable
IPCX
Parmetro
Fecha base
Estimacin
0.3131
0.3115
0.3130
0.3244
0.3370
0.3392
0.3392
0.3400
0.3444
0.3521
Modelo
2
Parmetro
12
s
0.0909
0.0899
0.0890
0.0871
0.0856
0.0840
0.0835
0.0829
0.0825
0.0831
t
3.44
3.46
3.52
3.72
3.94
4.04
4.06
4.10
4.17
4.24
Muestra
2003.01-2010.07
Estimacin
0.5390
0.5402
0.5349
0.5366
0.5246
0.5274
0.5246
0.5223
0.5090
0.5233
s
0.0922
0.0914
0.0897
0.0893
0.0880
0.0866
0.0858
0.0845
0.0825
0.0829
t
5.85
5.91
5.96
6.01
5.96
6.09
6.12
6.18
6.17
6.31
Estimacin
-0.3648
-0.3632
-0.3828
-0.3740
-0.3837
-0.3819
-0.3844
-0.3839
-0.3874
-0.3710
s
0.1117
0.1108
0.1092
0.1089
0.1074
0.1079
0.1058
0.1052
0.1047
0.1065
t
-3.27
-3.28
-3.51
-3.43
-3.57
-3.54
-3.63
-3.65
-3.70
-3.48
Expresin
(1-phi2*b**2-phi3*b**3)(1-phi12*b**12)( 1-B) IPCX03 = tet0 + (1-tet1*b)noise

Parmetro
oct-09
nov-09
dic-09
ene-10
feb-10
mar-10
abr-10
may-10
jun-10
jul-10
Variable
TXFV
Parmetro
Fecha base
Estimacin
0.3731
0.3878
0.3929
0.3769
0.3906
0.3940
0.3907
0.3911
0.3899
0.4010
Modelo
2
s
0.1178
0.1124
0.1105
0.1104
0.1105
0.1073
0.1063
0.1057
0.1051
0.1070
Parmetro
12
t
3.17
3.45
3.56
3.41
3.53
3.67
3.67
3.70
3.71
3.75
Estimacin
0.3683
0.3733
0.3624
0.3407
0.3165
0.3242
0.3292
0.3332
0.3436
0.3706
Muestra
2003.01-2010.07
s
0.1266
0.1272
0.1244
0.1240
0.1232
0.1115
0.1101
0.1089
0.1074
0.1085
t
2.91
2.94
2.91
2.75
2.57
2.91
2.99
3.06
3.20
3.41
Estimacin
0.5333
0.5104
0.5105
0.5562
0.5765
0.5689
0.5639
0.5570
0.5553
0.5433
s
0.1757
0.1690
0.1715
0.1695
0.1686
0.1594
0.1576
0.1546
0.1505
0.1533
t
3.03
3.02
2.98
3.28
3.42
3.57
3.58
3.60
3.69
3.54
Expresin
(1-phi1*B)(1-phi12*b**12)( 1-B) TXFV03 = noise

Parmetro
oct-09
nov-09
dic-09
ene-10
feb-10
mar-10
abr-10
may-10
jun-10
jul-10
Parmetro
12
Fecha base
Estimacin
0.4510
0.4494
0.4597
0.4403
0.4235
0.4506
0.4138
0.4152
0.4173
0.4461
s
0.1113
0.1086
0.1076
0.1093
0.1071
0.1114
0.1061
0.1053
0.1054
0.1085
t
4.05
4.14
4.27
4.03
3.96
4.05
3.90
3.94
3.96
4.11
Estimacin
0.3518
0.3524
0.3287
0.3013
0.3252
0.3520
0.3902
0.3885
0.4075
0.4396
s
0.1310
0.1298
0.1271
0.1289
0.1232
0.1309
0.1081
0.1074
0.1061
0.1095
t
2.69
2.71
2.59
2.34
2.64
2.69
3.61
3.62
3.84
4.01
34
Anexo 3
Cuadro a.3.1 Evaluacin Multi-pasos de las predicciones de los modelos. ndices
IPC NG
periodo
Fecha
Base T
De
IPC_NTXTA
IPC TXFV
IPC T
IPC V
IPC F
IPC NG_MI
IPC XFVTA
h MAPE - MAPE - MAPE - MAPE - MAPE - MAPE - MAPE - MAPE - MAPE - MAPE - MAPE - MAPE - MAPE M1
M2
M1
M2
M1
M2
M1
M1
M1
M1
M2
M1
M2
Pred ndice - Oct 2009

