Pronosticando la inflación mensual en Colombia un paso hacia delante: una aproximación "de abajo hacia arriba" // Forecasting the Colombian Monthly Inflation One Step Ahead: A "Bottom to Top" Approach

Autores/as

  • Julio César Alonso Centro de Estudios en Economía y Finanzas (CIENFI) Departamento de Economía Universidad Icesi, Cali
  • Andrés Felipe Rivera Centro de Estudios en Economía y Finanzas (CIENFI) Universidad Icesi, Cali

Palabras clave:

IPC, inflación, pronósticos, de abajo hacia arriba, Colombia, CPI, inflation, forecasts, "bottom to top"

Resumen

La estructura jerárquica del Índice de Precios al Consumidor (IPC) de Colombia permite calcular la inflación como una combinación lineal de sus subcomponentes. Nuestra aproximación implica emplear modelos SARIMA para pronosticar cada componente del IPC y crear un pronóstico de la inflacióon como una combinación lineal de los pronósticos individuales; es decir, una aproximación "de abajo hacia arriba". Se evalúa el desempeño fuera de muestra de los pronósticos para el siguiente mes de 12 métodos que emplean una aproximación "de abajo hacia arriba". Estos métodos son comparados con un pronóstico agregado de la inflación empleando un modelo SARIMA para el IPC total. Nuestros resultados muestran que emplear un método "de abajo hacia arriba" para pronosticar la inflación del siguiente mes tiene un mejor comportamiento que emplear un modelo SARIMA agregado.

------------------------------------

The hierarchical structure of the Colombian Consumer Price Index (CPI) makes possible to calculate inflation as a linear combination of its subcomponents. We use SARIMA models to forecast each component of CPI and construct an forecast of inflation using a lineal combination of the forecasts of these components, i.e. a "bottom to top" approach. In this paper, we asses the out-of-sample performance of the one-step ahead forecast of 12 "bottom to top" methodologies. These methods are compared with an aggregate forecast using a SARIMA model. Our results show that a "bottom to top" method to forecast inflation outperforms an aggregate approach for the case of monthly inflation in Colombia.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Benalal, N.; del Hoyo, J. L.; Roma, M.; Landau, B. & Skudelny, F. (2004). "To aggregate or not to aggregate? Euro Area Inflation Forecasting". ECB Working Paper No. 374. European Central Bank.

Cuitiño, F.; Ganón, E.; Tiscordio, I. & Vicente, L. (2010). "Modelos univariados de series de tiempo para predecir la inflación a corto plazo". Documento de trabajo No. 008-2010. Banco Central de Uruguay.

Demers, F. & De Champlain, A. (2005). "Forecasting Core Inflation in Canada: Should We Forecast the Aggregate or the Components?". Working paper 2005-44. Bank of Canada.

Diebold, F. X. & Mariano, R. S. (1995). "Comparing predictive accuracy", Journal of Business & Economic Statistics, 13, 253–265.

Dornbusch, R. (1976). "Expectations and exchange rate dynamics", Journal of Political Economy, 84(6), 1161–1176.

Espasa, A., Senra, E. & Albacete, R. (2002). "Forecasting inflation in the European Monetary Union: A disaggregated approach by countries and by sectors", The European Journal of Finance, 8(4), 402–421.

Firth, M. (1979). "The Relationship Between Stock Market Returns and Rates of Inflation", The Journal of Finance, 34(3), 743–749.

Fritzer, F., Moser, G. & Scharler, J. (2002). "Forecasting Austrian HCPI and its Components using VAR and ARIMA Models". Working Paper 73, Oesterreichische Nationalbank.

Grunfeld, Y. & Griliches, Z. (1960). "Is aggregation necessarily bad?", The Review of Economics and Statistics, 42(1), 1–13.

Harvey, S. K. & Cushing, M. J. (2014). "Does Using Disaggregate Components Help in Producing Better Forecasts for Aggregate Inflation?", Journal of Economics and Development Studies, 2(2), 527–546.

Hendry, D. F. & Clements, M. P. (2004). "Pooling of forecasts", Econometrics Journal, 5, 1–31.

Hendry, D. F. & Hubrich, K. (2011). "Combining disaggregate forecasts or combining disaggregate information to forecast an aggregate", Journal of Business & Economic Statistics, 29(2), 216–227.

Hubrich, K. (2005). "Forecasting euro area inflation: Does aggregating forecasts by HICP component improve forecast accuracy?", International Journal of Forecasting, 21(1), 119–136.

Hyndman, R. J., Khandakar , Y. (2008). "Automatic Time Series Forecasting: The forecast Package for R", Journal of Statistical Software, 27(3), 1-22.

Miller, K. D., Jeffrey, F. J. & Mandelker, G. (1976). "The 'Fisher effect' for risky assets: An empirical investigation", The Journal of Finance, 31(2), 447–458.

Nelson, C. R. (1976). "Inflation And Rates Of Return On Common Stocks", The Journal of Finance, 31(2), 471–483.

Pino, G., Tena, J. D., & Espasa, A. (2013). "Forecasting disaggregates by sectors and regions: the case of inflation in the euro area and Spain". Working Paper 13-08. Statistics and Econometrics Series 07. Universidad Carlos III de Madrid.

R Core Team (2016). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Viena.

Solnik, B. (1983). "The relation between stock prices and inflationary expectations: The international evidence", The Journal of Finance, 38(1), 35–48.

Svensson, L. E. O. (1997). "Inflation forecast targeting: Implementing and monitoring inflation targets", European Economic Review, 41(6), 1111–1146.

Theil, H. (1954). Linear aggregation of economic relations. North-Holland Pub. Co.

Publicado

2017-07-01

Cómo citar

Alonso, J. C., & Rivera, A. F. (2017). Pronosticando la inflación mensual en Colombia un paso hacia delante: una aproximación "de abajo hacia arriba" // Forecasting the Colombian Monthly Inflation One Step Ahead: A "Bottom to Top" Approach. Revista De Métodos Cuantitativos Para La Economía Y La Empresa, 23, Página 98 a 118. Recuperado a partir de https://www.upo.es/revistas/index.php/RevMetCuant/article/view/2688

Número

Sección

Artículos