A Typology of Mixed Methods Sampling Designs in Social Science Research
Midas - Mixed-Data Sampling
-
Upload
diego-torres -
Category
Economy & Finance
-
view
102 -
download
1
Transcript of Midas - Mixed-Data Sampling
MIDAS / 13-11/-014
MIDAS: Mixed-Data Sampling en RLa alternativa uniecuacional a la estimación en tiempo real del PIB
MIDAS / 13-11/-014
Página 2
1 Motivación y metodología aplicada
1 MIDAS
2 Selección de variables
3 Combinación de predicciones
2 Primeras pruebas y resultados
1 Cobertura
2 Variables analizadas
3 Matriz de correlaciones
4 BMA
5 Capacidad predictiva de los modelos
3 Conclusiones y líneas de investigación abiertas
Índice
MIDAS / 13-11/-014
Página 3
Motivación y metodología aplicada1
MIDAS / 13-11/-014
Página 4
MIDAS
MIDAS / 13-11/-014
Página 5
Modelos estados-espacio (tipo MICA) y VAR de frecuencias mixta: Exigentes en su modelización y, en algunos casos, de difícil convergencia
Bridge equation: Simple, pero no utiliza directamente toda la información disponible cuando los datos del trimestre no están completos (nowcasting) o hay datos del siguiente trimestre (backasting)
MIDAS. Generalización del “bridge equation” que permite incorporar toda la información disponible para la estimación del PIB en tiempo real
Sección 1 – Motivación y metodología aplicada
1.1- Conocer el estado actual de la economía
MIDAS / 13-11/-014
Página 6
Uniecuacional: Generalización del Bridge Equation al estimar conjuntamente los coeficientes de agregación y el impacto de las variables de frecuencia alta
Flexible: Se pueden incorporar varias variables de forma directa
Puede utilizar datos diarios: Los datos diarios pueden incluirse directamente
Equivale a la forma reducida de un modelo estado-espacio (tipo MICA), cuando hay un solo factor común y los errores idiosincráticos no están correlacionados
Menor costo computacional: En comparación con los VARs y modelos estado-espacio
Fácilmente replicable para otros países
No necesita licencia, códigos en software libre ( R )
Sección 1 – Motivación y metodología aplicada
1.1- MIDAS: Características
Pun
to d
e vi
sta
Prá
ctic
o
Pun
to d
e vi
sta
Est
adís
tico
MIDAS / 13-11/-014
Página 7
Sección 1 – Motivación y metodología aplicada
1.1- MIDAS: ¿Cómo se manejan las distintas frecuencias?
Supuestos: * AR(1) en el PIB trimestral* Una sóla variable explicativa de frecuencia mensual
con efecto en el PIB coincidente y en el trimestre º siguiente
Coeficiente del AR(1)
Variable mensual donde los últimos 6 meses influyen en el PIB
Impacto de cada mes en el dato trimestral del PIB
MIDAS / 13-11/-014
Página 8
Sección 1 – Motivación y metodología aplicada
1.1- MIDAS: Restringe la matriz de coeficientes para hacer posible la estimación
Si la frecuencia es diaria, en un trimestre los coeficientes a estimar se incremental sustancialmente
Una solución es imponer una forma funcional que permita reducir el número de parámetros a estimar
Total de variables explicativas
Rezago de las var. explicativas (en la frecuencia más alta, por ejemplo, meses)
Frecuencia más alta (por ejemplo mes1, mes2 y mes3 del trimestre)
Veces que se repite la frecuencia más alta en la más baja (por ejemplo, 3 meses en un trimestre)
MIDAS / 13-11/-014
Página 9
Sección 1 – Motivación y metodología aplicada
1.1- MIDAS: Varias formas funcionales disponibles
nealmon(p=c(2,-0.5), d=20)
Nealmon = Bridge Equationnealmon(p=c(0,97, 0 ), d=3)
nbeta(p=c(2.6,1,13 ),d=20) gompertzp(p=c(3,1,3),d=20)
MIDAS / 13-11/-014
Página 10
Sección 1 – Motivación y metodología aplicada
1.1- MIDAS: ¿Qué forma funcional y rezago utilizar?