2009.11
2009.11
2009.11
2009.11
2009.11
2009.11
2009.11
2009.11
2009.11
2009.11
2009.12
2010.01
2010.02
2010.03
2010.04
2010.05
2010.06
2010.07
1
2
3
4
5
6
7
8
9
0.02
0.09
0.33
0.61
0.91
1.15
1.31
1.41
1.57
0.07
0.07
0.21
0.42
0.62
0.78
0.90
0.95
1.05
0.02
0.17
0.19
0.40
0.58
0.72
0.82
0.90
0.97
0.05
0.10
0.08
0.24
0.39
0.52
0.62
0.67
0.71
0.23
0.16
0.44
0.59
0.83
1.03
1.20
1.42
1.75
0.03
0.19
0.28
0.35
0.50
0.64
0.76
0.93
1.21
0.21
0.42
0.29
0.29
0.47
0.61
0.71
0.79
1.06
3.70
3.76
3.82
3.67
4.97
4.63
4.08
3.78
4.61
2.39
1.43
1.06
1.65
2.46
2.25
3.49
5.75
8.02
0.56
0.48
0.35
0.36
0.40
0.41
0.36
0.33
0.37
0.65
0.63
0.48
0.38
0.35
0.32
0.31
0.31
0.30
0.08
0.12
0.25
0.44
0.62
0.74
0.82
0.90
1.03
0.17
0.25
0.18
0.24
0.32
0.36
0.39
0.42
0.50
1
2
3
4
5
6
7
8
0.14
0.45
0.78
1.10
1.34
1.49
1.58
1.73
0.15
0.10
0.21
0.31
0.40
0.45
0.44
0.48
0.29
0.25
0.50
0.69
0.83
0.92
1.00
1.06
0.22
0.12
0.35
0.55
0.72
0.84
0.91
0.96
0.32
0.39
0.40
0.59
0.75
0.89
1.09
1.42
0.39
0.40
0.43
0.59
0.72
0.84
1.01
1.31
0.30
0.34
0.27
0.60
0.83
0.99
1.11
1.44
0.18
3.77
4.75
6.71
6.50
6.00
5.31
6.32
2.81
3.18
4.43
5.52
5.18
6.49
8.93
11.37
0.55
0.36
0.31
0.41
0.47
0.48
0.50
0.57
0.60
0.43
0.33
0.41
0.46
0.47
0.47
0.53
0.02
0.35
0.60
0.88
1.02
1.08
1.17
1.32
0.11
0.16
0.34
0.47
0.55
0.59
0.64
0.74
1
2
3
4
5
6
7
0.53
0.85
1.15
1.34
1.46
1.50
1.63
0.25
0.45
0.58
0.67
0.72
0.70
0.75
0.23
0.38
0.50
0.60
0.64
0.66
0.65
0.24
0.39
0.55
0.70
0.78
0.80
0.79
1.04
1.11
1.40
1.63
1.80
2.03
2.40
0.96
1.04
1.27
1.44
1.58
1.78
2.12
0.85
0.77
1.26
1.54
1.72
1.85
2.22
7.52
7.19
9.05
8.23
7.31
6.31
7.33
0.40
1.58
2.57
2.04
3.59
6.45
9.20
0.10
0.21
0.41
0.52
0.55
0.57
0.64
0.13
0.21
0.40
0.51
0.54
0.55
0.61
0.34
0.58
0.76
0.85
0.90
0.96
1.09
0.36
0.61
0.76
0.84
0.86
0.91
1.01
1
2
3
4
5
6
0.25
0.44
0.52
0.54
0.50
0.58
0.29
0.38
0.45
0.47
0.43
0.47
0.87
0.99
1.08
1.12
1.13
1.14
0.78
0.94
1.08
1.13
1.13
1.13
0.74
0.57
0.51
0.46
0.43
0.66
0.31
0.24
0.28
0.34
0.49
0.84
0.64
0.64
0.65
0.65
0.65
0.97
0.81
3.52
2.90
2.74
3.15
3.92
3.36
4.24
3.16
4.94
8.19
11.18
0.54
0.35
0.30
0.32
0.34
0.30
0.44
0.24
0.17
0.15
0.16
0.18
0.19
0.26
0.27
0.24
0.27
0.39
0.36
0.44
0.46
0.44
0.46
0.56
1
2
3
4
5
0.23
0.20
0.13
0.17
0.20
0.06
0.12
0.13
0.14
0.17
0.13
0.12
0.14
0.18
0.22
0.20
0.33
0.36
0.34
0.30
0.89
1.09
1.23
1.49
1.94
0.57
0.77
0.84
1.08
1.52
1.61
1.72
1.79
1.83
2.24
6.85
3.87
3.06
3.34
4.35
0.42
1.83
3.23
6.76
9.88
0.40
0.41
0.45
0.48
0.41
0.38
0.34
0.38
0.41
0.34
0.02
0.09
0.16
0.15
0.22
0.05
0.04
0.09
0.08
0.16
1
2
3
4
0.23
0.36
0.51
0.44
0.10
0.08
0.13
0.15
0.07
0.05
0.06
0.08
0.08
0.06
0.06
0.09
0.30
0.38
0.25
0.54
0.02
0.05
0.24
0.67
0.64
0.85
1.00
0.88
8.32
8.60
9.65
8.10
3.77
4.63
8.68
11.98
1.16
1.29
1.37
1.29
1.07
1.15
1.21
1.12
0.13
0.19
0.15
0.26
0.10
0.17
0.15
0.22
2010.05 1
2010.06 2
2010.07 3
0.09
0.22
0.24
0.07
0.22
0.17
0.08
0.14
0.19
0.08
0.14
0.19
0.08
0.38
0.97
0.10
0.37
0.91
0.06
0.08
0.65
0.41
1.73
4.91
11.05
16.96
20.72
1.31
1.35
1.20
1.31
1.36
1.22
0.03
0.12
0.38
0.09
0.07
0.25
0.19
0.34
0.26
0.22
0.08
0.11
0.09
0.13
0.53
1.24
0.49
1.17
0.01
0.95
2.62
7.13
6.76
9.10
0.88
0.62
0.90
0.65
0.27
0.61
0.17
0.45
0.81
0.55
0.04
0.05
1.00
1.15
1.92
13.99
1.66
0.42
0.38
0.45
0.51
Pred ndice - Nov 2009

