Escolar Documentos
Profissional Documentos
Cultura Documentos
discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/256662245
CITATION
READS
28
3 authors, including:
Ana Jesus Lopez-Menendez
Manuel Landajo
University of Oviedo
University of Oviedo
SEE PROFILE
SEE PROFILE
COMPARACIN Y COMBINACIN DE
PREDICCIONES: APLICACIN A LAS SERIES
TEMPORALES
Blanca Moreno Cuartas - morenob@econo.uniovi.es
Ana Jess Lpez Menndez - anaj@aulanet.uniovi.es
Manuel Landajo lvarez - landajo@econo.uniovi.es
Universidad de Oviedo
morenob@econo.uniovi.es ;
anaj@aulanet.uniovi.es;
Landajo Alvarez, M.
landajo@econo.uniovi.es
INTRODUCCIN
La prediccin es una actividad esencial cuya importancia ha crecido en las ltimas
dcadas, convirtindose en imprescindible en la gran mayora de los procesos de toma de
decisiones. Planificadores y decisores disponen de una gran variedad de tcnicas para realizar
sus predicciones, que van desde las ms subjetivas e intuitivas hasta los mtodos cuantitativos
ms complejos. Entre ambos extremos hay innumerables posibilidades que difieren en su
filosofa, su coste, su complejidad y su precisin.
Teniendo en cuenta adems que las predicciones relativas a una magnitud econmica
pueden ser realizadas por diferentes agentes y a partir de distintos mtodos, es posible
combinar varias predicciones que mejoren la precisin de las predicciones individuales.
En este trabajo analizamos predicciones asociadas a distintos mtodos univariantes
(alisados,
ARIMA,
modelos
neuronales)
sus
combinaciones,
comparando
su
EVALUACIN DE PREDICCIONES
La evaluacin de las diferentes tcnicas de prediccin puede efectuarse desde muy
diversas perspectivas, fundamentalmente su coste, su complejidad y su precisin. Dado que
las dos primeras implican una cierta subjetividad y las diferencias entre los distintos mtodos
son a veces imprecisas, en los modelos de series temporales se emplean habitualmente
indicadores basados en la precisin de las predicciones que tienen como objetivo la medicin
de la desutilidad o el coste asociado a los pares de predicciones y realizaciones.
Consideremos una magnitud Y para la cual realizamos predicciones en cierto
horizonte temporal h (h=1,...,T). Si denotamos dichas predicciones por y t +h,t , la desutilidad o
coste asociado a dicho par vendr dada por una funcin L(y t + h , y t + h ,t ) que, si bien puede
adoptar formas estadsticas sofisticadas, se define habitualmente a partir del error de
prediccin e t + h,t = y t + h y t + h,t .
Las distintas especificaciones de
medidas ms directas de la bondad de las predicciones1 entre las que se encuentran las
tradicionales:
Raz del error cuadrtico medio (ECM):
ECM =
1
T
e 2t +h,t =
h =1
1
T
(y t+ h y t+ h,t )2
T
h =1
1 T
1 T
EAM = e t + h , t = y t + h y t+ h , t
T h =1
T h =1
Error absoluto porcentual medio (EAPM):
EAPM =
y t+ h y t + h , t
h =1
y t +h T
100
Estas medidas presentan varias limitaciones: las dos primeras dependen de las
unidades de medida de la variable investigada, y adems ninguna de ellas se encuentra
acotada ni tiene en cuenta la dificultad inherente a cada prediccin. Con el objetivo de
disponer de un indicador invariante con respecto a las unidades usadas y que adems tenga en
cuenta los problemas que rodean a la prediccin, H. Theil (1966) propone una medida de
desigualdad dada por la expresin:
U=
(P
h =1
A t+h )
t + h, t
A
h =1
2
t +h
donde Pt+h,t y At+h representan respectivamente las tasas de variacin interanual pronosticadas
y efectivas: Pt + h , t =
y t+ h , t y t+ h 1
y t + h 1
, A t +h =
y t+ h y t + h1
.
y t + h1
En Lpez y Moreno (1999) se proponen algunas medidas basadas en la teora de la informacin, y se realiza un
anlisis comparativo con las medidas tradicionales.
3
y donde el numerador puede ser considerado como un indicador de la manera en la que los
errores de prediccin se dispersan en torno a cero, mientras el denominador es un indicador de
la dificultad de la prediccin2 .
