Escolar Documentos
Profissional Documentos
Cultura Documentos
Documento 446
Dirección de Estudios Económicos
13 de Julio de 2016
Resumen
Dirección de Estudios Económicos del DNP. Los autores agradecen los comentarios de Jesús OTERO, Gabriel
PIRAQUIVE, Néstor GONZÁLEZ y Jurany RAMIREZ del DNP. Los comentarios y errores son responsabilidad
del autor y no comprometen a la institución en que trabaja.
1
Introducción
Desde el punto de vista de la demanda, el consumo total representa cerca
del 83% del PIB y el de los hogares constituye alrededor del 65%. Para tener
información oportuna acerca de esta variable es importante poder evaluar y predecir
el comportamiento de la actividad económica. Adicionalmente, los datos acerca del
consumo privado se encuentran de manera trimestral y con un rezago de poco más
de un trimestre para su publicación, luego para la predicción de esta variable se
necesitan de variables que tengan al menos su misma periodicidad (trimestral) y
una rápida consecución. Un indicador líder para la variable de consumo, muy
utilizada en la literatura, son los índices de confianza al consumidor, aunque
recientemente se ha utilizado un indicador de consumo construido a partir de las
“tendencias de Google” para diferentes categorías de consumo (Schmidt y Vosen,
2011)1.
Los índices de confianza son una importante fuente de información acerca
del comportamiento de las variables agregadas2, ya que se puede extraer
información que sirve tanto para el análisis de coyuntura de la economía, así como
para la predicción de corto plazo de distintas variables macro. Ahora bien, estos son
construidos por medio de encuestas de opinión, las cuales tienen información de
tipo cualitativo que generalmente se basan en tres categorías de respuesta:
aumento de la variable, disminución de la variable o estabilidad de la variable; sin
embargo, esto no quiere decir que las encuestas tengan solo este tipo de
respuestas; puede haber más grupos de ellas dentro de la pregunta que se realiza.
Hay que tener en cuenta que las dos series tienen periodicidad distinta, esto
es, el consumo privado es de periodicidad trimestral (baja frecuencia) mientras que
el índice de confianza al consumidor es de periodicidad mensual (alta frecuencia),
por lo que usualmente se realiza una transformación para que el indicador de alta
frecuencia quede con la periodicidad de la variable de baja frecuencia.
Dado que al realizar este tipo de transformaciones se puede perder
información importante en el momento de realizar el pronóstico de las variables,
entonces se recurre a realizar el pronóstico mediante dos diferentes estrategias: la
primera, utilizando un modelo bridge que pronostica los valores faltantes de la serie
de alta frecuencia y luego los agrega mediante una transformación en
observaciones de baja frecuencia, y, segundo, los modelos MIDAS (MIxed DAta
Sample), que coloca los predictores de alta frecuencia en la regresión de las
observaciones de baja frecuencia.
Este trabajo tiene dos propósitos. El primero realizar un pronóstico del
consumo privado que involucra el índice de confianza al consumidor, ya que hasta
ahora no existe evidencia empírica de alguna relación entre estas dos variables para
1 En esta misma línea el Ministerio de Hacienda y Crédito Público, utilizando la metodología desarrollados por
Mejia, et. al. (2013), construye los Indicadores Sectoriales Adelantados de Actividad (ISAAC) a partir de las
tendencias de Google, que permiten anticipar las tendencias del PIB de las nueve grandes ramas de actividad
nacional en el corto plazo.
2 En Colombia son utilizadas por el Banco de la República para la construcción de las expectativas de la inflación
2
Colombia3, y, segundo, utilizar datos de alta frecuencia para realizar el pronóstico
de una variable de baja frecuencia, lo cual tampoco se ha realizado en el país.
El documento se organiza como sigue: En la segunda parte se explican las
variables que se utilizarán como insumo del pronóstico, haciendo énfasis en el
índice de confianza al consumidor, para luego explicar la metodología econométrica
utilizada en la estimación. En la cuarta parte de se presentan los principales
resultados y finalmente se señalan algunas conclusiones.