2009.12
2009.12
2009.12
2009.12
2009.12
2009.12
2009.12
2009.12
2009.12
2010.01
2010.02
2010.03
2010.04
2010.05
2010.06
2010.07
Pred ndice - Dic 2009

2010.01
2010.01
2010.01
2010.01
2010.01
2010.01
2010.01
2010.01
2010.02
2010.03
2010.04
2010.05
2010.06
2010.07
Pred ndice - Ene 2010

2010.02
2010.02
2010.02
2010.02
2010.02
2010.02
2010.02
2010.03
2010.04
2010.05
2010.06
2010.07
Pred ndice - Feb 2010

2010.03
2010.03
2010.03
2010.03
2010.03
2010.03
2010.04
2010.05
2010.06
2010.07
Pred ndice - Mar 2010

2010.04
2010.04
2010.04
2010.04
2010.04
2010.05
2010.06
2010.07
Pred ndice - Abr 2010

2010.05
2010.05
2010.05
Pred ndice - May 2010

2010.06
2010.06
2010.06 1
2010.07 2
Pred ndice - Jun 2010

2010.07
2010.07 1
35
Cuadro a.3.2 Evaluacin Multi-pasos de las predicciones de los modelos. Variacin Interanual
IPC NG
periodo
fecha
base T
De
IPC_NTXTA IPC TXFV
IPC T IPC T V IPC T F
h MAD - MAD - MAD - MAD - MAD - MAD - MAD - MAD M1

