Reconciliación y desagregación temporal de series de tiempo: Una aplicación para el PIB trimestral en Colombia
ilustraciones
- Autores:
-
Gómez Rodríguez, Fabián Camilo
- Tipo de recurso:
- Fecha de publicación:
- 2023
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/85096
- Palabra clave:
- 330 - Economía::339 - Macroeconomía y temas relacionados
Análisis de series de tiempo
Estadística matemática
Economía
Time-series analysis
Mathematical statistics
Economics
Desagregación Temporal
Modelos multivariados
Equilibrio macroeconómico
Redes neuronales artificiales
Artificial neural networks
Temporal Disaggregation
Multivariate models
Macroeconomic equilibrium
- Rights
- openAccess
- License
- Reconocimiento 4.0 Internacional
| id |
UNACIONAL2_806225ad1c8ffdc39a706b7bdda45c7d |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/85096 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Reconciliación y desagregación temporal de series de tiempo: Una aplicación para el PIB trimestral en Colombia |
| dc.title.translated.eng.fl_str_mv |
Reconciliation and temporal disaggregation of time series: An application to quarterly GDP in Colombia |
| title |
Reconciliación y desagregación temporal de series de tiempo: Una aplicación para el PIB trimestral en Colombia |
| spellingShingle |
Reconciliación y desagregación temporal de series de tiempo: Una aplicación para el PIB trimestral en Colombia 330 - Economía::339 - Macroeconomía y temas relacionados Análisis de series de tiempo Estadística matemática Economía Time-series analysis Mathematical statistics Economics Desagregación Temporal Modelos multivariados Equilibrio macroeconómico Redes neuronales artificiales Artificial neural networks Temporal Disaggregation Multivariate models Macroeconomic equilibrium |
| title_short |
Reconciliación y desagregación temporal de series de tiempo: Una aplicación para el PIB trimestral en Colombia |
| title_full |
Reconciliación y desagregación temporal de series de tiempo: Una aplicación para el PIB trimestral en Colombia |
| title_fullStr |
Reconciliación y desagregación temporal de series de tiempo: Una aplicación para el PIB trimestral en Colombia |
| title_full_unstemmed |
Reconciliación y desagregación temporal de series de tiempo: Una aplicación para el PIB trimestral en Colombia |
| title_sort |
Reconciliación y desagregación temporal de series de tiempo: Una aplicación para el PIB trimestral en Colombia |
| dc.creator.fl_str_mv |
Gómez Rodríguez, Fabián Camilo |
| dc.contributor.advisor.none.fl_str_mv |
Calderón Villanueva, Sergio Alejandro |
| dc.contributor.author.none.fl_str_mv |
Gómez Rodríguez, Fabián Camilo |
| dc.subject.ddc.spa.fl_str_mv |
330 - Economía::339 - Macroeconomía y temas relacionados |
| topic |
330 - Economía::339 - Macroeconomía y temas relacionados Análisis de series de tiempo Estadística matemática Economía Time-series analysis Mathematical statistics Economics Desagregación Temporal Modelos multivariados Equilibrio macroeconómico Redes neuronales artificiales Artificial neural networks Temporal Disaggregation Multivariate models Macroeconomic equilibrium |
| dc.subject.lemb.spa.fl_str_mv |
Análisis de series de tiempo Estadística matemática Economía |
| dc.subject.lemb.eng.fl_str_mv |
Time-series analysis Mathematical statistics Economics |
| dc.subject.proposal.spa.fl_str_mv |
Desagregación Temporal Modelos multivariados Equilibrio macroeconómico Redes neuronales artificiales |
| dc.subject.proposal.eng.fl_str_mv |
Artificial neural networks Temporal Disaggregation Multivariate models Macroeconomic equilibrium |
| description |
ilustraciones |
| publishDate |
2023 |
| dc.date.accessioned.none.fl_str_mv |
2023-12-14T04:32:20Z |
| dc.date.available.none.fl_str_mv |
2023-12-14T04:32:20Z |
| dc.date.issued.none.fl_str_mv |
2023-12-13 |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/85096 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| dc.identifier.repourl.spa.fl_str_mv |
https://repositorio.unal.edu.co/ |
| url |
https://repositorio.unal.edu.co/handle/unal/85096 https://repositorio.unal.edu.co/ |
| identifier_str_mv |
Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Aggarwal, C. C. et al. (2018). Neural networks and deep learning. Springer, 10(978):271–313. Bournay, J. and Laroque, G. (1979). Réflexions sur la méthode délaboration des comptes trimestriels. In Annales de l’INSEE, pages 3–30. JSTOR. Byron, R. P. (1978). The estimation of large social account matrices. Journal of the Royal Statistical Society: Series A (General), 141(3):359–367. Chen, B., Di Fonzo, T., and Mushkudiani, N. (2018). Benchmarking, temporal disaggrega- tion, and reconciliation of systems of time series. Statistica Neerlandica, 72(4):402–405. Cholette, P. A. (1983). Adjusting sub-annual series to yearly benchmarks. Survey Methodo- logy, 10(1):35–49. Cholette, P. A. and Dagum, E. B. (1994). Benchmarking time series with autocorrelated survey errors. International Statistical Review/Revue Internationale de Statistique, pages 365–377. Chow, G. C. and Lin, A.-l. (1971). Best linear unbiased interpolation, distribution, and extrapolation of time series by related series. The review of Economics and Statistics, pages 372–375. Ciammola, A., Di Palma, F., and Marini, M. (2005). Temporal disaggregation techniques of time series by related series: A comparison by a monte carlo experiment. Paper presented at the OECD-Eurostat, pages 121–132. Correa, I. C. P. and Buendía, J. M. M. (2013). Desagregación multivariada del PIB sectorial del departamento de Bolívar. Economía & Región, 7(1):139–167. Dagum, E. B. and Cholette, P. A. (2006). Benchmarking, temporal distribution, and recon- ciliation methods for time series, volume 186. Springer Science & Business Media. DANE (2023). Metodología general cuentas trimestrales - ct. producción estadística. Departamento Administrativo Nacional de Estadística (DANE). Denton, F. T. (1971). Adjustment of monthly or quarterly series to annual totals: an approach based on quadratic minimization. Journal of the american statistical association, 66(333):99–102. Di Fonzo, T. (1994). Temporal disaggregation of a system of time series when the aggregate is known: Optimal vs. adjustment methods. INSEE-Eurostat Workshop on Quarterly National Accounts, pages 63–77. Elezovíc, S. and Xie, Y. (2018). Reconciliation of seasonally adjusted data with applications to the swedish quarterly national accounts. Statistica Neerlandica, 72(4):590–602. Eurostat. (2013). Handbook on quarterly national accounts., chapter 5. Publications Office of the European Union., Luxembourg. Fernández, R. B. (1981). A methodological note on the estimation of time series. The Review of Economics and Statistics, 63(3):471–476. Friedman, M. (1962). The interpolation of time series by related series. Journal of the American Statistical Association, 57(300):729–757. Fund, I. M. (2018). Quarterly National Accounts Manual. Manuals and Guides. International Monetary Fund. Guerrero, V. M. (1990). Temporal disaggregation of time series: an arima-based approach. International Statistical Review/Revue Internationale de Statistique, pages 29–46. Guerrero, V. M. and Peña, D. (2000). Linear combination of restrictions and forecasts in time series analysis. Journal of Forecasting, 19(2):103–122. Hurtado, J. and Melo, L. (2015). Desagregación temporal: una metodología multivariada alternativa. Lecturas de Economía, (82):1–45. Hurtado, J. L. and Melo, L. F. (2010). Una metodología multivariada de desagregación temporal. Borradores de economía, 586:1–36. Lee, M. K. (2018). Quarterly national accounts manual (2017 edition). pages 82–118. Litterman, R. B. (1983). A random walk, markov model for the distribution of time series. Journal of Business & Economic Statistics, 1(2):169–173. Maehle, N. O., Dippelsman, R., and Bloem, A. M. (2001). Manual de cuentas nacionales trimestrales. In Manual de cuentas nacionales trimestrales, chapter 6, pages 95–133. International Monetary Fund, Washington. Mankiw, N. G. (2014). Macroeconomía. chapter 2, pages 65–84. Antoni Bosch editor, New York. Melo-Velandia, L. F. (1992). Desagregación de series temporales: metodología y aplicación al caso del PIB en Colombia. Revista Ensayos Sobre Política Económica; Vol. 11. No. 22. Diciembre, 1992. Pág.: 151-170. Nieto, F. H. (1998). Ex-post and ex-ante prediction of unobserved economic time series: a case study. Journal of Forecasting, 17(1):35–58. Olga, K. and Shuang, L. (2021). Artificial neural network for solving multi-parameter optimization problems. In Journal of Physics: Conference Series, volume 2092, pages 1–16. IOP Publishing. Proietti, T. (2006). Temporal disaggregation by state space methods: Dynamic regression methods revisited. The Econometrics Journal, 