3La evidencia empírica para otros países no es conclusiva, esto es, trabajos como el de Carroll, et. al. (1994),
Bram y Ludvigson (1998), presentan una correlación positiva en Estados Unidos, al tiempo que Acemoglu y
Scott (1994), lo hacen para el Reino Unido
3
Sin embargo, a partir de enero de 2015, la EOC incluyo a la ciudad de
Bucaramanga y aumento en número de hogares encuestados a 700, por lo cual las
proporciones han cambiado. Ahora cubre cinco ciudades Bogotá (43%), Medellín
(17%), Cali (17%), Barranquilla (14%) y Bucaramanga (9%), distribuida nuevamente
en tres estratos socioeconómicos: alto (18%), medio (31%) y bajo (51%); y el rango
de edades entre los 25 a 44 años equivale a un 56,6 % del total de la muestra.
La EOC consta de 15 preguntas (Cuadro 1) que miden diferentes
percepciones y expectativas de los hogares encuestados: cómo los consumidores
perciben la economía en general, cuáles son sus expectativas sobre las condiciones
económicas en los próximos 12 meses, cómo ven la situación financiera de su
hogar, las condiciones de compra de bienes durables (casa, carro, entre otros), la
capacidad de ahorro de la familia y las perspectivas de cambio de las principales
variables macroeconómicas (desempleo, precios, tasas de interés, entre otros)
Cuadro 1.
Preguntas de las Encuestas de Opinión del Consumidor
Acrónimo Descripción Pregunta
¿Cree usted que a su hogar le está yendo económicamente
P01 Percepción del hogar
mejor o peor que hace un año?
¿Piensa usted que dentro de un año a su hogar le estará yendo
P02 Expectativas del hogar
económicamente mejor, peor o lo mismo que ahora?
¿Piensa usted que durante los próximos doce meses vamos a
P03 Expectativas del país
tener buenos o malos tiempos económicamente?
¿Diría usted que las condiciones económicas del país son
P04 Percepción del país
mejores o peores que hace un año?
Perspectiva país dentro de ¿Cree usted que las condiciones económicas del país estarán
P05
un año mejores o peores dentro de un año que hoy en día?
¿Cree usted que durante los próximos doce meses va a haber
P06 Desempleo
más desempleo que hoy en día?
¿Cree usted que durante los próximos doce meses los intereses
P07 Tasas de interés
de los préstamos subirán o bajarán?
¿Cree usted que durante los próximos doce meses los precios
P08 Precios
de las cosas subirán o bajarán?
Porcentualmente, ¿cuánto cree usted que van a (subir/bajar) los
P09 Inflación
precios de las cosas en general durante los próximos 12 meses?
¿Cree usted que este es un buen momento para comprar
P10 Compra de vivienda
vivienda?
¿Cree usted que este es un buen momento para comprar cosas
P11 Comprar bienes durables
grandes como muebles o electrodomésticos?
P12 Compra de carro ¿Cree usted que este es un buen momento para comprar carro?
¿Diría usted que en la actualidad le está alcanzando para
P13 Ahorro
ahorrar?
Préstamo con entidades ¿Alguien en este hogar ha solicitado un préstamo en alguna
P14
financieras entidad financiera?
Préstamo con amigos o ¿Alguien en este hogar ha solicitado un préstamo a algún
P15
conocidos familiar, amigo o conocido?
Fuente: Adaptado de Julio y Grajales (2011)
4
Antes de proseguir, hay que tener en cuenta que las respuestas a las
preguntas realizadas en la EOC son de tipo cualitativo y para poder realizar
cualquier trabajo cuantitativo es necesario hacer algún tipo de transformación. Los
tres métodos más utilizados para esto son4: la estadística de balance, propuesto por
Anderson (1952) y Theil (1952), el método probabilístico, desarrollado por Carlson
y Parkin (1975), y el método de regresión, propuesto por Pesaran (1984, 1987).
En este caso, se utiliza el balance neto de Anderson (1952) y Theil (1952que
se construye como:
(1)
𝑈−𝐷
𝐵𝐴𝐿 = ( ) ∗ 100
𝑈 + 𝑆 + 𝐷 + 𝑁𝐴
4 Para una descripción más detallada de los métodos véase Holmes, Mitchell, y Silverstone (2009).
5
Gráfico 1.