M2
M1
M2
M1
M2
M1
M1
IPC NG MI
IPC XFVTA
MAD - MAD - MAD - MAD -MAD M1

M1
M2
M1
M2
Pred var inter - Oct 2009

2009.11
2009.11
2009.11
2009.11
2009.11
2009.11
2009.11
2009.11
2009.11
2009.11
2009.12
2010.01
2010.02
2010.03
2010.04
2010.05
2010.06
2010.07
1
2
3
4
5
6
7
8
9
0.008
0.092
0.344
0.653
0.972
1.221
1.398
1.507
1.670
0.060
0.070
0.222
0.446
0.659
0.831
0.953
1.006
1.113
0.484
0.336
0.530
0.908
1.180
1.367
1.500
1.553
1.516
0.555
0.283
0.398
0.716
0.965
1.146
1.268
1.296
1.221
0.234
0.166
0.449
0.605
0.850
1.060
1.239
1.457
1.799
0.035
0.189
0.286
0.359
0.517
0.657
0.785
0.955
1.250
0.215
0.428
0.292
0.299
0.476
0.617
0.722
0.805
1.094
3.894
3.799
3.673
3.464
4.828
4.524
3.990
3.698
4.676
2.460
1.461
1.061
1.502
2.174
2.011
3.263
5.438
7.639
0.328
0.248
0.278
0.367
0.458
0.500
0.469
0.487
0.583
0.421
0.401
0.285
0.297
0.333
0.338
0.303
0.287
0.346
0.095
0.122
0.266
0.474
0.661
0.789
0.869
0.955
1.097
0.166
0.267
0.197
0.265
0.341
0.389
0.411
0.444
0.535
1
2
3
4
5
6
7
8
0.147
0.480
0.833
1.177
1.426
1.591
1.681
1.837
0.160
0.099
0.222
0.330
0.421
0.474
0.465
0.509
0.163
0.526
1.022
1.326
1.514
1.638
1.672
1.609
0.078
0.392
0.855
1.175
1.397
1.544
1.579
1.500
0.328
0.396
0.412
0.604
0.773
0.917
1.116
1.460
0.394
0.408
0.444
0.604
0.743
0.866
1.040
1.353
0.307
0.341
0.268
0.611
0.849
1.013
1.136
1.480
0.173
3.289
4.148
6.306
6.199
5.774
5.115
6.328
2.711
2.883
3.835
4.749
4.563
5.939
8.318
10.708
0.323
0.188
0.277
0.449
0.555
0.597
0.673
0.815
0.376
0.202
0.266
0.423
0.526
0.565
0.631
0.754
0.018
0.372
0.643
0.939
1.079
1.147
1.241
1.401
0.122
0.168
0.359
0.502
0.586
0.628
0.677
0.787
1
2
3
4
5
6
7
0.566
0.903
1.228
1.439
1.560
1.605
1.736
0.269
0.480
0.616
0.718
0.770
0.749
0.800
0.422
0.951
1.196
1.323
1.386
1.336
1.180
0.418
0.950
1.246
1.433
1.533
1.492
1.335
1.063
1.140
1.441
1.671
1.852
2.087
2.477
0.988
1.067
1.304
1.482
1.628
1.828
2.182
0.854
0.774
1.273
1.569
1.758
1.891
2.276
6.543
6.272
8.494
7.844
7.032
