Pronóstico jerárquico del IPC del Ecuador con ponderadores oficiales del INEC: comparación de modelos ETS y ARIMA mediante agregación bottom-up

Contenido principal del artículo

Félix Casares

Resumen

Este estudio desarrolla un enfoque de pronóstico jerárquico para el índice de precios al consumidor (IPC) de Ecuador. Se utilizan 108 series mensuales desagregadas por ciudad y división de gasto, junto con los ponderadores oficiales del INEC, que definen la estructura de promedio ponderado del IPC nacional. A diferencia de la literatura tradicional de pronósticos jerárquicos, centrada en jerarquías aditivas donde los niveles superiores son sumas de los inferiores, este trabajo adopta una estrategia compatible con la naturaleza ponderada del IPC. Se estiman automáticamente modelos ETS y ARIMA sobre cada serie desagregada y los pronósticos se agregan coherentemente mediante un esquema bottom-up hasta obtener el IPC total. El desempeño se compara con modelos directos ETS y ARIMA estimados sobre el IPC agregado, evaluando un origen fijo y ventanas móviles de 12 meses. El enfoque bottom-up con ETS alcanza los menores errores, con un MAPE de 0.70 % frente a 1.67 % del mejor modelo directo. La mejora, sin embargo, no es uniforme entre divisiones de gasto ni horizontes de pronóstico. En conjunto, los resultados sugieren que, para este caso de estudio, el enfoque desagregado supera a los modelos agregados directos y permite generar proyecciones consistentes para niveles inferiores de la jerarquía.

Descargas

La descarga de datos todavía no está disponible.

Detalles del artículo

Cómo citar
Casares Conforme, F. F. (2026). Pronóstico jerárquico del IPC del Ecuador con ponderadores oficiales del INEC: comparación de modelos ETS y ARIMA mediante agregación bottom-up. Cuestiones Económicas, 36(1), Autor: Félix Casares Conforme. https://doi.org/10.47550/RCE/36.1.2
Sección
Artículos de Investigación

Citas

Alarcón-Valverde, L., & Chuñir-Panjón, L. (2012). Evaluación de modelos econométricos alternativos de series de tiempo para el pronóstico de la inflación en el Ecuador en el corto plazo: periodo 2000–2010 [Bachelor's thesis, Universidad de Cuenca]. https://dspace.ucuenca.edu.ec/handle/123456789/1042
Alonso Cifuentes, J. C., Díaz, J. G., Estrada, D., Figueroa, C. A., & Tamura, G. (2019). Empleando modelos jerárquicos para encontrar el mejor modelo para pronosticar los galones de gasolina corriente demandados en Bogotá (Colombia). Revista de Métodos Cuantitativos para la Economía y la Empresa, 28, 113-123. https://doi.org/10.46661/revmetodoscuanteconempresa.3296
Alonso-Cifuentes, J., & Rivera, A. (2017). Pronosticando la inflación mensual en Colombia un paso hacia delante: una aproximación «de abajo hacia arriba». Revista de Métodos Cuantitativos para la Economía y la Empresa, 23, 98-118. https://www.redalyc.org/pdf/2331/233151826005.pdf
Ayas-Ferrer, M. (2019). Análisis estadístico de los accidentes ciclistas en España mediante el modelo de serie temporal jerárquica agrupada [Master's thesis, Universidad Politécnica de Madrid]. https://oa.upm.es/55977/
Barkan, O., Benchimol, J., Caspi, I., Cohen, E., Hammer, A., & Koenigstein, N. (2023). Forecasting CPI inflation components with Hierarchical Recurrent Neural Networks. International Journal of Forecasting, 39(3), 1145-1162. https://doi.org/10.1016/j.ijforecast.2022.04.009
Calderón-Brito, A., Quinde-Quinde, É., Orellana-Osorio, I., & Reyes-Clavijo, M. (2019). Determinantes de la inflación en Ecuador en el periodo 2000–2018. UDA AKADEM, 1(3), 35-64. https://udaakadem.uazuay.edu.ec/article/view/202
Dahem, A. (2015). Short term Bayesian inflation forecasting for Tunisia (MPRA Paper No. 66702). Munich Personal RePEc Archive. https://mpra.ub.uni-muenchen.de/66702/
Erráez, J. P. (2005). El proceso inflacionario en el Ecuador: un análisis de sus determinantes con modelos ARIMA y vectores autorregresivos. Cuestiones Económicas, 21(3), 51-71. https://dialnet.unirioja.es/descarga/articulo/8488743.pdf
Gachet, I., Maldonado, D., & Pérez, W. (2008). Determinantes de la inflación en una economía dolarizada: el caso ecuatoriano (Nota Técnica No. 19). Banco Central del Ecuador. https://repositorio.bce.ec/handle/32000/2910
Hendry, D. F., & Hubrich, K. (2010). Combining disaggregate forecasts or combining disaggregate information to forecast an aggregate (Working Paper Series No. 1155). European Central Bank. https://www.ecb.europa.eu/pub/pdf/scpwps/ecbwp1155.pdf
Hyndman, R. J., Ahmed, R. A., Athanasopoulos, G., & Shang, H. L. (2011). Optimal combination forecasts for hierarchical time series. Computational Statistics & Data Analysis, 55(9), 2579-2589. https://doi.org/10.1016/j.csda.2011.03.006
Hyndman, R. J., Lee, A. J., & Wang, E. (2016). Fast computation of reconciled forecasts for hierarchical and grouped time series. Computational Statistics & Data Analysis, 97, 16-32. https://doi.org/10.1016/j.csda.2015.11.007
Instituto Nacional de Estadística y Censos. (2023). Metodologı́ı́a del índice de precios al Cconsumidor (base: 2014 = 100) [Documento Metodológico]. INEC. https://www.ecuadorencifras.gob.ec/documentos/web-inec/Inflacion/2023/enero/Metodologia_IPC(Base%202014%3D100).pdf
Lack, C. (2006). Forecasting Swiss inflation using VAR models (Economic Studies Nos. 2006-02). Swiss National Bank. https://www.snb.ch/en/publications/research/economic-studies/2006/12/economic_studies_2006_02
Morán-Chiquito, D. M. (2014). Determinantes de la inflación en Ecuador: Un análisis econométrico utilizando modelos VAR. Economía y Sociedad, 18(31), 53-70. https://dialnet.unirioja.es/servlet/articulo?codigo=5371175
Nyoni, T. (2019). Time series modeling and forecasting of the consumer price index in Belgium (MPRA Paper No. 92414). Munich Personal RePEc Archive. https://mpra.ub.uni-muenchen.de/92414/
Sánchez, R., & Gavira-Durón, N. (2016). Pronóstico de la demanda de visitantes internacionales: el caso de México. Revista de Investigación en Ciencias Contables y Administrativas, 1(2), 152-177. https://ricca.umich.mx/index.php/ricca/article/view/9
Serrano-Hernandez, R. M. (2024). Un enfoque híbrido para la previsión jerárquica del consumo eléctrico industrial en Brasil [Master's thesis, Universidad Peruana Unión]. https://hdl.handle.net/20.500.12840/8275
Wickramasuriya, S. L., Athanasopoulos, G., & Hyndman, R. J. (2018). Optimal Forecast Reconciliation for Hierarchical and Grouped Time Series Through Trace Minimization. Journal of the American Statistical Association, 114(526), 804-819. https://doi.org/10.1080/01621459.2018.1448825