9(3):357–372. Quilis, E. M. (2018). Temporal disaggregation of economic time series: The view from the trenches. Statistica Neerlandica, 72(4):447–470. Rossi, N. et al. (1982). A note on the estimation of disaggregate time series when the aggregate is known. The Review of Economics and Statistics, 64(4):695–696. Shrestha, M. M. L. and Marini, M. M. (2013). Quarterly GDP revisions in G-20 countries: evidence from the 2008 financial crisis, pages 4–17. International Monetary Fund. Silva, J. S. and Cardoso, F. (2001). The chow-lin method using dynamic models. Economic modelling, 18(2):269–280. Stanger, M. (2018). An Algorithm to Balance Supply and Use Tables. International Monetary Fund,Statistics Department. Wei, W. W. (2006). Time series analysis: univariate and multivariate, chapter 25. Pearson, Addison Wesly. Zaier, L. H. (2014). Combining temporal disaggregation forecasts with artificial neural networks. International Journal of Business Intelligence and Data Mining, 9(4):318–329. Zaier, L. H. and Abed, M. (2014). Temporal disaggregation of economic time series using artificial neural networks. Communications in Statistics-Theory and Methods, 43(8):1824– 1833. |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Reconocimiento 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Reconocimiento 4.0 Internacional http://creativecommons.org/licenses/by/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
xii, 62 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.program.spa.fl_str_mv |
Bogotá - Ciencias - Maestría en Ciencias - Estadística |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ciencias |
| dc.publisher.place.spa.fl_str_mv |
Bogotá, Colombia |
| dc.publisher.branch.spa.fl_str_mv |
Universidad Nacional de Colombia - Sede Bogotá |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/85096/1/license.txt https://repositorio.unal.edu.co/bitstream/unal/85096/2/1014238186.2023.pdf https://repositorio.unal.edu.co/bitstream/unal/85096/3/1014238186.2023.pdf.jpg |
| bitstream.checksum.fl_str_mv |
eb34b1cf90b7e1103fc9dfd26be24b4a e68553776e122d16cb20800855c33137 cd4a22f2fb0583fce86198627296d4b6 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1814089984415629312 |
| spelling |
Reconocimiento 4.0 Internacionalhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Calderón Villanueva, Sergio Alejandro4435821363acfcc5a0b97c50464db9d4Gómez Rodríguez, Fabián Camilo90d0bd171901769e9c084da56c7f48872023-12-14T04:32:20Z2023-12-14T04:32:20Z2023-12-13https://repositorio.unal.edu.co/handle/unal/85096Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustracionesEste documento propone una ampliación de la metodología de desagregación temporal multivariante de Dagum (2006) y explora varios métodos de desagregación, desde modelos univariados hasta modelos de aprendizaje automático y multivariados, destacando las ventajas y limitaciones de los distintos enfoques. La metodología se aplica a las cuentas nacionales trimestrales de Colombia, demostrando que, aunque los modelos multivariados tradicionales pueden sacrificar precisión, ofrecen una mayor coherencia económica y alineación de resultados entre las cuentas anuales y trimestrales. Además, evidencian el potencial del modelo aplicado incorporando el equilibrio entre la oferta y la demanda y las técnicas de aprendizaje automático para mejorar la precisión y la coherencia de las predicciones trimestrales y contribuyen a los esfuerzos en curso por mejorar la precisión y fiabilidad de las estadísticas económicas. (Texto tomado de la fuente)This paper proposes an extension of the multivariate temporal disaggregation methodology of Dagum(2006) and explores various disaggregation methods, from univariate models to machine learning and multivariate models, highlighting the advantages and limitations of the different approaches. The methodology is applied to Colombia's quarterly national accounts, demonstrating that, although traditional multivariate models may sacrifice accuracy, they offer greater economic consistency and alignment of results between annual and quarterly accounts. Furthermore, they demonstrate the potential of the applied model incorporating supply-demand balancing and machine learning techniques to improve the accuracy and consistency of quarterly forecasts and contribute to ongoing efforts to improve the accuracy and reliability of economic