El ndice de Theil es utilizado con generalidad como medida de la bondad de las
predicciones debido a su sencillez de clculo e interpretacin. As, el ndice U adoptar
valores nulos nicamente en el caso de coincidencia entre tasas pronosticadas y reales,
mientras
el
resultado
U=1
se
corresponde
con
las
predicciones
ingenuas:
Si tomamos la precisin como criterio para comparar varios mtodos, podemos estar
interesados en contrastar si todos ellos tendrn la misma precisin esperada. Es decir, si
denotamos por j los mtodos de prediccin utilizados (j=1,...,N) y hemos seleccionado un
indicador de precisin como criterio de comparacin, podemos contrastar la hiptesis de
igualdad entre las desutilidades esperadas de la prediccin:
] [
j
E L(y t + h , y it + h,t ) = E L(y t + h , y t + h,t )
Stekler (1987) propone un test basado en el ranking que ocupan el conjunto de h predicciones
(h=1,...,T) obtenidas por N mtodos, contrastando que cada conjunto de predicciones tienen
igual desutilidad esperada en cada mtodo.
As, a cada prediccin en cada momento h se le asigna un rango de acuerdo con su precisin
(la mejor recibe el rango N, la segunda mejor N-1, y as sucesivamente). Agregando perodo a
perodo los rangos para cada mtodo utilizado obtendremos entonces:
T
((
H j = Rank L yt +h , y tj+h,t
h =1
j=1,...,N
En su origen este ndice asume que las predicciones son realizadas ao a ao, por lo cual los mayores errores
pueden esperarse cuando las diferencias entre los valores reales de aos sucesivos son mayores.
3
Obsrvese que el ndice considerado puede sin embargo adoptar valores superiores a la unidad al no
encontrarse acotado superiormente. En trabajos previos, Theil (1958) haba propuesto la expresin
1
(Pt + h, t At + h )2
T 1 h =1
U=
1
T1
A
h
t+ h
1
T 1
t +h , t
j NT
N H
2
H=
NT
j =1
2
puede adoptar
(x ibt x it +h )2 = A i B b C t + h
i,b , h
La combinacin de predicciones no slo se efecta para las realizadas segn distintas tcnicas sino, como ha
puesto de manifiesto Pulido (1998), para predicciones que, siendo obtenidas bajo un mismo mtodo, se han
llevado a cabo por diferentes agentes.
5
individuales.
continuacin
describimos
la
obtencin
de
predicciones
) al vector de predicciones de y
t+h
segn
t + h ,t l
Y
C t + h .t = Y
= ( 1 , 2 ) son los pesos dados a las predicciones individuales
t + h ,t , donde
2c = 12 12 + (1 1 ) 2 22 + 2 1 (1 1 )1 2
donde es el coeficiente de correlacin entre los errores de prediccin de los dos mtodos.
Dicks y Burrel (1994) ponen de manifiesto que cuando la combinacin se realiza para predicciones dadas por
diferentes agentes, la condicin de predicciones insesgadas no suele darse debido a la aversin al riesgo de
desviarse de la visin convencional y perder credibilidad.
6
La eleccin de 1 debe ser realizada de tal manera que el error de la prediccin combinada sea
pequeo, requisito que (asumiendo =0) conduce al resultado6 : 1 =
22
, donde 2c no
2
2
( 1 + 2 )
(1969)
utilizan
la
expresin
primera
de
para
obtener
estimaciones
1 =
e 22, t
t =1
, donde e j, t = y t y t .
j
(e12, t + e 22, t )
t =1
( l)
'
=
(l' l)) , con = E (e t + h, t e t + h ,t )
1
y e t + h,t = y t +h l Y
t + h, t .
igualando a cero : 1 =
22 1 2
12 + 22 21 2
Bates y Granger tuvieron tambin en cuenta la posibilidad de ir variando a lo largo del tiempo el valor de ,
dejando abierta la posibilidad de que las predicciones individuales se comporten de forma diferente a lo largo del
tiempo.
8
Al desconocerse las realizaciones de yt+h tambin ser necesario sustituir las varianzas de los errores de
prediccin por sus estimaciones en perodos previos.
