Modelación Markoviana para identificar la dinámica y pronóstico del índice de producción industrial en México de 1980 a 2018

Autores/as

  • Gustavo Cabrera González Universidad de Guadalajara
  • Adrián De León Arias Universidad de Guadalajara

DOI:

https://doi.org/10.18381/eq.v16i2.7120

Palabras clave:

Índice de producción industrial, parámetros markovianos, análisis bayesiano, pronóstico

Resumen

En este artículo, por medio de modelación Markoviana estudiamos la identificación de los estados estocásticos y pronóstico del índice mensual de producción industrial en México de 1980 a 2018. Dado que la muestra de datos está sujeta a fuertes fluctuaciones económicas y financieras, de una batería de modelos auto-regresivos (lineales y con parámetros Markovianos de cambio de régimen) se elige la especificación del modelo que mejor se ajusta a los datos a través del factor de Bayes. La selección del modelo provee evidencia de que las tasas de crecimiento mensual de este índice presentan parámetros (media y volatilidad) que cambian con el tiempo. Se lleva a cabo un ejercicio de pronóstico sobre el modelo Markoviano de mejor ajuste a los datos. Para medir su capacidad de inferencia, se compara su eficiencia respecto de la especificación lineal auto-regresiva en la misma serie de datos. Los resultados muestran que la media de los errores de pronóstico (dentro y fuera de la muestra) son menores en la especificación Markoviana. La metodología Bayesiana aplicada permite estimar de forma endógena e inferir de manera precisa incluso por problemas de identificación de parámetros Markovianos, pequeño número de observaciones en regímenes, datos atípicos, número de regímenes e incertidumbre de parámetros sujetos a cambio de estado.   Recepción: 18/07/2018 Aceptación: 13/03/2019

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Andrews, D. & W. Ploberger (1994). Optimal tests when a nuisance parameter is present only under the alternative. Econometrica, 62 (6), 1383-1414.

Bauwens, L., Dufays, A. & Rombouts, J. V. (2014). Marginal likelihood for Markovswitching and change-point (garch) models. Journal of Econometrics, 178 (parte 3), 508-522.

Bazdresch, S. & Werner, A. (2005). Regime switching models for the Mexican peso. Journal of International Economics, 65 (1), 185-201.

Benavides, G. & Capistrn, C. (2012). Forecasting exchange rate volatility: The superior performance of conditional combinations of time series and option implied forecasts. Journal of Empirical Finance, 19 (5), 627-639.

Boot, T. & Pick, A. (2017). Optimal forecasts from Markov switching models. Journal of Business & Economic Statistics, 36 (4), 1-15.

Cabrera, G., Coronado, S., Rojas, O. & Romero-Meza, R. (2018). A Bayesian approach to model changes in volatility in the Mexican stock exchange index. Applied Economics, 50 (15), 1716-1724.

Carrasco, M., Hu, L. & Ploberger, W. (2014). Optimal test for Markov switching parameters. Econometrica, 82 (2), 765-784.

Clements, M. P. & Krolzig, H. M. (1998). A comparison of the forecast performance of Markov-switching y threshold autoregressive models of us gnp. The Econometrics Journal, 1 (1), 47-75.

De León Arias, A. (2004). El crecimiento de México y su interdependencia con Estados Unidos. Comercio Exterior, 54 (7), 612-619.

Diebold, F. & Rudebusch, G. (1999). Business cycles: Durations, dynamics, and forecasting. New Jersey, Estados Unidos: Princeton University Press.

Engel, C. (1994). Can the Markov switching model forecast exchange rates? Journal of International Economics, 36 (1), 151-165.

Engel, C. & Kim, C. J. (1999). The long-run u.s./u.k. real exchange rate. Journal of Money, Credit and Banking, 31 (3), 335-356.

Frühwirth-Schnatter, S. (2001). Fully Bayesian analysis of switching gaussian state space models. Annals of the Institute of Statistical Mathematics, 53 (1), 31-49.

Frühwirth-Schnatter, S. (2004). Estimating marginal likelihoods for mixture and Markov switching models using bridge sampling techniques. Econometrics Journal, 7 (1), 143-167.