statistics.MaestríaLa metodología empleada en el estudio o investigación se basa en una serie de modelos y técnicas para la desagregación temporal de series económicas. Se utiliza una función de transferencia lineal dinámica que conecta la serie de alta frecuencia observable con el punto de referencia de baja frecuencia no observable . Además, se consideran métodos multivariados que permiten introducir restricciones transversales o contemporáneas para dar coherencia macroeconómica a las estimaciones. Por ejemplo, el método de Rossi propone un enfoque de dos pasos que combina una estimación preliminar mediante un procedimiento basado en modelo (como Chow-Lin, Fernández o Litterman) y un segundo paso que incorpora la restricción transversal manteniendo la consistencia temporal lograda en el primer paso. El estudio también propone una nueva metodología de desagregación temporal multivariada que se centra en la dinámica entre el equilibrio de la oferta y la demanda, asegurando que todo lo que se produce u ofrece en la economía sea consumido o demandado, sin la necesidad de presuponer una serie objetivo o de restricción específica. En resumen, la metodología de investigación combina modelos univariados y multivariados, con un enfoque particular en la coherencia macroeconómica y la consistencia entre oferta y demanda, para mejorar la precisión de las estimaciones de series temporales de alta frecuencia a partir de datos de baja frecuencia.Series de tiempoxii, 62 páginasapplication/pdfspa330 - Economía::339 - Macroeconomía y temas relacionadosAnálisis de series de tiempoEstadística matemáticaEconomíaTime-series analysisMathematical statisticsEconomicsDesagregación TemporalModelos multivariadosEquilibrio macroeconómicoRedes neuronales artificialesArtificial neural networksTemporal DisaggregationMultivariate modelsMacroeconomic equilibriumReconciliación y desagregación temporal de series de tiempo: Una aplicación para el PIB trimestral en ColombiaReconciliation and temporal disaggregation of time series: An application to quarterly GDP in ColombiaTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMBogotá - Ciencias - Maestría en Ciencias - EstadísticaFacultad de CienciasBogotá, ColombiaUniversidad Nacional de Colombia - Sede BogotáAggarwal, C. C. et al. (2018). Neural networks and deep learning. Springer, 10(978):271–313.Bournay, J. and Laroque, G. (1979). Réflexions sur la méthode délaboration des comptes trimestriels. In Annales de l’INSEE, pages 3–30. JSTOR.Byron, R. P. (1978). The estimation of large social account matrices. Journal of the Royal Statistical Society: Series A (General), 141(3):359–367.Chen, B., Di Fonzo, T., and Mushkudiani, N. (2018). Benchmarking, temporal disaggrega- tion, and reconciliation of systems of time series. Statistica Neerlandica, 72(4):402–405.Cholette, P. A. (1983). Adjusting sub-annual series to yearly benchmarks. Survey Methodo- logy, 10(1):35–49.Cholette, P. A. and Dagum, E. B. (1994). Benchmarking time series with autocorrelated survey errors. International Statistical Review/Revue Internationale de Statistique, pages 365–377.Chow, G. C. and Lin, A.-l. (1971). Best linear unbiased interpolation, distribution, and extrapolation of time series by related series. The review of Economics and Statistics, pages 372–375.Ciammola, A., Di Palma, F., and Marini, M. (2005). Temporal disaggregation techniques of time series by related series: A comparison by a monte carlo experiment. Paper presented at the OECD-Eurostat, pages 121–132.Correa, I. C. P. and Buendía, J. M. M. (2013). Desagregación multivariada del PIB sectorial del departamento de Bolívar. Economía & Región, 7(1):139–167.Dagum, E. B. and Cholette, P. A. (2006). Benchmarking, temporal distribution, and recon- ciliation methods for time series, volume 186. Springer Science & Business Media.DANE (2023). Metodología general cuentas trimestrales - ct. producción estadística. Departamento Administrativo Nacional de Estadística (DANE).Denton, F. T. (1971). Adjustment of monthly or quarterly series to annual totals: an approach based on quadratic minimization. Journal of the american statistical association, 66(333):99–102.Di Fonzo, T. (1994). Temporal disaggregation of a system of time series when the aggregate is known: Optimal vs. adjustment methods. INSEE-Eurostat Workshop on Quarterly National Accounts, pages 63–77.Elezovíc, S. and