6.075
7.342
0.342
1.316
2.167
1.740
3.317
6.073
8.750
0.137
0.353
0.603
0.732
0.771
0.839
0.976
0.111
0.329
0.577
0.710
0.751
0.812
0.935
0.361
0.617
0.806
0.907
0.952
1.015
1.155
0.379
0.650
0.810
0.888
0.919
0.962
1.077
1
2
3
4
5
6
0.262
0.476
0.559
0.574
0.531
0.615
0.313
0.406
0.481
0.507
0.457
0.500
1.841
1.966
2.022
2.037
1.945
1.766
1.746
1.913
2.016
2.050
1.948
1.749
0.761
0.589
0.522
0.476
0.441
0.678
0.320
0.253
0.288
0.346
0.507
0.866
0.641
0.653
0.666
0.663
0.661
0.993
0.710
3.510
2.906
2.765
3.165
4.072
2.774
3.575
2.718
4.560
7.709
10.625
0.338
0.199
0.139
0.157
0.137
0.234
0.228
0.243
0.250
0.213
0.235
0.353
0.203
0.275
0.283
0.259
0.286
0.417
0.383
0.469
0.487
0.471
0.488
0.599
1
2
3
4
5
0.244
0.209
0.140
0.177
0.216
0.068
0.133
0.141
0.144
0.178
0.738
0.681
0.629
0.477
0.552
1.094
1.167
1.180
1.035
0.885
0.919
1.115
1.268
1.527
2.001
0.591
0.790
0.861
1.109
1.567
1.635
1.760
1.830
1.876
2.308
6.943
3.926
3.120
3.373
4.560
0.354
1.806
3.177
6.537
9.542
7.063
7.375
7.299
6.128
5.570
0.183
0.142
0.194
0.149
0.234
0.021
0.096
0.172
0.162
0.240
0.048
0.046
0.090
0.080
0.174
1
2
3
4
0.245
0.381
0.547
0.474
0.104
0.083
0.139
0.158
0.825
0.791
0.600
0.601
0.835
0.803
0.610
0.609
0.307
0.390
0.260
0.556
0.016
0.050
0.243
0.695
0.656
0.873
1.027
0.901
8.477
8.852
9.789
8.290
3.781
4.589
8.417
11.583
1.033
1.166
1.145
0.977
0.931
1.020
0.978
0.801
0.134
0.206
0.164
0.274
0.109
0.180
0.162
0.239
2010.05 1
2010.06 2
2010.07 3
0.098
0.237
0.258
0.079
0.234
0.183
0.642
0.366
0.490
0.640
0.361
0.492
0.086
0.394
1.004
0.106
0.379
0.946
0.062
0.086
0.676
0.425
1.721
5.314
10.861
16.380
19.998
1.199
1.081
0.822
1.193
1.088
0.844
0.032
0.132
0.401
0.099
0.070
0.261
0.206
0.357
0.278
0.235
0.216
0.404
0.206
0.410
0.549
1.289
0.504
1.210
0.013
0.992
2.603
7.762
6.471
8.755
0.424
0.343
0.443
0.330
0.288
0.649
0.176
0.483
0.863
0.581
0.472
0.485
1.041
1.196
1.991
15.531
1.605
0.205
0.251
0.482
0.542
Pred var inter - Nov 2009