· Se pueden seleccionar vía criterios de información (AIC y BIC)
MIDAS / 13-11/-014
Página 11
La selección de variables
MIDAS / 13-11/-014
Página 12
Sección 1 – Motivación y metodología aplicada
1.2- La selección de variables
Matriz de correlaciones parciales
Bayesian Model Averaging: Determina la importancia de las variables según su permanencia o no en modelos (k= número de variables explicativas) ponderando además por el ajuste de los modelos
MIDAS / 13-11/-014
Página 13
Sección 1 – Motivación y metodología aplicada
1.2- La selección de variables y estimación de modelos
Pasos a seguir:
1. Se estima un modelo MIDAS para cada una de las variables analizadas
2. A los modelos del paso anterior se añadirán un modelo multivariante con las variables seleccionadas por el BMA (sin restringir)
3. Por último se estimará otro modelo con las variables seleccionados por el BMA bajo la restricción de permanencia de algunas variables más correlacionadas con el PIB (BMA restringido)
MIDAS / 13-11/-014
Página 14
Combinación de predicciones
MIDAS / 13-11/-014
Página 15
Sección 1 – Motivación y metodología aplicada
1.3- Combinación de predicciones
Combinar modelos es mejor que la predicción individual. Hay consenso en que la combinación es mejor pero no lo hay en la forma de combinar
Algunas alternativas:
Pesos idénticos:
BIC/AIC:
MSFE:
MIDAS / 13-11/-014
Página 16
Primeras pruebas y resultados2
MIDAS / 13-11/-014
Página 17
Cinco zonas geográficas analizadas. Alemania, Francia, Italia, Portugal y la Eurozona
Fuentes de información. Eurostat, Banco Central Europeo, Comisión Europea, institutos de estadística nacionales, Markit Economics, Gfk, CESifo, entre otros
Datos. Entre 28 y 43 variables analizadas por país (reales, de confianza y financieras).
Unos 160 modelos estimados en tiempo real, más de 500 modelos por país a través de la metodología BMA
Sección 2 – Primeras pruebas y resultados
2.1- La cobertura del análisis:
MIDAS / 13-11/-014
Página 18
Eurozona
MIDAS / 13-11/-014
Página 19
Sección 2 – Primeras pruebas y resultados
Eurozona: Variables analizadas (27)
MIDAS / 13-11/-014
Página 20
Sección 2 – Primeras pruebas y resultados
Eurozona: Selección de variables (Matriz de correlaciones)
MIDAS / 13-11/-014
Página 21
MIDAS / 13-11/-014
Página 22
Sección 2 – Primeras pruebas y resultados
Eurozona: Selección de variables (BMA sin restringir)
MIDAS / 13-11/-014
Página 23
Sección 2 – Primeras pruebas y resultados
Eurozona: Selección de variables (BMA sin restringir)
MIDAS / 13-11/-014
Página 24
Sección 2 – Primeras pruebas y resultados
Eurozona: Selección de variables (BMA restringido)
MIDAS / 13-11/-014
Página 25
Sección 2 – Primeras pruebas y resultados
Eurozona: Selección de variables (BMA restringido)
MIDAS / 13-11/-014
Página 26
Sección 2 – Primeras pruebas y resultados
Eurozona: Selección de variables: Top Ten de correlaciones y BMA sin restringir (SR) y restringido ( R )
MIDAS / 13-11/-014
Página 27
Sección 2 – Primeras pruebas y resultados
Eurozona: Capacidad predictiva de los modelos (via Error cuadrático medio fuera de muestra (MSE out of sample)
MIDAS / 13-11/-014
Página 28
Alemania
MIDAS / 13-11/-014
Página 29
Sección 2 – Primeras pruebas y resultados
Alemania: Variables analizadas (42)