Xie, Y. (2018). Reconciliation of seasonally adjusted data with applications to the swedish quarterly national accounts. Statistica Neerlandica, 72(4):590–602.Eurostat. (2013). Handbook on quarterly national accounts., chapter 5. Publications Office of the European Union., Luxembourg.Fernández, R. B. (1981). A methodological note on the estimation of time series. The Review of Economics and Statistics, 63(3):471–476.Friedman, M. (1962). The interpolation of time series by related series. Journal of the American Statistical Association, 57(300):729–757.Fund, I. M. (2018). Quarterly National Accounts Manual. Manuals and Guides. International Monetary Fund.Guerrero, V. M. (1990). Temporal disaggregation of time series: an arima-based approach. International Statistical Review/Revue Internationale de Statistique, pages 29–46.Guerrero, V. M. and Peña, D. (2000). Linear combination of restrictions and forecasts in time series analysis. Journal of Forecasting, 19(2):103–122.Hurtado, J. and Melo, L. (2015). Desagregación temporal: una metodología multivariada alternativa. Lecturas de Economía, (82):1–45.Hurtado, J. L. and Melo, L. F. (2010). Una metodología multivariada de desagregación temporal. Borradores de economía, 586:1–36.Lee, M. K. (2018). Quarterly national accounts manual (2017 edition). pages 82–118.Litterman, R. B. (1983). A random walk, markov model for the distribution of time series. Journal of Business & Economic Statistics, 1(2):169–173.Maehle, N. O., Dippelsman, R., and Bloem, A. M. (2001). Manual de cuentas nacionales trimestrales. In Manual de cuentas nacionales trimestrales, chapter 6, pages 95–133. International Monetary Fund, Washington.Mankiw, N. G. (2014). Macroeconomía. chapter 2, pages 65–84. Antoni Bosch editor, New York.Melo-Velandia, L. F. (1992). Desagregación de series temporales: metodología y aplicación al caso del PIB en Colombia. Revista Ensayos Sobre Política Económica; Vol. 11. No. 22. Diciembre, 1992. Pág.: 151-170.Nieto, F. H. (1998). Ex-post and ex-ante prediction of unobserved economic time series: a case study. Journal of Forecasting, 17(1):35–58.Olga, K. and Shuang, L. (2021). Artificial neural network for solving multi-parameter optimization problems. In Journal of Physics: Conference Series, volume 2092, pages 1–16. IOP Publishing.Proietti, T. (2006). Temporal disaggregation by state space methods: Dynamic regression methods revisited. The Econometrics Journal, 9(3):357–372.Quilis, E. M. (2018). Temporal disaggregation of economic time series: The view from the trenches. Statistica Neerlandica, 72(4):447–470.Rossi, N. et al. (1982). A note on the estimation of disaggregate time series when the aggregate is known. The Review of Economics and Statistics, 64(4):695–696.Shrestha, M. M. L. and Marini, M. M. (2013). Quarterly GDP revisions in G-20 countries: evidence from the 2008 financial crisis, pages 4–17. International Monetary Fund.Silva, J. S. and Cardoso, F. (2001). The chow-lin method using dynamic models. Economic modelling, 18(2):269–280.Stanger, M. (2018). An Algorithm to Balance Supply and Use Tables. International Monetary Fund,Statistics Department.Wei, W. W. (2006). Time series analysis: univariate and multivariate, chapter 25. Pearson, Addison Wesly.Zaier, L. H. (2014). Combining temporal disaggregation forecasts with artificial neural networks. International Journal of Business Intelligence and Data Mining, 9(4):318–329.Zaier, L. H. and Abed, M. (2014). Temporal disaggregation of economic time series using artificial neural networks. Communications in Statistics-Theory and Methods, 43(8):1824– 1833.EstudiantesInvestigadoresPúblico generalResponsables políticosLICENSElicense.txtlicense.txttext/plain; charset=utf-85879https://repositorio.unal.edu.co/bitstream/unal/85096/1/license.txteb34b1cf90b7e1103fc9dfd26be24b4aMD51ORIGINAL1014238186.2023.pdf1014238186.2023.pdfTesis de Maestría en Ciencias - Estadísticaapplication/pdf989736https://repositorio.unal.edu.co/bitstream/unal/85096/2/1014238186.2023.pdfe68553776e122d16cb20800855c33137MD52THUMBNAIL1014238186.2023.pdf.jpg1014238186.2023.pdf.jpgGenerated Thumbnailimage/jpeg4089https://repositorio.unal.edu.co/bitstream/unal/85096/3/1014238186.2023.pdf.jpgcd4a22f2fb0583fce86198627296d4b6MD53unal/85096oai:repositorio.unal.edu.co:unal/850962023-12-14 23:03:48.13Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |