See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/256662245

Comparacin y combinacin de predicciones:

Aplicacin a las series temporales
Conference Paper June 2000

CITATION

READS

28

3 authors, including:
Ana Jesus Lopez-Menendez

Manuel Landajo

University of Oviedo

University of Oviedo

128 PUBLICATIONS 595 CITATIONS

31 PUBLICATIONS 204 CITATIONS

SEE PROFILE

SEE PROFILE

Available from: Ana Jesus Lopez-Menendez

Retrieved on: 06 September 2016

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

Reservados todos los derechos.

Este documento ha sido extrado del CD Rom Anales de Economa Aplicada. XIV Reunin ASEPELT-Espaa. Oviedo,
22 y 23 de Junio de 2000.
ISBN: 84-699-2357-9

Comparacin y combinacin de predicciones: Aplicacin a las series

temporales
Moreno Cuartas, B.

morenob@econo.uniovi.es ;

Lpez Menndez, A.J

anaj@aulanet.uniovi.es;

Landajo Alvarez, M.

landajo@econo.uniovi.es

Dpto. Economa Aplicada, Universidad de Oviedo

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

comportamiento. En concreto, se estudian varias series de la economa asturiana y se realizan

algunas clasificaciones de los mtodos mediante indicadores de precisin y complejidad,
analizando las posibles causas que originan las diferencias en la precisin de las tcnicas
empleadas.

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

L(y t + h , y t +h , t ) = L (e t + h , t ) dan lugar a las

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

Error absoluto medio (EAM):

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:

y t +1,t = y t Pt = 0 t . Este valor representa un umbral que, si se superase, implicara que

el modelo considerado predice peor que el modelo ingenuo 3 .

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

y el estadstico del test de bondad se basa en la expresin:

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

que s se encuentra acotada entre 0 y 1, pero en cambio presenta la

t +h , t

limitacin de incluir las tasas previstas Pt como referencia para la comparacin.

4

 j NT

N H
2

H=
NT
j =1
2

que, bajo la hiptesis nula, sigue una distribucin 2N1 .

Si bien la funcin de desutilidad asociada a un par realizacin-prediccin ha sido

planteada para series temporales univariantes, la funcin L y t + h , y t + h , t

puede adoptar

formas ms complejas y ser adems aplicada al anlisis de series temporales multivariantes.

As, Theil elabora una medida capaz de tener en cuenta la dificultad del ao de la prediccin
(h=1,...,T) y la dificultad de predecir yt+h en funcin de la dificultad para predecir las variables
xi (i=1,...,k) que forman parte del modelo. Si adems se tiene en cuenta que las predicciones
para un perodo se renuevan de acuerdo con los diferentes estadios de la informacin
disponibles (b=t+1,...t+h), es lgico pensar que el error cuadrtico medio variar tambin de
acuerdo con el estadio de la informacin en el que nos encontremos.
As, si xit+h es el valor real de la tasa de la variable i en el perodo t+h, el error de prediccin
ser xibt -xit+h y es posible siguiendo a Theil y Scholes (1967)- utilizar el siguiente patrn para
determinar el error estndar de acuerdo con las fuentes de error en la prediccin:
L(y t + h (x it + h ), y t + h , t (x ibt + h )) =

(x ibt x it +h )2 = A i B b C t + h

i,b , h

donde aparecen tres componentes diferenciados de la calidad de la prediccin: Ai con respecto

a la variable i, Bb en los sucesivos estadios y Ct+h con el perodo de prediccin.
COMBINACIN DE PREDICCIONES
Las predicciones sobre una misma variable econmica pueden realizarse a partir de
diversos mtodos, y la literatura muestra que una combinacin de las predicciones efectuadas
por diferentes procedimientos mejora la precisin de las predicciones individuales4 . La idea
de la combinacin de predicciones asume implcitamente que no es posible identificar
mediante un modelo el proceso subyacente en una serie, y que cada mtodo de prediccin es
capaz de capturar diferentes aspectos de la informacin disponible para la prediccin, de ah
que una combinacin de las predicciones efectuadas segn distintas tcnicas sea la prediccin
ms precisa.