7
y t+ h = 1 y1t + h, t + ... + N y N
t+ h , t + u t +h , t
Al desconocer el verdadero valor de yt+h los pesos se obtienen a partir de los valores pasados
1
N
de la serie; es decir: y t = 1 y t + ... + N y t + u t donde se puede imponer o no la
= 1 . As, si consideramos:
restriccin l T
Yt T = (y1 , y2 ,..., y n )
YjT = y j1 , y 21 ,..., y jn
= Y , Y ,..., Y
Y
t
1
2
N
T = ( 1 , 2 ,..., N )
t .
entonces nuestro objetivo ser estimar para obtener Yt como proyeccin lineal de Y
Comenzaremos sin considerar ninguna restriccin para los pesos (mtodo A) y despus
(Y
As
mnimos
cuadrados
se
obtiene
T
TY
t (Yt Y
t ) , cuya solucin conduce a: = Y
Y
t
t
pues,
una
vez
estimados
los
pesos,
( ) Y Y y la suma
= (Y Y ) (Y Y ) = Y Y Y Y .
t
t Y tT Yt
CA = Y
=Y
2A
ordinarios
T
t
T
t
se
la
funcin
minimizar
TY .
Y
t
t
obtiene
la
regresin
estimada
Para mayor comodidad, designaremos por a los coeficientes del mtodo B, siendo
T = ( 1 , 2 ,... N )
lT = 1
t y la funcin a minimizar
Para el mtodo B, el error de prediccin ser e B = Yt Y
(Yt Yt )T (Yt Y )
T
s.a l = 1 , llegndose10 a obtener
mediante la expresin del
T
mtodo A y el multiplicador a partir de la restriccin l = 1 , que proporciona:
(l 1)
(Y Y )
T
l T
tT Y
t
2B = 2A + 2B l T Y
l ,
2
2
observndose que B A y concluyendo por tanto que el mtodo de la regresin
proporciona mejores resultados mediante la proyeccin de los valores pasados de Y sobre las
predicciones realizadas por distintos mtodos sin imponer ninguna restriccin.
La combinacin de predicciones basada en una media aritmtica proporciona mejores
resultados que otras reglas ms complejas, tal y como muestran diversos estudios empricos
(Granger y Newbold (1975), Makridakis y Hibon (1979), Winkler y Makridakis (1983)). As
Granger y Newbold (1975) en un experimento sobre 80 series para las que realizan
predicciones a un perodo de adelanto, concluyeron que las mejores predicciones iban
asociadas a la media aritmtica11 , resultado coincidente con el obtenido por Makridakis y
Hibon (1979), efectuando predicciones sobre 1001 series con diversos mtodos y estudiando
posibles combinaciones.
Winkler y Makridakis (1983) obtienen resultados muy buenos con la media aritmtica
en relacin a las medias ponderadas, ya que si bien stas proporcionan mejores predicciones,
el incremento de precisin no parece compensar la mayor complicacin del mtodo.
Por otra parte, Winkler (1984) comprob en un estudio que entre el 52% y el 66% de
las veces otra combinacin fue mejor que la media aritmtica, afirmando que las diferencias
entre la combinacin ms simple y otras ms complicadas eran tambin muy pequeas en
relacin con las exigencias que conlleva emplear mtodos ms sofisticados.
(
)
Y
) Y
= (Y
) (Y Y ) + 2 (l 1) donde
l = 0
Yt T Yt Y
t
TY
Yt Y
t
t
) l = (Y Y )
1
es el multiplicador de
11
Adems de este resultado los autores tambin concluyen que la combinacin es ms beneficiosa cuanto ms
difiera la naturaleza de los procedimientos que se combinan, idea confirmada por estudios posteriores y que
trataremos de comprobar en la aplicacin.
9
Tabla 1
12
Una recopilacin de la bibliografa existente sobre las combinaciones de predicciones puede verse en Clemen,
T. (1989).
13
Los datos han sido extrados de la base de datos ASTURDAT del equipo de investigacin de HISPALINKAsturias.
10
14
Los modelos ARIMA considerados en esta aplicacin son los utilizados en el programa de prediccin
PROYECTA que el equipo HISPALINK-Asturias emplea para la elaboracin de predicciones de las series
mensuales de la economa asturiana que intervienen en sus modelos MECASTUR.