Índices de confianza al consumidor
50,00
40,00
30,00
Crecimiento del balance %
20,00
10,00
0,00
-10,00
-20,00
-30,00
-40,00
mar.-08
mar.-02
mar.-03
mar.-04
mar.-05
mar.-06
mar.-07
mar.-09
mar.-10
mar.-11
mar.-12
mar.-13
sep.-13
mar.-14
mar.-15
mar.-16
sep.-02
sep.-03
sep.-04
sep.-05
sep.-06
sep.-07
sep.-08
sep.-09
sep.-10
sep.-11
sep.-12
sep.-14
sep.-15
Indice de confianza del consumidor (ICC) Indice de expectiativas de los consumidores (IEC)
Indice de condiciones económicas (ICE)
Fuente: Fedesarrollo
Gráfico 2.
Crecimiento del consumo privado y el índice de confianza al consumidor
9,00 40,00
8,00
30,00
7,00
Crecimiento del balance %
20,00
6,00
Porcentaje
5,00 10,00
4,00 0,00
3,00
-10,00
2,00
-20,00
1,00
0,00 -30,00
may.-10
may.-03
feb.-05
sep.-05
feb.-12
mar.-02
nov.-06
jun.-07
ago.-08
mar.-09
nov.-13
ago.-15
mar.-16
ene.-08
sep.-12
jun.-14
ene.-15
oct.-02
dic.-03
jul.-04
abr.-06
oct.-09
dic.-10
jul.-11
abr.-13
6
Cuadro 2.
Correlaciones con el crecimiento del consumo privado
Índice de confianza
Fin de período Promedio simple
-4 0,267 0,371
-3 0,457 0,547
-2 0,602 0,660
-1 0,722 0,792
0 0,800 0,817*
1 0,783* 0,750
2 0,634* 0,617
3 0,536 0,482
4 0,325 0,288
* Significancia al 95% de confianza
Fuente: Cálculos de los autores
5Las cuales son empresas comerciales que en 1997 presentaron ventas superiores a 1.210 millones de pesos,
que se ha venido actualizando con el IPC, y/o tenían contratadas 20 o más personas.
7
únicamente en la agregación trimestral de la serie de tarjetas de crédito se puede
descartar el problema de raíz unitaria.
Ahora bien, al observar los gráficos de las series (Gráfico 3), se observa un
comportamiento más o menos estacionario de las series, pero con una fuerte caída
en los últimos periodos, lo que puede estar alterando los resultados de las pruebas.
Dado lo anterior, se decide realizar los modelos, suponiendo estacionalidad de las
series de aquí en adelante.
Cuadro 3.
Prueba de raíz unitaria Dickey-Fuller aumentado
Prueba con drift y
Prueba con drift
tendencia
Series trimestrales
Consumo -2,32 -2,36
ICC -0,95 -1,26
Tarjetas de crédito -3,32*
Comercio sin combustible -2,38 -2,40
Series mensuales
ICC -2,40 -2,50
Tarjetas de crédito -1,76 -1,76
Comercio sin combustible -2,70 -2,70
* Prueba de significancia al 95%
Gráfico 3.