Frühwirth-Schnatter, S. (2006). Finite mixture and Markov switching models (Springer Series in Statistics). Nueva York, Estados Unidos: Springer.

Hamilton, J. D. (1989). A new approach to the economic analysis of nonstationary time series y the business cycle. Econometrica, 57 (2), 357-384.

Hamilton, J. D. (1994). The time series analysis. Estados Unidos: Princeton University Press.

Hamilton, J. D. (2005). What’s real about the business cycle? Working Paper 11161. Estados Unidos: National Bureau of Economic Research.

Hamilton, J. D. & Raj, B. (2002). Advances in Markov-switching models: Applications in business cycle research and finance. Estados Unidos: Springer.

Hamilton, J. D. & Susmel, R. (1994). Autoregressive conditional heteroskedasticity y changes in regime. Journal of Econometrics, 64 (1), 307-333.

Hansen, B. (1996). Erratum: The likelihood ratio test under nonstard conditions: Testing the Markov switching model of gnp. Journal of Applied Econometrics, 11 (2), 195-198.

Heath, E. B. & Kopchak, S. J. (2015). The response of the Mexican equity market to us monetary surprises. Journal of Emerging Market Finance, 14 (2), 87-111.

Islas-Camargo, A., Cortez, W. W. & Sanabria Flores, T. P. (2017). Is Mexico’s forward exchange rate market efficient? Revista Mexicana de Economía y Finanzas, 13 (2), 247-272.

Kass, R. E. & Raftery, A. E. (1995). Bayes factors. Journal of the American Statistical Association, 90 (430), 773-795.

Kaufmann, S. & Frühwirth-Schnatter, S. (2002). Bayesian analysis of switching arch models. Journal of Time Series Analysis, 23 (4), 425-458.

Kim, C. J. & Nelson, C. R. (1999a). Has the U.S. economy become more stable? A Bayesian approach based on a Markov-switching model of the business cycle. The Review of Economics and Statistics, 81 (4), 608-616.

Kim, C. J. & Nelson, C. R. (1999b). State-Space models with regime switching: Classical and Gibbs-sampling approaches with applications (Volumen 1). Boston, Estados Unidos: mit Press.

López-Herrera, F. (2004). Modelado de la volatilidad y pronóstico del índice de precios y cotizaciones de la bolsa mexicana de valores. Contaduría y Administración (213), 43-72.

López-Herrera, F. & Venegas-Martínez, F. (2011). Métodos no lineales en series económicas y financieras. Modelado de la volatilidad del mercado mundial de capitales durante la crisis mundial mediante una cadena de Markov. Guadalajara, México: Universidad de Guadalajara.

López-Herrera, F., Ortiz-Arango, F. & Venegas-Martínez, F. (2011). Crecimiento y desarrollo económico en México. Modelado de la volatilidad del índice de precios y cotizaciones de la Bolsa Mexicana de Valores con cambios markovianos de régimen. México: Benemérita Universidad Autónoma de Puebla.

Mejía-Reyes, P. & Díaz-Carreño, M. A. (2010). Búsqueda de asimetrías a lo largo del ciclo económico de México. Investigación Económica, 69 (271), 15-42.

Mejía-Reyes, P., Martínez Gómez, J. A. & Rendón Balboa, W. L. (2005). Ciclos económicos clásicos en la producción industrial de México. Investigación Económica, 64 (254), 91-124.

Meng, X. l. & Wong, W. H. (1996). Simulating ratios of normalizing constants via a simple identity: A theoretical exploration. Statistica Sinica, 6 (4), 831-860.

Timmermann, A. (2000). Moments of Markov switching models. Journal of Econometrics, 96 (1), 75-111.

Descargas

Archivos adicionales

Publicado

2019-08-06 — Actualizado el 2021-12-21

Cómo citar

Cabrera González, G., & De León Arias, A. (2021). Modelación Markoviana para identificar la dinámica y pronóstico del índice de producción industrial en México de 1980 a 2018. EconoQuantum, 16(2), 23–41. https://doi.org/10.18381/eq.v16i2.7120

Métrica