15
Desde una perspectiva economtrica, las redes recurrentes son una clase de modelos dinmicos con variables
latentes. Una de las estructuras ms tpicas es la red Elman, caracterizada por Kuan y White (1994) del modo
siguiente:
Yt =Ft (Xt ,)=Ct (ecuacin de medida)
Ct =G(Xt +Ct-1 ) (ecuacin de estado)
donde , y son vectores de parmetros, Ct es un vector de variables de estado (denominado contexto en la
jerga neuronal) y G( ) es una funcin de transferencia (a menudo de tipo sigmoidal), Xt es la entrada del sistema
e Yt la salida. Este tipo de redes presenta una clara conexin con los modelos lineales de espacio de estados.
16
La estimacin de los parmetros se lleva a cabo mediante una implementacin recursiva de los mnimos
cuadrados no lineales conocida como el algoritmo BP modificado (V. Kuan y White (1994)). En Landajo (1999)
se ha diseado un software especfico para esta clase de modelos, que puede ser ejecutado dentro del entorno
Matlab.
11
EAPMhs, j
1 h y t 12+ k y t 12 + k , j
=
100 donde h=1,...,12; s=1,...,20; j=1,...,5
h k =1
y n 12 +k
y para cada horizonte temporal hemos obtenido la media del EAPM de las 20 series segn los
h
1 20
EAPMhs,j .
20 s =1
h
Una vez obtenidos los EAPM j de las 20 series en los distintos mtodos y para
horizontes temporales h=1,...,12 se han obtenido los resultados que resumimos a
continuacin17 :
1. Con el objetivo de estudiar si existen diferencias esperadas en la precisin segn los
mtodos de prediccin, aplicamos el test de Stekler para contrastar la hiptesis
] [
El escaso nmero de series analizadas no permite extraer conclusiones robustas respecto a la comparacin
entre mtodos para cada tipo de series.
18
Si tenemos en cuenta el test de Stekler para las predicciones efectuadas con ARIMA, N2, SM2 y redes
neuronales el estadstico obtenido es H = 129,083 , que conduce tambin al rechazo de la hiptesis.
12
2. La comparacin de los EAPM del mtodo ingenuo y del alisado exponencial realizados
sobre las series originales (N1 y SM) con los EAPM de los mismos mtodos aplicados
sobre las series desestacionalizadas y posteriormente ajustadas con el componente
estacional (N2 y SM2), muestra que los resultados mejoran en el 100% de los casos19 .
En la tabla 2 se aprecian las ganancias relativas de precisin que N2 y SM2 aportan
respecto a N1 y SM1 respectivamente, calculadas mediante la expresin:
g ih, j
EAPM ih EAPM hj
=
h
EAPM j
100
g hN2,N1
g hSM2, SM
1
3
6
9
12
27,63
21,29
9,15
5,43
6,77
2,30
10,12
3,90
2,98
3,05
Tabla 2
En cuanto a cul de los dos mtodos de alisado sobre series desestacionalizadas funciona
mejor, se aprecia que SM2 ofrece mayoritariamente EAPM menores que N2, aconsejando
trabajar con los mtodos de alisado sobre series desestacionalizadas.
3. Si comparamos la modelizacin ARIMA con los mtodos de alisado que mejor se
comportan (SM2 y N2), se observa que funciona mejor la metodologa Box-Jenkins
excepto para las predicciones de horizonte temporal h=1.
h
g hARIMA, N2
g hARIMA, SM2
1
3
6
9
12
-20,9
22,9
20,8
20,2
11,8
-11,8
14,2
14,9
13,8
5,4
Tabla 3
Si bien autores como Makridakis y Hibon (1979), Lewandowski (1984) y Newbold y
Granger (1974) llegan a concluir en sus estudios que a pesar de la complejidad del
mtodo de Box-Jenkins, ste ofrece peores resultados que otros ms sencillos, no existe
unanimidad en el tema. De hecho, Newbold y Granger (1979) llegan a concluir lo
contrario que en su trabajo de 1974, es decir que ARIMA es el mtodo que mejor
19
Estos resultados son coincidentes con los obtenidos por Makridakis y Hibon (1979) en su estudio con 111
13
funciona. As pues las discrepancias existentes20 nos hacen pensar que los resultados
varan segn el tipo de series y el conjunto de datos con los que se trabaja (Makridakis y
Wheelwright (1978)).
Si tenemos ahora en cuenta la modelizacin de redes neuronales (con la particularidad de
que este estudio slo se ha efectuado para cuatro series), se aprecia que, exceptuando el
caso h=1 en el que los mtodos de alisado funcionan mejor, los modelos neuronales son
los que aportan las predicciones ms precisas, seguidos por la modelizacin ARIMA21 ,
confirmndose la idea de que los modelos ms flexibles son tambin los ms precisos.
se observa
h = 1,...,12 .
Cuando realizamos el estudio teniendo en cuenta las redes neuronales (anlisis que
se limita a cuatro series), la supremaca de la combinacin de mtodos
heterogneos no est tan clara. As por ejemplo para ARIMA-Redes y Redes-SM2
observamos el comportamiento resumido en el grfico:
j= 1
i =1
i =1
j ij y t i + ij t i + t
donde ( ) es una funcin de transferencia sigmoidal, y se imponen restricciones adicionales adecuadas sobre las
propiedades estocsticas de los procesos {Yt } y {t }.
14
Combinacin aritmtica
EAPM
6.0
4.0
2.0
0.0
1
10
11
12
h
Arima-Redes
Redes-SM2
Figura 1
Al
estimar
los
pesos
de
N2-SM2
mediante
la
regresin
2
SM2
yt 12 = N 2 yN
t 12 el coeficiente de N2 para el 75% de las series
t 12 + SM2 y
Tanto en la combinacin varianza-covarianza como en la de regresin las ponderaciones han de obtenerse para
cada una de las 20 series a partir de los datos de cada una.
15
( N2 , SM2 ) = (0,1)
y la prediccin
Las combinaciones por este mtodo han sido obtenidas sin la restriccin de que
los pesos han de sumar la unidad (mtodo A), ya que como demuestran Granger
y Ramanathan (1984)- la varianza de los errores de prediccin obtenidos mediante
el mtodo sin restriccin es menor que la obtenida con el mtodo de regresin
restringido.
En
las
combinaciones
de
media
aritmtica
varianza-covarianza
las
ponderaciones suman la unidad, por lo que la varianza del error de prediccin debera
de ser mayor que la obtenida por el mtodo de la regresin. Ahora vamos a contrastar en
qu medida ste supone diferencias en la precisin de las combinaciones.
Para las dos combinaciones estudiadas ARIMA N2 y ARIMA -SM2 los
resultados son diferentes por lo que no podemos extraer conclusiones acerca de cmo
afecta la restriccin a los EAPM24 .
Si bien hasta ahora slo nos hemos fijado en la precisin de los mtodos de prediccin
como criterio para clasificarlos y evaluarlos, no hay que olvidar que tanto la complejidad
como el grado de dificultad para comprender los resultados son importantes a la hora de optar
por una tcnica u otra.
Segn Lewandowski (1984) el grado de complejidad es el tiempo, medido en horas,
que se requiere para ensear a una persona, sin conocimientos especiales en prediccin o
estadstica, los principios de un mtodo. El ndice que propone este autor, que adems tiene en
23
La idea de contrastar la aportacin de informacin que cada mtodo aporta a la prediccin combinada fue dada
por Nelson (1972) y Cooper y Nelson (1975) y formalizada y extendida por Chong y Hendry (1986). La
formalizacin de este contraste se puede ver en Diebold y Lpez (1995)
24
As para ARIMA-SM2 se obtiene:
h
para h=1,...,12
y para ARIMA-N2:
h
para h=1,...,5
16
En nuestra aplicacin, elaboramos un ndice de complejidad para cada tcnica de acuerdo con
los criterios de los autores anteriores, excepto para las combinaciones, en las que (frente a la
prctica habitual de promediar) proponemos agregar la complejidad de los mtodos25 :
Mtodo de prediccin
Indice
de complejidad
Ingenuo
Alisado
ARIMA
10
13
14
15
Tabla 4
para h=6,...,12
En el caso de la media aritmtica, al no distinguir entre ARIMA-N2 y ARIMA-SM2, promediamos las
dificultades de N2 y SM2 y sumamos el resultado a la dificultad del ARIMA. Para el mtodo de la regresin
proponemos aadir 1, teniendo en cuenta que este trabajo se realiza automticamente con cualquier aplicacin
informtica. En cambio, en el mtodo de la varianza-covarianza aadimos 2 al considerar que exige un mayor
esfuerzo del investigador.
25
17
(Lewandowski (1984)).
9
8
7
6
5
4
3
2
1
0
10
12
14
16
Indice de complejidad
Figura 2
A partir de estas fronteras se pueden extraer algunas conclusiones para nuestras series:
poca
precisin
cambio
de
reducir
significativamente
la
Una vez efectuadas las comparaciones entre mtodos, debemos preguntarnos ahora
por qu se producen diferencias en la precisin de las predicciones.
Existen muchos factores que pueden ayudarnos a entender las diferencias en la
actuacin relativa de los mtodos estudiados y, si asumimos que stos pueden ser aislados y
cuantificados, entonces podemos aproximar su influencia.
18
1
C t C t 1
CAPMc = 100
C t 1
n 12 t
EAPM = 1 + 2 X 2 + 3 X 3 + 4 X 4 + 5 X 5 + 6 X 6 + u
donde X2 , X3 y X4 representan los cambios absolutos porcentuales medios de los
componentes de tendencia, aleatoriedad y estacionalidad respectivamente, X5 es el nmero de
perodos que se predicen (h=1...12) y hemos incluido adems la variable X6 que recoge el
nmero de observaciones (t-12) empleadas para ajustar el modelo de prediccin
Hemos realizado el estudio para 7 de las 20 series iniciales27 sobre de las cuales ya se
haban obtenido sus correspondientes EAPMh j y estimado distintas regresiones dependiendo
de la tcnica j a evaluar. As, para evaluar una tcnica se adopt como variable dependiente el
EAPM obtenido para las series en los diferentes horizontes temporales de prediccin (un total
de 84 observaciones) obtenindose las estimaciones recogidas en la tabla 5 (entre parntesis
se indican los errores estndar):
26
Una de las regresiones propuestas explica el EAPM de los modelos de prediccin a partir del cambio absoluto
porcentual medio de la tendencia, la aleatoriedad, la estacionalidad y el nmero de datos utilizados para estimar
los modelos de prediccin. La segunda regresin ajusta el EAPM con el cambio absoluto porcentual medio de la
tendencia, de la aleatoriedad, de la estacionalidad y con el horizonte temporal de la prediccin.
27
Las series son: Consumo de energa elctrica usos industriales especiales, Produccin de cemento, Produccin
de cemento gris, Produccin de cinc, Produccin de hulla, Indice general de precios al consumo e Indice de
produccim industrial.
19
Variable
dependiente
Regresiones
CAPM Tend
1
EAPM ARIMA
EAPM N2
EAPM N1
EAPM SM2
EAPM SM
0,02
(0,01)
0,037
(0,015)
1,96
(1,34)
-0,008
(0,007)
-0,005
(0,007)
CAPM Aleat
3
0,93
(0,043)
0,96
(0,066)
62,41
(15,3)
1,089
(0,076)
1,1
(0,076)
Factores
CAPM Estac
t-12
Bondad
R2
0,001
(0,0005)
-0,0002
(4,85E-05)
-0,0002
(7,47E-05)
0,93
0,85
48,25
(27,33)
0,6
0,84
0,85
Tabla 5
Los parmetros de las ecuaciones aportan informacin relevante sobre la actuacin
relativa en la prediccin de las diferentes metodologas. As por ejemplo, se observa que la
aleatoriedad es un factor que afecta a la precisin y a la actuacin de los diferentes mtodos
de prediccin. Cuando se produce un cambio en la aleatoriedad, la metodologa ARIMA lleva
asociada predicciones ms precisas, al ser la que presenta un coeficiente 3 menor.
Segn nuestros resultados, el CAPM mayor corresponde a la aleatoriedad para el 70%
de las series por lo que, dado que el mtodo menos afectado en el EAPM es el ARIMA,
resulta lgico que la metodologa Box-Jenkins sea la ms precisa. Por otra parte, el nmero de
datos que empleamos en la modelizacin (t-12) afecta tambin positivamente a la precisin de
los ARIMA.
El intento de especificar y medir la relacin entre la precisin de las predicciones y los
factores que la afectan es vlido para ilustrar la comparacin entre mtodos, si bien como
indican Makridakis y Hibon (1979) an son necesarias notables mejoras en esta
metodologa28 como la consideracin de alguna medida cuadrtica de precisin como variable
dependiente, o la introduccin de ms variables independientes.
Finalmente, tenemos que considerar la posibilidad de que el empleo de otra medida en
lugar del EAPM pudiera cambiar las conclusiones extradas en nuestro estudio. No obstante,
algunos estudios sobre comparacin de modelos con otras medidas llegan a similares
conclusiones independientemente de la medida empleada.
28
Los grandes errores estndar que obtienen estos autores les llevan a interrogarse sobre la significatividad
estadstica de los coeficientes. En nuestro caso a modo de ilustracin podemos ver la influencia que tiene un
cambio en la estacionalidad en la precisin de N1, con lo que N2 sera mejor al no estar afectado por sta. Esto
puede explicar porqu SM2 y N2 son ms precisos que N1 y SM1.
20
REFERENCIAS BIBLIOGRFICAS
ARMSTRONG, J.S. (1978): Forecasting with Econometric Methods: Folklore versus Fact,
Journal of Business, Vol. 51, n 4, 549-564.
BATES, J.M. y GRANGER, C.W.J. (1969): The Combination of Forecast, Operational
Research Quarterly Vol. 20, n 4, 451-468.
BOX, G.E.P. y G.M. JENKINS (1976): Time Series Analysis: Forecasting and Control, (2 ed.),
Ed. Holden-Day, San Francisco.
CHEN, X. y SHEN, X. (1998): Sieve Extremum Estimates for Weakly Dependent Data,
Econometrica, Vol. 66, No. 2, March, 289-314.
CLEMEN, T. (1989): Combining forecasts: A review and annotated bibliography,
International Journal of Forecasting, Vol. 5, 559-583.
DIEBOLD, X. y LPEZ, J.A. (1995): Forecast Evaluation and Combination, Working Paper,
University of Pennsylvania.
DICKS, G. y BURRELL, A. (1994): Forecasting in practice, Applied Economic
Forecasting Techniques, Stephen Hall, London.
GRANGER, C.W.J. (1981): Some properties of time series data and their use in econometric
model specification, Journal of Econometrics, 16, 121-130.
GRANGER, C.W.J. y NEWBOLD, P. (1975): Economic Forecasting: The Atheists
Viewpoint, Modelling the Economy, Ed. G.A. Renton, London. 131-147.
GRANGER, C.W.J y NEWBOLD, P. (1980): Forecasting Economic Time Series, Academic
Press, New York.
GRANGER, C.W.J y RAMANATHAN, C. (1984): Improved Methods of Combining
Forecast, Journal of Forecasting, Vol. 3, 197-204.
KUAN, C.M. y WHITE, H. (1994): Artificial Neural Networks: An Econometric
Approach, Econometric Reviews, 13 (1), 1-91.
LANDAJO, M. (2000): Neural and Fuzzy Models for Economic Forecasting. An
Econometric View and Some Practical Experience, Fuzzy Economic Review
(Aceptado para publicacin)
LANDAJO, M. (1999): Modelos neuroborrosos para la prediccin econmica. Tesis
Doctoral, Universidad de Oviedo.
LAPEDES, A. y FARBER, R. (1987): Nonlinear signal processing using neural networks,
Technical Report LA-UR-87-2662, Los Alamos National Laboratory, Los Alamos,
N.M.
LEWANDOWSKI, R. (1982): Sales Forecasting by FORSYS, Journal of Forecasting, 1,
205-214.
LEWANDOWSKI, R. (1984): Lewandowskis FORSYS Method, The forecasting
Accuracy of Major Time Series Methods, John Wiley & Sons, 245-253.
LPEZ, A.J. y MORENO, B. (1999): Evaluacin de predicciones basada en medidas de
informacin. Nuevas Alternativas. Actas XIII Reunin Asepelt-Espaa, Burgos.
LPEZ, A.J.; MUOZ, N. y PREZ, R.(1993): Base de datos Asturdat. Documento de
trabajo 2/93, Hispalink-Aturias.
MAKRIDAKIS, S. (1984): Forecasting: State of the Art, The Forecasting Accuracy of
Major Time Series Methods, John Wiley & Sons, 1-17.
MAKRIDAKIS, S. y HIBON, M. (1979): Accuracy of Forecasting: An Empirical
Investigation (with Discussion), J. R. Statistical Society, Series A, 142, Part. 2, 97145.
MAKRIDAKIS, S. y otros (1982): The Accuracy of Extrapolation (Time Series) Methods:
Results of a Forecasting Competition, Journal of Forecasting, Vol. 1, 111-153.
MAKRIDAKIS, S. y WHEELWRIGHT, S. (1978): Forecasting: Methods & Applications,
John Wiley & Sons.
21
22