Series utilizadas en la estimación
Consumo de los hogares Indice de comercio sin combustibles
(variacion trimestral anualizada) (variacion trimestral anualizada)
9,00 20,00
8,00
15,00
7,00
6,00 10,00
Porcentaje
Porcentaje
5,00
5,00
4,00
3,00 0,00
2,00
-5,00
1,00
0,00 -10,00
sep.-02
sep.-03
sep.-04
sep.-05
sep.-06
sep.-07
sep.-08
sep.-09
sep.-10
sep.-11
sep.-12
sep.-13
sep.-14
sep.-15
sep.-08
mar.-03
mar.-08
mar.-11
sep.-02
sep.-03
sep.-04
sep.-05
sep.-06
sep.-07
sep.-09
sep.-10
sep.-11
sep.-12
sep.-13
sep.-14
sep.-15
mar.-02
mar.-04
mar.-05
mar.-06
mar.-07
mar.-09
mar.-10
mar.-12
mar.-13
mar.-14
mar.-15
mar.-16
mar.-05
mar.-07
mar.-12
mar.-14
mar.-02
mar.-03
mar.-04
mar.-06
mar.-08
mar.-09
mar.-10
mar.-11
mar.-13
mar.-15
mar.-16
30,00 30,00
20,00 25,00
Porcentaje
Porcentaje
10,00 20,00
0,00 15,00
-10,00 10,00
-20,00 5,00
-30,00 0,00
sep.-02
sep.-03
sep.-04
sep.-05
sep.-06
sep.-07
sep.-08
sep.-09
sep.-10
sep.-11
sep.-12
sep.-13
sep.-14
sep.-15
mar.-04
mar.-09
mar.-11
mar.-16
mar.-02
mar.-03
mar.-05
mar.-06
mar.-07
mar.-08
mar.-10
mar.-12
mar.-13
mar.-14
mar.-15
sep.-02
sep.-03
sep.-04
sep.-05
sep.-06
sep.-07
sep.-08
sep.-09
sep.-10
sep.-11
sep.-12
sep.-13
sep.-14
sep.-15
mar.-06
mar.-08
mar.-13
mar.-15
mar.-02
mar.-03
mar.-04
mar.-05
mar.-07
mar.-09
mar.-10
mar.-11
mar.-12
mar.-14
mar.-16
De izquierda a derecha y de arriba abajo los gráficos corresponden con: a) Consumo de los hogares: b) Variación del índice
de comercio sin combustible; c) índice de confianza del consumidor; d) Tasa de interés de las tarjetas de crédito de personas
naturales
Fuente: DANE, Fedesarrollo y Banco de la República; Cálculos de los autores
8
Estrategia de pronóstico
La disponibilidad de datos para la realización de pronósticos de series
macroeconómicas presenta desafíos para la persona que las realiza. En algunos
casos las series a pronosticar son de baja frecuencia, mientras que las series que
ayudan con el pronóstico tienen una alta frecuencia. La solución más común es
convertir los datos en una sola frecuencia mediante algún tipo de transformación,
perdiendo de esta manera información importante dentro del pronóstico.
Ahora bien, es posible combinar datos de distintas frecuencias mediante la
utilización de diferentes procedimientos. Dentro de los más utilizados se
encuentran: los modelos de factores, que reúnen la información contenida en una
gran base de datos en un pequeño número de factores comunes (Stock y Watson,
2002a; Stock y Watson, 2002b); los modelos bridge, que resuelven el problema de
la combinación de frecuencias por pronosticar primero los valores faltantes de la
serie de alta frecuencia y luego agregarlos las observaciones a la baja frecuencia
de la serie a pronosticar (Klein y Sojo, 1989); y los modelos MIxed DAta Sampling
(MIDAS), que coloca los predictores de alta frecuencia en la regresión de las
observaciones de baja frecuencia (Ghysels, et al. 2004; Ghysels, et al. 2007).
En este ejercicio de pronóstico, la estrategia está basada en la utilización de
tres tipos de modelos: un modelo “agregación temporal”, en el que no se toma la
información de baja frecuencia, sino se hacen transformaciones a las variables de
alta frecuencia para volverlas de baja frecuencia, un modelo bridge y un modelo
MIDAS, estos dos últimos si toman en cuenta la información de baja frecuencia de
las variables.
Antes de proseguir es importante detenerse en la notación utilizada de aquí
en adelante. Como se ha mencionado anteriormente se quiere realizar un pronóstico
del consumo, que es una serie de baja frecuencia, la cual va a ser denotada Y, con
una frecuencia en el tiempo t. En este caso la unidad de tiempo t es trimestral (1, 2,
3 y 4). Por ejemplo, para el mes de marzo tenemos que para la serie de baja
frecuencia se denota como Y1. En el caso de los rezagos de la serie de baja
frecuencia se utiliza el operador de rezagos L.
Adicionalmente, es importante comprender la notación de la series de alta
frecuencia denota como X, que tiene una frecuencia m dentro de la unidad de tiempo
t. La frecuencia de Xmt se supone mensual (1, 2 y 3), luego entre t y t-1 la variable
de alta frecuencia puede ser observada 3 veces. Por ejemplo, para el mes de marzo
tenemos que la serie de alta frecuencia se denota como X31 y en el mes de abril
como X12. Finalmente, los rezagos de la serie de alta frecuencia se denotan como
LHF.
