¿Cómo puedo predecir los indicadores macroeconómicos? ¿O hay algún recurso gratuito donde pueda obtener los valores predichos?

Question

Estoy construyendo un modelo de previsión de series temporales en el que estoy considerando los indicadores macroeconómicos como predictores.Quería preguntar 2 cosas

1. ¿Cómo puedo obtener los valores futuros? He visto trading economics y algunos otros sitios pero son de pago. Además, si quiero predecir los indicadores por mi cuenta, ¿cómo debo hacerlo?

2. Todos los datos de los indicadores se ofrecen en dos formas en los sitios web del gobierno: ajustados estacionalmente y no ajustados estacionalmente. Yo utilizo los datos desestacionalizados para construir mi modelo, ¿es correcto?

3.Estoy construyendo un modelo de previsión de la demanda de productos. He elegido 20-30 indicadores macroeconómicos y otras variables exógenas. Quería saber cómo puedo comprobar si las variables explicativas me ayudarán a predecir la demanda. ¿Cómo puedo comparar dos series temporales? ¿Puedo construir modelos de regresión separados para cada indicador con la variable dependiente de la demanda y luego seleccionar las variables que son significativas en mi modelo de previsión final? ¿O puedo utilizar la correlación cruzada o el enfoque de causalidad de Granger para determinar los predictores significativos?

Se agradece cualquier ayuda

Answer 1

Voy a dar una respuesta parcial.

1. Supongo que quiere decir "valores previstos". Las previsiones suelen proceder de empresas privadas que las realizan, y suelen ser caras. Hay algunas encuestas que son de dominio público (Philadelphia Fed Survey of Professional Forecasters). Puedes generar las tuyas propias utilizando un modelo, pero la calidad depende de tu modelo.
2. Normalmente es más fácil trabajar con datos desestacionalizados. Sin embargo, los datos se pasan por un filtro y pueden producirse distorsiones. (Por ejemplo, la pandemia de 2020 ha provocado picos en los datos, y el ajuste estacional puede empeorar esos picos).
3. La última pregunta es abierta. La gente se pasa toda su carrera en las finanzas y en los bancos centrales construyendo modelos.

Answer 2

1. Si se trata de pronosticar algunos datos especiales sobre un determinado país, supongo que se pueden tomar algunas previsiones oficiales realizadas por organismos gubernamentales o por el FMI. En el caso del FMI, normalmente sólo hay previsiones de crecimiento del PIB, mientras que los organismos oficiales pueden publicar valores previstos para una gama más amplia de ts. Además, si tienes acceso a la terminal de Bloomberg en tu universidad o trabajo, puedes ver las previsiones realizadas por diferentes entidades privadas. Estas previsiones, tanto las oficiales como las de estructuras privadas, suelen tener una frecuencia anual.

2. Si se utilizan datos no ajustados, se producirán correlaciones espurias entre los factores y, por tanto, una mala previsión con variables no relacionadas en el modelo.

3. Yo elegiría las variables del modelo basándome en la teoría macroeconómica. Por ejemplo, si pronostica el PIB nominal, y ve una gran correlación entre el PIB nominal y M2, entonces debería entender que están correlacionadas porque ambas están afectadas por la inflación y también porque son no estacionarias (tienen tendencia no estocástica, las variables también pueden ser no estacionarias en caso de ausencia de tendencia no estocástica y en este caso la correlación entre ellas también puede ser espuria. Debe utilizar las pruebas de estacionariedad para ver si las variables son no estacionarias, por ejemplo, la prueba ADF. Elija la versión de la prueba con constante, incluya la tendencia lineal en la prueba para ver si la serie de tiempo es estacionaria con tendencia lineal. Si lo es, entonces usted puede detraer la serie de tiempo). El enfoque habitual para resolver los problemas de no estacionariedad es hacer su regresión en diferencias. También puede utilizar el enfoque VAR. Si usted utiliza el VAR sin variables exógenas, entonces usted no necesita suposiciones sobre las trayectorias futuras de las series de tiempo independientes.