MIDAS / 13-11/-014
Página 30
Sección 2 – Primeras pruebas y resultados
Alemania: Selección de variables (Matriz de correlaciones)
MIDAS / 13-11/-014
Página 31
MIDAS / 13-11/-014
Página 32
Sección 2 – Primeras pruebas y resultados
Alemania: Selección de variables (BMA sin restringir)
MIDAS / 13-11/-014
Página 33
Sección 2 – Primeras pruebas y resultados
Alemania: Selección de variables (BMA sin restringir)
MIDAS / 13-11/-014
Página 34
Sección 2 – Primeras pruebas y resultados
Alemania: Selección de variables (BMA restringido)
MIDAS / 13-11/-014
Página 35
Sección 2 – Primeras pruebas y resultados
Alemania: Selección de variables (BMA restringido)
MIDAS / 13-11/-014
Página 36
Sección 2 – Primeras pruebas y resultados
Alemania: Selección de variables: Top Ten de correlaciones y BMA sin restringir (SR) y restringido ( R )
MIDAS / 13-11/-014
Página 37
Sección 2 – Primeras pruebas y resultados
Alemania: Capacidad predictiva de los modelos (via Error cuadrático medio fuera de muestra (MSE out of sample)
MIDAS / 13-11/-014
Página 38
Francia
MIDAS / 13-11/-014
Página 39
Sección 2 – Primeras pruebas y resultados
Francia: Variables analizadas (39)
MIDAS / 13-11/-014
Página 40
Sección 2 – Primeras pruebas y resultados
Francia: Selección de variables (Matriz de correlaciones)
MIDAS / 13-11/-014
Página 41
MIDAS / 13-11/-014
Página 42
Sección 2 – Primeras pruebas y resultados
Francia: Selección de variables (BMA sin restringir)
MIDAS / 13-11/-014
Página 43
Sección 2 – Primeras pruebas y resultados
Francia: Selección de variables (BMA sin restringir)
MIDAS / 13-11/-014
Página 44
Sección 2 – Primeras pruebas y resultados
Francia: Selección de variables (BMA restringido)
MIDAS / 13-11/-014
Página 45
Sección 2 – Primeras pruebas y resultados
Francia: Selección de variables (BMA restringido)
MIDAS / 13-11/-014
Página 46
Sección 2 – Primeras pruebas y resultados
Francia: Selección de variables: Top Ten de correlaciones y BMA sin restringir (SR) y restringido ( R )
MIDAS / 13-11/-014
Página 47
Sección 2 – Primeras pruebas y resultados
Francia: Capacidad predictiva de los modelos (via Error cuadrático medio fuera de muestra (MSE out of sample)
MIDAS / 13-11/-014
Página 48
Italia
MIDAS / 13-11/-014
Página 49
Sección 2 – Primeras pruebas y resultados
Italia: Variables analizadas (39)
MIDAS / 13-11/-014
Página 50
Sección 2 – Primeras pruebas y resultados
Italia: Selección de variables (Matriz de correlaciones)
MIDAS / 13-11/-014
Página 51
MIDAS / 13-11/-014
Página 52
Sección 2 – Primeras pruebas y resultados
Italia: Selección de variables (BMA sin restringir)
MIDAS / 13-11/-014
Página 53
Sección 2 – Primeras pruebas y resultados
Italia: Selección de variables (BMA sin restringir)
MIDAS / 13-11/-014
Página 54
Sección 2 – Primeras pruebas y resultados
Italia: Selección de variables (BMA restringido)
MIDAS / 13-11/-014
Página 55
Sección 2 – Primeras pruebas y resultados
Italia: Selección de variables (BMA restringido)
MIDAS / 13-11/-014
Página 56
Sección 2 – Primeras pruebas y resultados
Italia: Selección de variables: Top Ten de correlaciones y BMA sin restringir (SR) y restringido ( R )
MIDAS / 13-11/-014
Página 57
Sección 2 – Primeras pruebas y resultados