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

En la combinacin se aplican habitualmente dos tipos de reglas: la media aritmtica de

las predicciones obtenidas por diferentes mtodos y la media ponderada, donde los pesos
dependen de la relativa precisin de los mtodos individuales. En la combinacin ponderada,
estos pesos pueden obtenerse en funcin de la varianza de error de prediccin de cada mtodo
(y de las covarianzas entre ellos) o mediante tcnicas de regresin con el objetivo de
minimizar el error de la prediccin combinada que se obtiene mediante MCO de las
predicciones

individuales.

continuacin

describimos

la

obtencin

de

predicciones

combinadas en relacin a la regla aplicada.

Si para predecir yt+h tenemos que efectuar una prediccin combinada para cualquier

t +h, t = y1t +h,t , y2t +h ,t ,..., yN

horizonte h, llamando Y
t + h ,t

) al vector de predicciones de y

t+h

segn

las N diferentes tcnicas, la combinacin a partir de la media aritmtica nos proporciona:

C t + h, t =

t + h ,t l
Y

donde l es un vector de unos.

Este procedimiento, que es el ms sencillo, no toma en cuenta la informacin relativa a

la precisin de cada mtodo, por lo que parece razonable dar mayor nfasis a los mtodos ms
precisos ponderndolos segn la tcnica de varianza-covarianza o de regresin.
La idea de combinar predicciones ponderadas segn la varianza de los errores de
prediccin de cada mtodo fue propuesta por Bates y Granger (1969), autores que estudian la
combinacin de dos predicciones, planteando tambin la combinacin de numerosas
predicciones.
Supongamos que tenemos dos mtodos de prediccin que proporcionan dos
predicciones insesgadas5 de la magnitud Y para un horizonte h (yt+h ) recogidas en el

t +h ,t = y1t + h, t , y 2t +h ,t . Entonces la combinacin lineal de las dos predicciones ser:

vector: Y
T

C t + h .t = Y
= ( 1 , 2 ) son los pesos dados a las predicciones individuales
t + h ,t , donde

que cumplen lT = 1 (por lo tanto 2 = 1 1 ).

Si denotamos por 12 y 22 las varianzas de los errores de las dos predicciones, la varianza de
los errores de la prediccin combinada ser:

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 )

es mayor que la ms pequea de las dos varianzas individuales.

Si bien queda as justificado el uso de una combinacin de predicciones, en la prctica no es
posible calcular 2c al desconocerse las varianzas de los errores de prediccin.
Dado que el valor ptimo de 1 se desconoce al comienzo de la combinacin, Bates y
Granger

(1969)

utilizan

la

expresin

primera

de

para

obtener

estimaciones

maximoverosmiles partiendo de las predicciones individuales de un conjunto de perodos

previos a aqul para el cual se va a efectuar la combinacin de predicciones. Los autores
sugieren la eleccin de los pesos basados en dos criterios: el mayor peso se le ha de dar a
aquella prediccin cuyo modelo haya actuado mejor en el pasado y es necesario considerar la
posibilidad de que la funcin de los pesos se adapte cuando se presenten relaciones no
estacionarias en el tiempo entre los mtodos de prediccin individuales.
Entre las opciones propuestas por estos autores7 la ms empleada consiste en sustituir
las varianzas de los errores de prediccin por sus estimaciones de los t periodos previos
n

1 =

e 22, t
t =1

, donde e j, t = y t y t .
j

(e12, t + e 22, t )
t =1

La metodologa de Bates y Granger es ampliada por Newbold y Granger (1974) para

el caso de ms de dos predicciones. As, si disponemos de las predicciones realizadas con N

t+ h, t = y1t+ h,t , y 2t +h, t ,...,y tN+h, t , entonces la combinacin lineal de ellas

procedimientos: Y
t +h , t con T = ( , ,..., ) , siendo l T = 1 y 0 j 1 j y
ser: C t + h , t = Y
1
2
N
donde la varianza del error de la prediccin combinada8 es minimizada tomando:

( 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 .