2009.12
2009.12
2009.12
2009.12
2009.12
2009.12
2009.12
2009.12
2009.12
2010.01
2010.02
2010.03
2010.04
2010.05
2010.06
2010.07
Pred var inter - Dic 2009

2010.01
2010.01
2010.01
2010.01
2010.01
2010.01
2010.01
2010.01
2010.02
2010.03
2010.04
2010.05
2010.06
2010.07
Pred var inter - Ene 2010

2010.02
2010.02
2010.02
2010.02
2010.02
2010.02
2010.02
2010.03
2010.04
2010.05
2010.06
2010.07
Pred var inter - Feb 2010

2010.03
2010.03
2010.03
2010.03
2010.03
2010.03
2010.04
2010.05
2010.06
2010.07
Pred var inter - Mar 2010

2010.04
2010.04
2010.04
2010.04
2010.04
2010.05
2010.06
2010.07
Pred var inter - Abr 2010

2010.05
2010.05
2010.05
Pred var inter - May 2010

2010.06
2010.06
2010.06 1
2010.07 2
Pred var inter - Jun 2010

2010.07
2010.07 1
36

Iees 03 J 3101010

Загружено:

Сведения о документе

Исходное описание:

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Iees 03 J 3101010

Загружено:

Авторское право:

Доступные форматы

Modelos univariados de series de tiempo para predecir la inflacin de

Fernanda Cuitio, Elena Gann, Ina Tiscordio, Leonardo Vicente

Modelos univariados de series de tiempo para predecir la inflacin de

Fernanda Cuitio, Elena Gann, Ina Tiscordio, Leonardo Vicente

Modelos univariados de series de tiempo para predecir la inflacin de corto plazo

Modelos univariados de series de tiempo para predecir la inflacin de corto plazo

Modelos univariados de series de tiempo para predecir la inflacin de corto plazo

conclusin central es que no necesariamente se reduce el error de pronstico agregando componentes en

Modelos univariados de series de tiempo para predecir la inflacin de corto plazo

3. Metodologa: Modelos univariados

Sea xt xt , t 1,..., T la serie de tiempo observada y at at , t 1,..., T un ruido blanco

B es el operador de retardo Bxt xt 1

Si denominamos (B) al operador

Desarrollando los operadores podemos escribir la ecuacin en diferencias del modelo

xt 1 xt 1 ... p xt p 0 at 1at 1 . ... q at q .

Obtenindose los coeficiente j a partir de la relacin

son finitas, la media t y la varianza t

del proceso son constantes y la funcin de covarianza s, t y de autocorrelacin parcial s, t

Modelos univariados de series de tiempo para predecir la inflacin de corto plazo

3.2 Modelos SARIMA (p, d, q)(P, D, Q)s

Donde d es el nmero de diferencias simples, D es el nmero de diferencias estacionales y s es el perodo

es el operador autorregresivo de orden p

es el operador autorregresivo estacional de orden P

B es el operador de medias mviles de orden q

B s es el operador de medias mviles estacional de orden Q

Modelos univariados de series de tiempo para predecir la inflacin de corto plazo

Si el modelo sortea estos mecanismos de validacin se sigue usando; si no lo hace, se analiza su

un modelo ARIMA. Sea xT h el valor futuro de la serie h pasos en adelante.

E[ xT h xT , xT 1 ,...] es el estimador que minimiza el error cuadrtico medio de prediccin. Sea xT h la

prediccin h pasos en adelante con origen en T.

Error de prediccin h pasos en adelante con origen en T:

Con media E[eT (h)] 0 y varianza V [eT (h)] .

Donde j es obtenido por la resolucin de la relacin (6).

xT h 1 xT h 1 ... p xT h p 1 aT h 1aT h 1 ... q aT h q .

Modelos univariados de series de tiempo para predecir la inflacin de corto plazo

Error Absoluto Medio Porcentual (MAPEh) multi-pasos o acumulado:

5.2 Evaluacin n pasos en adelante para k orgenes de tiempo

Modelos univariados de series de tiempo para predecir la inflacin de corto plazo

MinAD (h) min eT (h) ,..., eT k 1 (h)

MaxAD(h) max eT (h) ,..., eT k 1 (h)

MinAPE ( h) min cT (h) ,..., cT k 1 (h)

MaxAPE (h) max cT (h) ,..., cT k 1 ( h)

MdAD (h) en (h)

MdAPE (h) cn (h)

Raz Error Cuadrtico Medio (RMSE)

RMSE (1) MSE (1)

Notacin: n indica la posicin n del estadstico de orden.

Modelos univariados de series de tiempo para predecir la inflacin de corto plazo

5.4 Medida de la habilidad de la prediccin

Modelos univariados de series de tiempo para predecir la inflacin de corto plazo

En el caso del IPC nivel general el anlisis comienza en enero de 1997.

representa cunto aporta el componente i a la variabilidad total. Valores altos (bajos) de i

implican un mayor (menor) aporte a la variabilidad total.

Modelos univariados de series de tiempo para predecir la inflacin de corto plazo

6.2 Modelos realizados

Modelos univariados de series de tiempo para predecir la inflacin de corto plazo

IPC Nivel General (NG)

Modelos univariados de series de tiempo para predecir la inflacin de corto plazo

Modelos univariados de series de tiempo para predecir la inflacin de corto plazo

Cuadro 3. Estimacin inicial de los parmetros

6.5 Evaluacin de predicciones

Modelos univariados de series de tiempo para predecir la inflacin de corto plazo