Italia: Capacidad predictiva de los modelos (via Error cuadrático medio fuera de muestra (MSE out of sample)
MIDAS / 13-11/-014
Página 58
Portugal
MIDAS / 13-11/-014
Página 59
Sección 2 – Primeras pruebas y resultados
Portugal: Variables analizadas (35)
MIDAS / 13-11/-014
Página 60
Sección 2 – Primeras pruebas y resultados
Portugal: Selección de variables (Matriz de correlaciones)
MIDAS / 13-11/-014
Página 61
MIDAS / 13-11/-014
Página 62
Sección 2 – Primeras pruebas y resultados
Portugal: Selección de variables (BMA sin restringir)
MIDAS / 13-11/-014
Página 63
Sección 2 – Primeras pruebas y resultados
Portugal: Selección de variables (BMA sin restringir)
MIDAS / 13-11/-014
Página 64
Sección 2 – Primeras pruebas y resultados
Portugal: Selección de variables (BMA restringido)
MIDAS / 13-11/-014
Página 65
Sección 2 – Primeras pruebas y resultados
Portugal: Selección de variables (BMA restringido)
MIDAS / 13-11/-014
Página 66
Sección 2 – Primeras pruebas y resultados
Portugal: Selección de variables: Top Ten de correlaciones y BMA sin restringir (SR) y restringido ( R )
MIDAS / 13-11/-014
Página 67
Sección 2 – Primeras pruebas y resultados
Portugal: Capacidad predictiva de los modelos (via Error cuadrático medio fuera de muestra (MSE out of sample)
MIDAS / 13-11/-014
Página 68
Previsiones para 3T14
MIDAS / 13-11/-014
Página 69
-0.60%
-0.40%
-0.20%
0.00%
0.20%
0.40%
0.60%
0.80%
0,1% Consenso
0,15% MIDAS
Alemania
-0.60%
-0.50%
-0.40%
-0.30%
-0.20%
-0.10%
0.00%
0.10%
0.20%
0.30%
0.40%
0,1% Consenso0,1% MICA
0,2% MIDAS
Eurozona
-0.30%
-0.10%
0.10%
0.30%
0.50%
0.70%
0,1% Consenso
0,1/0,2% MIDAS
Francia
-0.90%
-0.70%
-0.50%
-0.30%
-0.10%
0.10%
-0,1% Consenso
-0,1/0,0% MIDAS
Italia
Previsión del PIB y datos observados (t/t)
MIDAS / 13-11/-014
-1.60%
-1.20%
-0.80%
-0.40%
0.00%
0.40%
0.80%
0,4% Consenso
0,2% MICA
-0,17% MIDAS
Portugal
Previsión del PIB y datos observados (t/t)
MIDAS / 13-11/-014
Página 71
Conclusiones y líneas de investigación abiertas3
MIDAS / 13-11/-014
Página 72
Sección 2 Primeras pruebas y resultados
Conclusiones
• Incorpora toda la información disponible
• Flexibilidad a la hora de incorporar variables
• Dispone de criterios estadísticos para determinar el ajuste de los modelos
• En general, hay ganancias al combinar predicciones frente a utilizar el “mejor” modelo
• El BMA es una herramienta útil para analizar la importancia de las variables. Sin embargo, hay que tener en cuenta la posible multicolinealidad, las variables omitidas, etc.
• Fácil de implementar y de extenderlo a otros países
• De bajo coste al no necesitar licencia
MIDAS / 13-11/-014
Página 73
Sección 2 Primeras pruebas y resultados
Líneas de investigación abiertas
• ¿Mejoran las predicciones si se estima primero los componentes del PIB por el lado del gasto (o de la oferta) y luego se agrupan los componentes para la predicción agregada?
• Comparar la capacidad predictiva de los modelos en periodos de recesión y expansión
• ¿Toda la información relevante ya se encuentra incorporada en los datos de confianza? ¿o es mejor dar más peso a las variables reales cuando se dispone de ellas?
• ¿Cuál es la ganancia de utilizar un modelo Factor-MIDAS? ¿O si aplicamos los modelos de componentes supervisados (Partial Least Squares)?