En el Gráfico 4 se muestra el pronóstico de un período adelante de la variable
Yt, el cual puede ser generalizado sin problema. Supongamos que en el período t
estamos interesados en pronosticar Yt+1. En un ejercicio tradicional se utilizarían los
datos hasta el momento t, perdiendo la información que puede encontrarse en X1t+1
y X1t+2. Con los modelos bridge y MIDAS esta información es incorporada en el
pronóstico de Yt+1.
9
Gráfico 4.
Línea de tiempo de pronóstico
Yt-2 Yt-1 Yt Yt+1
Xt-1 Xt Xt+1
Fuente: Adaptado de Armesto, Engemann y Owyang (2010)
𝑌𝑡 = 𝛼 + ∑ 𝛽𝑖 𝐿𝑖 𝑌𝑡 + ∑ 𝛾𝑗 𝐿𝑗 𝑋̅𝑡 + 𝜀𝑡
𝑖=1 𝑗=1
6 La cual podría ser estimada dentro del modelo, pero esto implica: i) un incremento en el número de parámetros
a estimar y ii) los coeficientes asociados a las ponderaciones no van a estar restringidos a que la suma sea uno,
lo cual dificulta su interpretación.
10
embargo, debido a la existencia de autocorrelación en los errores, es necesario
especificar un ARIMA (Box y Jenkins, 1976) con variables explicativas (Pankratz,
1991).
Modelos bridge
Un modelo bridge puede ser visto como una ecuación dinámica donde los
componentes del PIB son explicados por indicadores de corto plazo7. La elección
de las variables en un modelo bridge está basado en la experiencia del investigador
así como en diferentes procedimientos estadísticos, que en relaciones estructurales
de las variables.
En general se usan ecuaciones auxiliares para pronosticar la serie de alta
frecuencia hasta el final del período de consideración de pronóstico de la variable
de baja frecuencia. Por ejemplo, si se tiene información hasta enero y se quiere
pronosticar el primer trimestre, se realiza un pronóstico independiente del indicador
hasta marzo, lo cual completa el período para que la serie de alta frecuencia sea
agregada temporalmente a una serie de baja frecuencia.
En nuestro caso, lo que se hace es realizar el pronóstico de la serie del índice
de confianza a partir de un modelo ARIMA de la forma
𝑝 𝑞 (4)
11
donde la función 𝛷(𝑘; 𝜃) es un polinomio que determina las ponderaciones
para la agregación temporal. Esta función puede tener numerosas formas
funcionales para esto Ghysels, et al. (2004) sugieren utiliza una función beta
(7)
𝑘
𝑓 (𝑚 , 𝜃1 , 𝜃2 )
𝛷(𝑘; 𝜃1 , 𝜃2 ) =
𝑗
∑𝑚
𝑗=1 𝑓 (𝑚 , 𝜃1 , 𝜃2 )
12
En el caso de los modelos de agregación temporal (modelo base) y el modelo
bridge, hay que considerar que se debe pasar los datos de alta frecuencia (mensual)
a baja frecuencia (trimestral), por lo que para el ICC se tomaron los datos a fin de
trimestre, mientras que para las tarjetas de crédito y la variación del comercio se
optó por realizar la agregación promedio.
Bajo el modelo base, sin involucrar los datos de alta frecuencia en el
pronóstico, se obtuvo que el crecimiento del consumo privado, para el segundo
trimestre de 2016, se encuentra entre un 3,8% y 5,7%, con un intervalo de 60% de
confianza, siendo la estimación puntual de 4,3%. En el caso del modelo bridge, se
pronostica un crecimiento de 3,8%, para el mismo periodo, que se encuentra en un
intervalo de confianza al 60% entre 3,4% y 4,2%. Finalmente, con el modelo MIDAS,
se pronostica un crecimiento de 3,6% para el segundo trimestre de 2016, el cual se
encuentra entre 3,2% y 3,9%, con una confianza del 60%. En el Gráfico 5, se
presentan los resultados para el cierre del año 2016 con esto tres modelos para los
intervalos del 90%, 80% y 60%.
