Prediccin I (algunos aspectos generales)

There are two kind of forecasters: those who dont know and those who dont know they dont know John Kenneth Galbraith (1993)

Prediccin en Accin
Las predicciones ayudan en la toma de decisiones en una gran variedad de areas. Planificacin y Control de Operaciones : Las empresas usan prediciones para decidir que producir, cuando y donde. Marketing: Decisiones de precios, de gastos en publicidad, dependen fuertemente de las previsiones que se tengan sobre como van a responder las ventas a los diferentes esquemas de marketing. Economia: Predicciones de las variables macro-economicas claves como el PNB, Paro, Consumo, Inversin, Tipos de Interes, etc son usadas por el gobierno para fijar su politica monetaria y fiscal. Especulacin Financiera: Especuladores en los mercados financieros tienen un gran interes en la prediccin de los rendimientos de activos financieros (acciones, tipos de interes, tipos de cambio, etc).

Prediccin en Accin(cont)
Management del riesgo financiero: Prediccin de la volatilidad es crucial para evaluar (y asegurar) el riesgo asociado a las diferentes carteras de inversin. Prediccin de la volatilidad es tambien crucial para las empresas e inversores que necesitan poner precio a opciones y derivados. Planificacin de la Capacidad: Para ello es crucial la prediccin tanto de la demanda como de la oferta. Demografa: La prediccin de la poblacin es crucial para planificar el gasto publico en sanidad, infraestructuras, educacion, etc

Elementos Bsicos de Cualquier Prediccin Piensa en una variable economica que quieras predecir. Que necesitas?

Funcin de perdida: Simetrica o asimetrica Objeto a predecir: Una serie temporal, un suceso, etc. Formato de la Prediccin: Puntual, Intervalo, Densidad, etc. Horizonte de la prediccin: Corto, Medio o Largo Plazo Conjunto de Informacin: Univariante o Multivariante Metodos y Complejidad: Modelos, Principio de la Parsimonia, etc.

Elementos Basicos de Cualquier Prediccin (cont) Como se comparan predicciones? Evaluacin de Prediciones: Diferente medidas de errores de prediccin (mira la transparencia 13).

ES MUY IMPORTANTE DARSE CUENTA QUE TODA PREDICCION TIENE UN ERROR. En general este error puede venir de tres fuentes diferentes: Error de Especificacin Error de Aproximacin Error de Estimacin

Prediccin con modelos de Regresin:

El modelo de regresin es un modelo explicitamente multivariante, en donde la variable a explicar se explica y se predice en base a su propia historia pasada y la historia pasada de otras variables relacionadas. En el curso Econometria I quizs ya hayas visto el tema de prediccin en este marco, aqu lo repasaremos brevemente

y t ! F 0  F1 xt  I t I t es WN (0, W 2 )

(a) Modelo de Prediccin Condicional Un modelo de prediccin condicional es uno que puede ser usado para predecir una variable de inters, condicionado en ciertos supuestos sobre otras variables. Con el modelo de regresin,

y t ! F 0  F1 xt  I t

I t es N (0, W 2 )
nuestra prediccin condicional h-periodos adelante de la variable y, dado el valor de x h-periodos adelante x *  h es T
y T  h , T | x *  h ! F 0  F1x *  h T T

Asumiendo normalidad, la densidad de prediccin condicional es N ( y T  h , T | x *  h ), y de ah podemos obtener los intervalos de T prediccin condicional. Para hacer el procedimiento operacional remplazamos los parmetros desconocidos por sus estimaciones

Modelo de Prediccin Condicional (cont) Las predicciones siempre estn sujetas a un error. Al menos hay tres fuentes de error Incertidumbre en la Especificacin: Todos los modelos estan equivocados!!!! (algunos mas que otros) Incertidumbre en la Innovacin: Innovaciones futuras son desconocidas cuando se hace la prediccin. Incertidumbre en los Parametros: Los coeficients que usamos para producir las predicciones son estimaciones, y por lo tanto estan sujetas a variabilidad muestral. Q1: Que tipo de incertidumbre es menos importante?? Q2: Que tipo de incertidumbre es mas difcil de evitar??