Partiendo de la expresin anterior 2c el valor mnimo se obtendra diferenciando con respecto a 1 e

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

Como ya hemos mencionado, la combinacin ponderada puede obtenerse mediante un

mtodo de regresin. Granger y Ramanathan (1984) mostraron que el vector ptimo de pesos
basados en varianza-covarianza de los errores de prediccin tiene una interpretacin como
vector de coeficientes de la proyeccin lineal de yt+h a partir de las predicciones de los N
procedimientos:

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 )

vector de valores pasados de la serie

vector de predicciones del momento t realizada por el mtodo j

matriz (nxN) de n predicciones efectuadas por los N mtodos

YjT = y j1 , y 21 ,..., y jn

= Y , Y ,..., Y

Y
t
1
2
N

T = ( 1 , 2 ,..., N )

vector de pesos de los N mtodos

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

= 1 (mtodo B), denominando CA a la

incorporaremos restricciones de la forma l T
, y CB a la combinacin9 obtenida por el
combinacin obtenida por el mtodo A: C A = Y
t
.
mtodo B: C B = Y
t
, y
En el mtodo A, el error de prediccin vendr dado por el vector e A = Yt Y
t
utilizando

(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

cuadrtica de los errores de prediccin

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

Ahora el error cuadrtico de la prediccin es

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.

La funcin objetivo es entonces: min Yt Yt

Lagrange y la condicin de primer orden es:
10

(
)
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

As pues, las distintas experiencias no conducen a resultados unnimes en el tema 12 ,

por lo que es necesario tener en cuenta con qu tipo de series y con qu conjunto de datos
trabajamos.
Por otra parte la media aritmtica supone restringir las ponderaciones a una suma
unitaria que, como ya hemos visto, ofrece mayores errores cuadrticos de prediccin, con lo
que los resultados deberan de ser generalizadamente peores.

COMPARACIN DE TCNICAS DE PREDICCIN

En este apartado efectuamos una comparacin de algunas tcnicas de prediccin para
series temporales univariantes, de acuerdo con el EAPM, realizando algunas clasificaciones
de stas segn el tipo de series a las que se aplican y los horizontes de prediccin.
Teniendo en cuenta el grado de complejidad de los mtodos considerados y los
resultados obtenidos, elaboramos una frontera de eficiencia con el propsito de ilustrar el
trade-off existente entre la complejidad y la precisin de las tcnicas.
Finalmente, proponemos modelos economtricos que explican la precisin en funcin
de factores como la aleatoriedad, la estacionalidad, la tendencia, el rango de las series y el
horizonte temporal.
La aplicacin ha sido realizada sobre 20 series temporales de la economa asturiana 13
de periodicidad mensual, recogidas en la tabla 1:
SERIES
Carne sacrificada
Consumo de energa elctrica para la industria
Consumo de energa elctrica usos industriales especiales
Consumo de energa elctrica, fuerza industrial
Consumo total de energa elctrica
Indice de produccin industrial
Indice de produccin de bienes de inversin
Indice general de precios al consumo
Matriculacin de turismos
N de camiones matriculados

N de parados en agricultura en Asturias

Produccin de acero
Produccin de aluminio
Produccin de arrabio
Produccin de cemento
Produccin de cemento gris
Produccin de cinc
Produccin de clinker de cementos grises
Produccin de hulla
Produccin de laminados

Tabla 1

En la modelizacin de las series descritas consideramos las siguientes tcnicas:

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

1. Mtodos ingenuos (N1): La prediccin es igual al valor en el mes anterior o al de 12

meses antes si existe estacionalidad.
2. Alisados exponenciales (SM): Se aplican las tcnicas de alisado exponencial ms
adecuadas en cada caso segn las componentes de la serie, teniendo en cuenta la
presencia o no de estacionalidad y segn la hiptesis de composicin de la serie sea
aditiva o multiplicativa.
3. Para series estacionales se han efectuado tambin predicciones sobre las series
desestacionalizadas segn las dos tcnicas anteriores, procediendo posteriormente a su
ajuste asumiendo que el patrn de estacionalidad se mantiene constante (N2 y SM2).
4. Metodologa Box-Jenkins: Se estiman para las series modelos ARIMA14 incorporando
tratamiento de outliers y anlisis de intervencin.
5. Redes neuronales artificiales: Con el propsito de incorporar a este estudio algunas de
las tcnicas ms recientes de prediccin, hemos modelizado cuatro de las series
anteriores (produccin de energa elctrica, cinc, laminados y el IPI de Asturias)
mediante redes neuronales artificiales (RNA), utilizando las estructuras de tipo
recurrente15 propuestas por Landajo (1999). Una vez transformada la serie original
hasta reducirla a estacionariedad, el modelo para la serie transformada consta de una
estructura NAR (non-linear auto-regresive), a la que se aaden estructuras de tipo MA
lineales y trminos adicionales para modelizar las observaciones anmalas y los
efectos de tipo intervencin16 .
6. Combinaciones de predicciones: Se han considerado combinaciones de las diferentes
tcnicas estudiadas, con el propsito de contrastar si efectivamente la precisin es
mayor que tomando cada prediccin individualmente y analizar cul de los mtodos
de combinacin aporta mayor precisin.

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

Como muchos autores han puesto de manifiesto (Newbold y Granger (1974),

Armstrong (1978), Makridakis y Wheelwright (1978) entre otros), los mtodos de
extrapolacin de series temporales son mejores (o no peores) que los modelos economtricos
para predicciones a corto plazo, aunque para el largo plazo los modelos economtricos pueden
ser ms adecuados. Basados en esta idea evaluamos los mtodos para predicciones a corto
plazo, y en concreto con horizontes temporales h=1,...,12 meses.
Para evaluar las predicciones hemos considerado los pares prediccin-realizacin

L (y t +h , y t + h ,t ) correspondientes a los 12 ltimos valores de cada serie. Es decir, se estiman

yt-12+h con h=1,...,12.
Como ya hemos visto anteriormente, las medidas ms comunes de evaluacin de
predicciones son el error cuadrtico medio (ECM), el ndice de desigualdad de Theil y el error
absoluto porcentual medio (EAPM). En este anlisis hemos optado por tomar como medida el
EAPM debido a su carcter relativo y su sencillez en el clculo y la interpretacin.
As, para las 20 series hemos calculado el EAPM para cada horizonte temporal segn los
distintos mtodos j:

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

distintos mtodos j: EAPMj =

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

] [

E L( y t 12+ h , y it 12+ h ,t 12 ) = E L( y t 12+ h , y tj12+ h, t 12 ) , adoptando el EAPM como

funcin de coste o desutilidad asociado a cada par realizacin-prediccin.
El estadstico obtenido es H = 34 ,97 , resultado que conduce al rechazo de la hiptesis
nula, y avala la comparacin entre los mtodos de prediccin al existir entre ellos
diferencias esperadas en la precisin18 .
17

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

que cuantifica la ganancia en precisin aportada por el mtodo i en relacin al mtodo j.

h

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.

4. En cuanto a la combinacin de predicciones, de acuerdo con las clasificaciones

mencionadas con anterioridad, y teniendo en cuenta los ARIMA, N2 y SM2 es posible
sealar los siguientes rasgos:
a. Cuando se utiliza la Media aritmtica, se aprecia en general que la precisin de las
predicciones combinadas mejora respecto a la que aporta cada mtodo
individualmente. Adems, la combinacin de

mtodos heterogneos funciona

mejor que la combinacin de mtodos similares. As por ejemplo

h

EAPM ARIMASM 2 EAPM N 2SM 2

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:

series de la economa francesa.

20
Makridakis y Hibon (1979) citan algunos trabajos con conclusiones opuestas a la suya y otros en los que los
mtodos de alisado y ARIMA funcionan de forma similar.
21
Es importante observar la conexin de las redes recurrentes con la modelizacin ARIMA. Desde este punto de
vista, las estructuras recurrentes pueden reescribirse como modelos ARMA no lineales (NARMA, o NARMAX
si llevan tambin variables exgenas), en los que junto a valores retardados de Y aparecen procesos de MA. Una
forma tpica sera la siguiente:
Y t = f(y t 1 , y t 2 ,...y t p , t , t 1 ,... qt ) =

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

b. Por lo que se refiere a la utilizacin de la Media ponderada, comenzando por los

Mtodos de varianza-covarianza (Bates y Granger (1969), Newbold y Granger
(1974), compararemos los resultados segn tengamos o no en cuenta la correlacin
entre los errores de prediccin.
Contrastando si la combinacin resulta ms precisa cuando no se tiene en cuenta la
correlacin de los errores de prediccin de cada mtodo, obtenemos que para cualquier
horizonte h la prediccin combinada asumiendo =0 mejora con respecto a aqulla
que tiene en cuenta la correlacin. Winkler y Makridakis (1983) confirman tambin
que los mejores resultados se obtienen al ignorar los efectos de la correlacin para
calcular los pesos de la combinacin.
La comparacin de las predicciones combinadas a travs de media ponderada con las
asociadas a la media aritmtica no permite establecer una supremaca clara. As en
ARIMA-N2 la combinacin de media aritmtica aporta siempre EAPM menores que
la combinacin varianza-covarianza, mientras sucede lo contrario para la combinacin
de ARIMA -SM2.

Por su parte, los Mtodos de regresin (Granger y Ramanathan (1984)) proporcionan

las ponderaciones de las combinaciones22 ARIMA-N2, ARIMA-SM2, N2-SM2 y
ARIMA -N2-SM2 obteniendo los siguientes resultados:

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

no supera el valor 0,1 y adems no resulta significativo, lo cual indica que N2

22

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

no aporta informacin adicional o relevante23 sobre la que aporta SM2 para

explicar la serie. Esto implica que

( N2 , SM2 ) = (0,1)

y la prediccin

combinada N2-SM2 coincide con la dada por SM2:

2
2
2
y Nt 212SM
= N 2 y Nt 212 + h + SM 2 y SM
SM 2 y SM
+h
t 12 + h =
t 12 + h

Lo mismo ocurre al estimar los pesos de ARIMA-N2-SM2: se aprecia que N2

no aporta informacin relevante para la prediccin en el mtodo combinado.

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

EAPMVAR COV < EAPMREGRESION < EAPMMEDIA

para h=1,...,12

y para ARIMA-N2:
h

EAPMMEDIA < EAPMREGRESION < EAPMVAR COV

para h=1,...,5

16

cuenta el grado de comprensin de los resultados obtenidos, coincide bsicamente con el

utilizado por Makridadkis (1983) que lo elabora en funcin de la complejidad percibida y por
tanto introduce criterios subjetivos.
Parece existir acuerdo entre varios autores respecto al hecho de que la metodologa de
Box-Jenkins es la que requiere el mayor tiempo, pues es necesario observar el grfico de cada
serie, las funciones de autocorrelacin, identificar el modelo, estimar sus parmetros,
chequear las autocorrelaciones de los residuos, etc.
Los restantes procedimientos tienen una base prcticamente automtica, si bien es
necesario detenerse en detectar la estacionalidad, la existencia de tendencia etc. Por lo que se
refiere a las redes neuronales, cuyo nivel de dificultad es considerable, han sido excludas de
este anlisis por haberse aplicado a un nmero reducido de series.

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

Combinacin Media aritmtica

13

Combinacin Media ponderada (regresin)

14

Combinacin Media ponderada (varianza-covarianza)

15

Tabla 4

Teniendo en cuenta la clasificacin de los diferentes mtodos de acuerdo con su

precisin y con su complejidad, es posible elaborar una frontera de eficiencia que ilustre el
trade-off entre ambas caractersticas. La eleccin de mtodos depender entonces de cada
situacin considerada y de las preferencias del agente predictor.

EAPMREGRESION < EAPMMEDIA < EAPMVAR COV

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

Una primera frontera (Makridakis, 1983) se obtiene teniendo en cuenta el nmero de

veces que cada mtodo fue el mejor o el segundo mejor y el ndice de complejidad
correspondiente.
Los resultados obtenidos, representados en la figura 2, no cambiaran sustancialmente
si elaboramos la misma frontera pero relacionando la complejidad con los EAPM

N de veces que el mtodo fue el mejor

o el segundo mejor

(Lewandowski (1984)).