Gráfico 5.
Pronostico del consumo (trimestre anualizado)
Modelo base (a) Modelo bridge (b)
13
Los pronósticos puntuales para el año 2016, muestran un crecimiento para el
consumo privado de: 3,9% para el modelo base; 3,5% para el modelo bridge y 3,4%
para el modelo MIDAS. Al realizar la combinación de pronósticos, mediante un
promedio simple, se esperaría un crecimiento de 3,6% para el año, que implicaría
un incremento del consumo de 0,5 puntos porcentuales (pp.), con respecto a lo
observado en el 2015.
Cuadro 4.
Pronóstico del consumo para 2016
I-15 4,7%
II-15 3,7%
III-15 4,2%
IV-15 2,8%
2015 3,1%
I-16 3,4%
II-16 4,3% 3,8% 3,6% 3,9%
III-16 3,8% 3,2% 3,0% 3,3%
IV-16 3,8% 3,5% 3,6% 3,6%
2016 3,9% 3,5% 3,4% 3,6%
Fuente: Cálculos de los autores
Gráfico 4
Pronóstico del consumo para 2016
8%
7%
6%
5%
4% 3,6%
3%
2%
1%
0%
I-10
I-15
III
III
III
III
III
III
III
I-11
I-12
I-13
I-14
I-16
IV
14
Conclusiones
15
Anexo A: Resultados de los modelos
Cuadro 5. Modelo Base/Bridge
Modelo Base/Bridge
AR1
0,73*
(0,1)
D1
-6,42
(10,14)
D2
-6,10
(10,12)
D3
6,19
(10,10)
D4
6,57
(10,10)
ICC
0,001
(0,011)
ICC Rezagado
0,01
(0,012)
Comercio
0,28*
(0,03)
Comercio Rezagado
0,001
(0,03)
Tasa Tarjeta
0,24*
(0,08)
Tasa Tarjeta Rezagado
-0,11*
(0,08)
n 54
16
Cuadro 6. Modelo Midas
Modelo Midas
Intercepto
2,70*
(1,51)
Consumo Rezagado
0,84*
(0,12)
ICC periodo 1
0,02
(0,01)
ICC periodo 2
-0,01
(0,02)
ICC periodo 3
-0,01
(0,02)
ICC Rezagado periodo 1
0,03*
(0,02)
ICC Rezagado periodo 2
-0,03
(0,02)
ICC Rezagado periodo 3
0,01
(0,03)
Comercio periodo 1
0,07*
(0,03)
Comercio periodo 2
0,03
(0,03)
Comercio periodo 3
0,14*
(0,03)
Comercio Rezagado periodo 1
-0,04
(0,04)
Comercio Rezagado periodo 2
-0,1*
(0,04)
Comercio Rezagado periodo 3
-0,07*
(0,02)
Tasa Tarjeta periodo 1
-0,20
(0,18)
Tasa Tarjeta periodo 2
0,44*
(0,21)
Tasa Tarjeta periodo 3
-0,14
(0,37)
Tasa Tarjeta Rezagado periodo 1
-0,33
(0,31)
Tasa Tarjeta Rezagado periodo 2
0,36
(0,32)
Tasa Tarjeta Rezagado periodo 3
-0,20
(0,28)
n 54
17
Referencias
Anderson, O. (1952). “The business test of the IFO-Institute for economic research,
Munich, and its theoretical model”. Review of the International Statistical Institute,
Vol. 20, pp. 1–17.
Armesto, M. Engemann, K. and Owyang, M. (2010). “Forecasting with mixed
frequencies”. Federal Reserve Bank of St. Louis Review, Vol. 92 (6), pp. 521-536.
Box, G. E. P and Jenkins, GM (1976). Time series analysis: Forecasting and control.
Carlson, J. A. and Parkin, M. (1975). “Inflation expectations”. Economica, Vol. 42
(166), pp. 123–138.
Dickey, D. A. and Fuller, W. A., 1979. Distribution of the Estimators for
Autoregressive Time Series with a Unit Root. Journal of the American Statistical
Association, Vol. 79, pp. 427-431.