Modelo de Prediccin Condicional (cont) Cuando usamos un modelo de prediccin condicional, es fcil cuantificar la incertidumbre derivada tanto de las innovaciones como de los parmetros. Considera el siguiente ejemplo: Supn que queremos predecir yT+h en xT+h= x*T+h . Entonces y T  h ! Fx *  h  I T  h T Por lo que y T  h, T x *  h ! Fx *  h T T con el error correspondiente Entonces,
I T  h , T ! y T  h  y T  h , T ! (F  F) x *  h  I T  h T

y t ! Fx t  I t

var(I T  h, T ) ! ( x *  h ) 2 var(F)  W 2 T

Modelo de Prediccin Condicional (cont) En la ltima expresin, el primer termino contabiliza la incertidumbre derivada de la estimacin de los parmetros, mientras que el segundo hace los mismo con respecto a la incertidumbre derivada de la innovacin. Tomado todo junto conseguimos podemos derivar la densidad de prediccin:
N(Fx *  h , Var (I T  h , T )) T

de donde se obtaine cualquier intervalo de prediccin que nos interese.

(b) Modelos de Prediccin no-condicional noA menudo no queremos hacer predicciones condicionales de y dado x, sino la mejor prediccin de y (prediccin incondicional). Para conseguir esta prediccin a menudo nos encontramos con el problema de conseguir una prediccin incondicional de las variables explicativas. Es decir, que para conseguir una prediccin incondicional de y , no podemos insertar un valor arbitrario del futuro x, sino que necesitamos insertar una prediccin puntual optima, xT+h,T ,

y T  h, T ! 0  1x T  h, T
Normalmente no tenemos una prediccin de x y el modelo de regresin no ayuda. Todo se hace mas sencillo si asumimos que la variable sigue un modelo ARMA. En las proximas transparencias, PREDICCION II, aprenders a realizar este tipo de predicciones.

Evaluacin de Predicciones Hay muchas formas de hacer predicciones; pero todas ellas tienen en comn los siguientes ingredientes: (i) que hay ciertas regularidades que captar (ii) que tales irregularidades son informativas sobre el futuro (iii) estn encapsuladas en el mtodo seleccionado para predecir (iv) se excluyen las no-regularidades Los principales mtodos son: 1) Adivinacin 2) Extrapolacin 3) Indicadores Adelantados 4) Encuestas 5) Modelos de Series Temporales 6) Modelos Economtricos

Evaluacin de Predicciones (cont) Las medidas mas comunes de la precisin de la prediccin son: T Error cuadrtico medio:
MSE 1 ! T

1 T T

e 2 t h ,t

Raz cuadrada del MSE Error absoluto medio

t!1 T

e 2 t h ,t

t!1 | e t h ,t |

MAE

1 T

t!1

donde et+h,t=yt+h-yt+h,t son los errores de prediccin.

(a) Comparacin de la Precisin en las Predicciones Supn que hay dos mtodos alternativos de prediccin que producen los errores et(1) y et(2) para t=1, ..., T. Entonces si el criterio de evaluacin es el MSE, el mtodo que produzca el menor MSE sobre el periodo muestral ser considerado superior. Como podemos contrastar que MSE(1) = MSE(2) versus lo contrario? Supongamos que los errores de prediccin son insesgados y no autocorrelated. Considere, ahora, el siguiente par de variables aleatorias et(1) + et(2) y et(1) - et(2) . Ahora E[(e (1)  e (2) )(e (1)  e (2) )] ! W 2  W 2 1 2 as que los dos MSE seran iguales si y solo si este par de variables aleatorias estn incorrelacionadas. Q2: Encuentra una forma sencilla de realizar este contraste( Una Pista: Va regresin simple).

Combinacin de Predicciones Sean ft(1) y ft(2) dos predicciones de yt con errores

Considere ahora una combinacin de predicciones, que sea una media ponderada de las dos predicciones individuales,

(1) ( 2) C t ! kf t  (1  k )f t
El error de prediccin es (c) (1) ( 2) e t ! y t  C t ! ke t  (1  k )e t

Combinacin de Predicciones (cont) Por lo tanto la varianza de este error 2 2 W c ! k 2 W1  (1  k ) 2 W 2  2k (1  k )VW1W 2 2 Esta expresin se minimiza para el valor de k
W 2  VW1W 2 2 ko ! W 2  W 2  2VW1W 2 1 2

y substituyendo en la expresin de arriba, la varianza menor alcanzable es

Observa que , al menos que Si alguna de estas igualdades se dan, la varianza de la combinacin de predicciones ser igual a la menor de las dos varianzas de los errores de prediccin.
V !

W2 c,0

min(W 2 , W 2 ) 1 2

W1 W2 or ! W2 W1

Preguntas sobre la combinacin de Predicciones P1: Muestra que

2 P 2: Explica que ocurre con W c, o cuando V se aproxima a 1 o +1.