Nuevos Documentos de Trabajo

Los Documentos de Trabajo son prepublicaciones de artículos académicos elaborados por los economistas del Banco Central, que también se redistribuyen a través de RepEc (IDEAS y EconPapers) y del Banco de Pagos Internacionales.

Conocé los nuevos trabajos disponibles:

      Documento de trabajo N° 79 | Forecasting Inflation in Argentina

      Autores: Lorena Garegnani, Maximiliano Gómez Aguirre

      Resumen

      Promover la estabilidad monetaria significa para el BCRA inducir una baja sistemática y sostenible de la tasa de inflación, para lograr este objetivo, en 2016 el BCRA adoptó un esquema de metas de inflación. En este contexto proveer a las autoridades de proyecciones de las variables macroeconómicas relevantes como la inflación es fundamental para la toma de decisiones. En este trabajo se estima un grupo de modelos con el objetivo de generar pronósticos de inflación para Argentina. Se estiman modelos autorregresivos y modelos VAR Bayesianos con diferentes escalas y luego se compara su capacidad relativa de pronóstico. Los resultados indican que el VAR Bayesiano es quien presenta mejor capacidad predictiva comparado con el modelo autorregresivo considerado como base. El test de Giacomini-White muestra al modelo VAR Bayesiano superando al modelo autorregresivo en todos los horizontes. Entre modelos VAR Bayesianos de diferentes tamaños no se encuentran diferencias significativas en su capacidad de pronóstico, no obstante, la inspección visual de los RMSE permite tener una idea de que los modelos de gran escala parecerían tener mejor performance predictiva en horizontes lejanos.

      Abstact

      During the year 2016, the Central Bank of Argentina has begun to announce inflation targets. In this context, providing the authorities of good estimates of relevant macroeconomic variables turns out to be crucial to make the pertinent corrections to reach the desired policy goals. This paper develops a group of models to forecast inflation for Argentina, which includes autoregressive models, and different scale Bayesian VARs (BVAR), and compares their relative accuracy. The results show that the BVAR model can improve the forecast ability of the univariate autoregressive benchmark’s model of inflation. The Giacomini-White test indicates that a BVAR performs better than the benchmark in all forecast horizons. Statistical differences between the two BVAR model specifications (small and large-scale) are not found. However, looking at the RMSEs, one can see that the larger model seems to perform better for larger forecast horizons.

      > Seguir leyendo

      Documento de trabajo N° 78 | Nowcasting de Inversión. Una estimación en tiempo real con indicadores de alta frecuencia

      Autor: Fiorella Dogliolo

      Resumen:

      En el presente trabajo se realizó una estimación en tiempo real de la evolución de la Inversión a partir de un conjunto amplio de indicadores económicos de alta frecuencia, lo que se conoce en la literatura como Nowcasting. Para realizar el Nowcast se consideraron tres grupos de indicadores de frecuencia mensual y mediante modelos de factores dinámicos se pronóstico el crecimiento trimestral de la Inversión. Adicionalmente, se realizó un ejercicio de pooling o combinación de pronósticos. A partir del test de Giacomini y White se pudo concluir que los modelos de factores y sus combinaciones exhiben una mejor capacidad predictiva en relación a un modelo AR(1) considerado como benchmark, y que la inclusión de un mayor número de indicadores no necesariamente mejora la performance del pronóstico.

      Abstact

      In this paper I present a real-time estimation of the evolution of the Investment, constructed from a broad set of high frequency economic indicators: known in the literature as Nowcasting. The Nowcast exercise was developed considering three groups of monthly indicators throughout dynamic factor models to forecast Investment growth. Additionally, I conducted a forecast-pooling exercise. Using the Giacomini and White test it was possible to conclude that factor models and the pooling exhibit a better relative predictive capacity than an AR (1) model considered as a benchmark. Furthermore, the inclusion of more indicators does not necessarily improve the predictive capacity.

      > Seguir leyendo

1 de junio de 2018

Compartilo en Facebook   Compartilo en Twitter    Compartilo en Linkedin    Compartilo en WhatsApp