Dreger, C. and Arkadievich, K. (2011). “Forecasting Private Consumption by
Consumer Surveys”. Journal of Forecasting, Vol. 32 (1), pp. 10–18.
Ghysels, E., Kvedaras, V. and Zemlys, V. (2015). Mixed frequency data sampling
regression models: the R Package midasr. Unpublished manuscript
https://github.com/mpiktas/midasr-user-guide/raw/master/midasr-user-guide.pdf.
Ghysels, E., Santa-Clara, P. and Valkanov, R. (2004). The MIDAS Touch: Mixed
Data Sampling Regression Models. Center for Interuniversity Research and Analysis
of Organizations Working Paper, No 2004s-20.
Ghysels, E., Sinko, A. and Sockin, M. (2010). Matlab Toolbox for Mixed Sampling
Frequency Data Analysis using MIDAS Regression Models. Unpublished manuscript
www.unc.edu/~eghysels/papers/MIDAS_Usersguide_Version1.pdf.
Ghysels, E., Sinko, A. and Valkanov, R. (2007). “MIDAS regressions: further results
and new directions”. Econometric Reviews, Vol. 26 (1), pp. 53–90.
Holmes, M., Mitchell, J. and Silverstone, B. (2009). “Architects as nowcasters of
housing construction”. National Institute Economic Review, Vol. 210 (1), pp. 111-
122.
Julio, J. M. y Grajales, A. (2011). ¿Qué nos dicen los índices de confianza? Banco
de la República, Borradores de Economía, No 659.
Klein, L. R. and Sojo, E. (1989). Combinations of High and Low Frequency Data in
Macroeconometric Models, pp. 3-16. In Klein, L. R. and Márquez, J. (1989).
Economics in Theory and Practice: An Eclectic Approach. Dordrecht: Kluwer
Lahiri, K., Monokrousos, G. and Zhao, Y. (2015). “Forecasting consumption: the role
of consumer confidence in real time with many predictors”. Journal of Applied
Econometrics, DOI: 10.1002/jae.2494.
Ludvigson, S. (2004). “Consumer confidence and consumer spending”. Journal of
Economic Perspectives, Vol. 18 (2), pp. 29–50.
18
Mejia, L. F., Monsalve, D., Parra, Y., Pulido, S. y Reyes, A. M. (2013). Indicadores
ISAAC: Siguiendo la actividad sectorial a partir de Google Trends. Ministerio de
Hacienda y Crédito Público, Notas Fiscales, No 22.
Pankratz, A. (1991). Forecasting with Dynamic Regression Models. Wiley-
Interscience.
Pesaran, M.H. (1984). “Expectations formation and macroeconomic modelling”. En
Malgrange, P. and Muet, P. (eds): Contemporary Macro-economic Modelling,
Oxford, Blackwell.
Pesaran, M.H. (1987). The Limits to Rational Expectations. Oxford, Blackwell.
Pfaff, B. 2008). “Analysis of integrated and cointegrated time series with R”.
Springer.
Sánchez, K. y Zarate, H. (2010). Formación de las expectativas de inflación y
actividad económica tenidas de la encuesta de clima de los negocios realizada por
el Banco de la República de Colombia. VII Coloquio Regional de Estadística y XII
Seminario de Estadística Aplicada IASI, Universidad Nacional de Colombia Sede
Medellín, Mimeo.
Schmidt, T. and Vosen S. (2011). “Forecasting private consumption: survey-based
indicators vs. Google trends”. Journal of Forecasting, Vol. 30 (6), pp. 565-578.
Stock, J. H. and Watson, M. W., 2002a. Forecasting Using Principal Components
From a Large Number of Predictors. Journal of the American Statistical Association,
97(460), pp. 1167-1179.
Stock, J. H. and Watson, M. W., 2002b. Macroeconomic Forecasting Using Diffusion
Index. Journal of Business Economics and Statistics, 20(2), pp. 147-162.
Theil, H. (1952). “On the time shape of economic microvariables and the Munich
business test”, Review of the International Statistical Institute, Vol. 20, pp. 105–120.
Wohlrabe, K. (2009). Forecasting with mixed-frequency time series models. PhD
tesis, University of Munich.
19