3 recomendaciones

En México, la gran mayoría de población vive los estragos de la pandemia, donde se puede observar de distintas formas. Pero ¿Qué hace diferente la actual crisis con la del 2008?  

Para la crisis del 2008, sabemos que fue ocasionada por el sobre otorgamiento de créditos hipotecarios en EUA; a raíz de los incumplimientos de pago de los que adquirieron los créditos, estos comenzaron a perder sus patrimonios por embargamiento, sin embargo, las bancas al no lograr recuperar su capital comenzaron a decaer comenzando los estragos de la crisis hipotecaria.

Si a EUA le da un catarro, a México le da una pulmonía” (Agustín Carstens, 2008) en julio del 2008 comenzó dicha crisis en México donde hasta julio de 2009 sufrió los niveles de desempleo más altos registrados en las últimas dos décadas, con niveles inflacionarios de hasta 6.56% de dicho año, donde fue casi inmediato el resentimiento de la población en el incremento de los bienes de la canasta básica.

Sin embargo, ¿Por qué en plena crisis del 2020, no fue percibida por los mexicanos de forma inmediata?, sucede que a través de la caída de los precios de petróleo internacionalmente, las variaciones de los energéticos dentro de la inflación fueron mínimos, lo que provocó que entre marzo y abril se registraran los niveles más bajos de inflación llegando a 2.15%, por lo que los mexicanos no observaron algún problema en la economía, sin embargo, solo fue una bomba de tiempo, ya que a partir del mes de mayo, la inflación comenzó a incrementar. De la mano con el incremento de este, el desempleo no se quedaba atrás y de igual forma este comenzó a subir; y como consecuencia, la solución implementada por la población es introducirse al empleo informal.

En mi punto de vista, los momentos más críticos de la crisis aún no se han visto, considero que para finales del presente año se agudizará la situación tomando en cuenta la pandemia, ya que, en distintos países europeos y asiáticos, ya están viviendo el segundo brote de COVID-19.

Realizando una red neuronal autorregresiva, se puede visualizar el pronóstico de la inflación (Vea gráfico 1), donde indica que existen altas probabilidades de que la inflación podrá llegar hasta un 6.3% a mediados del 2021, esto debido a la segunda oleada de contagios y a la aguda especulación dentro de los mercados. La investigación sobre la cura del COVID-19 únicamente se está convirtiendo en una bomba de tiempo, y el panorama solo indica que aún no hay un respiro para la economía mundial.

 

Pronóstico de la inflación en México (2020 a 2021)


Gráfico 1: Elaboración propia con datos de yahoo fiance, investing y Thomson reuters

  • EFICIENCIA DEL PRONÓSTICO:

Para la comprobación de la eficiencia de dicho pronóstico se tomaron en cuenta los niveles de error que arrojan cada uno de los métodos utilizados, los cuales fueron:

  • ARIMA Univariable
  • ARIMA Multivariable
  • ARNN Univariable
  • ARNN Multivariable

Para la comparación se utilizó la prueba MASE (Error Medio de Escala Absoluta), ya que es considerada como una prueba más robusta (Ver tabla 1), donde se concluye que la ARNN Multivarible se ajusta mucho mejor a los datos reales que los otros métodos.

Comparación del Error Medio de Escala Absoluta

Tabla 1: Elaboración propia con salida de R.

  • Red Neuronal Autorregresiva (ARNN, por sus siglas en inglés):

Dentro de la metodología de la red neuronal, su arquitectura está formada por perceptrones multicapa que tiene como nombre MultiLayer Perceptron (MLP); estas son utilizadas para la predicción de series de tiempo no lineales, es decir, modelos que no son lineales en media o en varianza.

Se conoce como Red Neuronal Autorregresiva (ARNN), a la fusión de un modelo lineal autorregresivo y un MLP; su desarrollo estadístico de no linealidad está basado en la comparación de ambos modelos. Asimismo, se le denomina proceso Autorregresivo al número de periodos que se busca retroceder para llevar a cabo el pronóstico de alguna variable. Tomando en cuenta los periodos en que se retroceda (ordenes adjudicados al modelo), más información potencial figurará en el pronóstico. La implementación de dicho modelo es descrita a través de la variable dependiente “y”, que se obtiene como modelo no lineal de sus “p” valores pasados, Y_(t-1) para P=1,…,P tal como se muestra en la siguiente ecuación:

Donde G es una función sigmoidea adaptativa que está definida por:

Tomando en cuenta la arquitectura del modelo de la primera ecuación, los parámetros  y , son estimados, minimizando el error de regulación la cual está dada por  donde , es un parámetro externo definido por el usuario y   son los errores entre los pronósticos y el valor esperado T es la longitud de la serie de tiempo . La última cantidad es función, únicamente, de los parámetros del modelo:

 

  • FUENTES:

Zhang, G., B. Patuwo and M. HU (1998), “Forecasting with artificial neural networks: the state of the art”, International Journal of Forecasting 14: 35–62.

Velásquez, J. D., Zambrano, C., & Velez, L. (2014, mayo). ARNN: un paquete para la predicción de series de tiempo usando redes neuronales autorregresivas. Recuperado de https://www.researchgate.net/publication/220136878_ARNN_un_paquete_para_la_prediccion_de_series_de_tiempo_usando_redes_neuronales_autorregresivas

 

 

 

 

 

 

 

 

 

 

 

 

 

 

¡Sé el primero en comentar!
Comentar
3 recomendaciones
Escribe aquí tu comentario...