Frontera de eficiencia de los mtodos de prediccin

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:

Los mejores resultados se obtienen con la media aritmtica, al igual que en

diversos estudios empricos (Granger y Newbold (1975), Makridakis y Hibon
(1979), Winkler y Makridakis (1983)), si bien no existe unanimidad en el tema.
Como menciona Otero (1993) sigue siendo una incgnita por qu la media
aritmtica se comporta mejor que mtodos de ponderacin ms complicados.

En cuanto al trade-off entre precisin y complejidad, se puede perder

relativamente

poca

precisin

cambio

de

reducir

significativamente

la

complejidad de la tcnica de prediccin empleada.

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

Consideramos aqu un conjunto de estos factores, explorando su capacidad para

explicar la precisin de las predicciones siguiendo el anlisis efectuado por Makridakis y
Hibon (1979). Estos autores plantean regresiones considerando el EAPM como variable
dependiente y dos combinaciones de factores como variables independientes26 .

El mtodo utilizado para cuantificar los factores se basa en la descomposicin clsica

de las series, que permite aproximar los componentes de tendencia-ciclo, estacionalidad y
aleatoriedad. Los cambios absolutos porcentuales medios (CAPM) de cada uno de los
componentes (C t ) se obtienen como:

1
C t C t 1
CAPMc = 100

C t 1
n 12 t

y se incluyen como variables independientes en las regresiones planteadas.

Puesto que el objetivo de nuestro estudio es la evaluacin de los modelos en funcin

de su capacidad predictiva, nos hemos centrado en el anlisis de regresiones que tienen como
variable dependiente al EAPM de las predicciones, considerando ecuaciones de la forma:

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

MORENO, B. (1999): Tcnicas de prediccin en series temporales y medidas de

evaluacin. Memoria de Proyecto de Investigacin. Departamento de Economa
Aplicada, Universidad de Oviedo.
NEWBOLD, P. y GRANGER, C.W.J. (1974): Experience with Forecasting Univariate Time
Series and the Combination of Forecast, Journal of the Royal Statistical Society,
Serie A, 137. Part. 2, 131-165.
NEWTON, H.J. y PARZEN, E. (1984): Forecasting and Time Series Model Types of 111
Economic Time Series, The Forecasting Accuracy of Major Time Series Methods,
John Wiley & Sons, 267-287.
OTERO, J.M. (1994): Modelos economtricos y prediccin de series temporales, Ed. AC,
Madrid.
PULIDO, A (1998): Una apuesta por el futuro. Predicciones y profecas econmicas. Ed.
Pirmide, Madrid.
PULIDO, A. y LPEZ, A.M. (1999): Prediccin y Simulacin aplicada a la economa y gestin
de empresas, Ed. Pirmide, Madrid.
QUANTITATIVE MICRO SOFTWARE (1998): EVIEWS Users Guide, Command and
Programming Reference.
STECKLER, H.O. (1987): Who forecasts better?, Journal of Business and Economic
Statistics, 5, 155-158.
RASVIRTA, T.; TJOSTHEIM, D. y GRANGER, C.W. (1994): Aspects of modelling
nonlinear time series, en (R.F. Engle & D.L. McFadden, eds.) Handbook of
Econometrics, vol. IV, cap. 48, 2917-2957. Elsevier Science, New York.
THEIL, H. (1955): Who Forecast Best?, International Economic Papers, Vol. 5, 194-199.
THEIL, H. (1958): Economic Forecast and Policy, North Holland Publishing.
THEIL, H. (1966): Applied Economic Forecasting, North Holland Publishing.
THEIL, H. y SCHOLES, M. (1967): Forecast Evaluation Based on a Multiplicative
Descomposition of Mean Square Errors, Econometrica, 35, 70-88.
WHITE, H. (1994): Estimation, Inference and Specification Analysis. Cambridge University
Press, New York.
WINKLER, R.L. (1984): Combinig Forecasts, The Forecasting Accuracy of Major Time
Series Methods, John Wiley & Sons, 289-295.
WRINKLER, R.L. y MAKRIDAKIS, S. (1983): The Combination of Forecast, Journal of
the Royal Statistical Society, Serie A, 146. Part. 2, 150-157.

22