PRÉVISIONS À COURT TERME ET MOYEN TERME DU PRODUIT INTÉRIEUR BRUT TRIMESTRIEL DE MXICO


I. INTRODUCTION

Antécédents

Dans la planification de toute entreprise, institution ou pays, il est nécessaire de connaître le
valeur future de la production, produit intérieur brut ou caractéristique
que vous souhaitez étudier, pour cela, vous devez sélectionner le modèle statistique
convient d’analyser la série chronologique de la variable économique (Psaradakis
et Sola, 2003: 271; Capistrn et Lpez-Moctezuma, 2008: 1).

L’importance d’évaluer la précision ou la vitesse avec laquelle le
futures données sur le PIB trimestriel, dépend de son utilité à être inclus dans le
estimation d’un autre indicateur (Cristbal et Martnez, 2009: 7), comme cela se produit avec
Indice de productivité sectorielle, travail, taux de croissance, taux d’emploi
inflation, investissement, taux d’épargne, indice des prix à la consommation, entre
d’autres plus (De Alba, 1990: 360).

C’est pourquoi ses prévisions permettent de connaître à l’avance les informations
avant qu’il ne soit publié par les sources officielles du Mexique, comme cela se produit également
aux États-Unis et en Espagne, ce qui affecte la prise de décision
les conditions socioéconomiques de chaque pays (Klein et Coutio, 2004: 48).

Cadre théorique

La valeur totale de tous les biens et services finaux produits dans un
économie dans une période de temps définie et estimée en unités monétaires,
produit intérieur brut ou PIB (Klein et Coutio, 2004: 51). Alors
En général, l’estimation du PIB est annuelle (modèle basse fréquence) ou trimestrielle
(modèle haute fréquence ou périodicité élevée dans les informations) mais peut
calculé pour des périodes plus ou moins longues en fonction de la
disponibilité d’informations statistiques et efficacité des organismes
qui traitent de sa consolidation (Vzquez, 2003: 2; Klein et Coutio, 2004: 49).

L’importance d’étudier le PIB est qu’il est considéré comme un indicateur
monétaire des réalisations mondiales de l’économie, car elle intègre les
productions intersectorielles de l’appareil productif du pays (Cabrera et al.
2005: 68).

En ce sens, le calcul du PIB mexicain intègre les productions de trois
secteurs (agricole, industriel et des services), chacun d’entre eux
à son tour composé de diverses branches de production (De Alba, 1990: 361;
Abeysinghe et Rajaguru, 2004: 437). La réalité structurelle de chaque secteur génère
en particulier, la conception, l’application et l’évaluation des politiques sectorielles
selon la planification nationale.

Approche du probléme

L’une des questions les plus pertinentes d’un point de vue politique
économique est de savoir comment devrait être le comportement de la production globale dans
le court terme (Herrera et Hernndez, 2002: 7). Pour cela et aussi pour savoir
Ce qui se passe trimestre après trimestre dans l’économie mexicaine, doit
prévoir des indicateurs économiques permettant de savoir si les attentes
Les conditions économiques sont remplies au fil de l’année (Salazar, 2010: 1).

Parce que le PIB est l’un des indicateurs économiques les plus importants pour
mesurer la puissance économique d’un pays (Vzquez, 2003: 2; Cabrera et al. 2005: 68);
les entités économiques en général, nécessitent des méthodes
permettre de faire des prévisions aussi précises que possible sur leurs performances,
pour rester et être compétitif sur le marché (McAleer et Oxley, 2011: 187).

Pour cette raison, dans la planification des politiques publiques, il est nécessaire
prévision du PIB trimestriel réel et ceci est réalisé grâce à l’application de
Les méthodes économétriques, appelées modèles de trimestre courant (Klein et
Coutio, 2004: 50; Prez-López, 1995: 4).

Castro (2003) mentionne que les méthodes de prévision couramment utilisées pour
les séries économiques sont: a). Régression appliquée à la prévision et à l’analyse
structurelle de la série chronologique, elle est considérée comme une méthodologie
traditionnelle, complétée par des spécifications dynamiques et non linéaires,
tels que les modèles de régression apparemment sans rapport (SURE) et les modèles
simultanée (SEM), utilisée dans l’analyse de la politique économique et la mise en œuvre
prévisions; b). Méthodes modernes appliquées à une série chronologique de
données dans le passé, utilisées dans l’analyse univariée dans la prévision de la
La valeur d’une variable économique (par exemple le PIB) est obtenue
application du modèle ARIMA (Moyennes Autorégressives et Mobiles Intégrées) et
également à partir de modèles de composants non observés (UCM).

Il existe des extensions du modèle ARIMA, ainsi que des méthodologies qui expliquent la
relations non linéaires entre les variables économiques appliquées dans l’analyse
de séries non stationnaires, comme le modèle non linéaire autorégressif de
Les moyennes mobiles à variables exogènes (NARMAX) et les modèles dynamiques ne sont pas
linéaires, appelés modèles spatiaux quasi-linéaires dont les paramètres
ils dépendent de l’état du vecteur de contrainte (SDP).

Les réseaux de neurones (NN) sont utilisés pour prévoir les séries financières, bien que
ont une faible applicabilité dans la prévision des variables économiques
traditionnel. Dans l’étude des fluctuations économiques à travers le logarithme
de la croissance économique aux États-Unis, le modèle ARIMA (Hess et
Iwata, 1997: 433).

Objectif de recherche

Construire un modèle de série chronologique pour la prévision du produit interne
Immédiat et intermédiaire national brut réel trimestriel, ce qui permet d’évaluer la
prévoir l’efficacité, pour avoir une mesure plus rapide de l’effort
droit économique et fiscal, afin d’améliorer ses participations et ses
contributions fiscales.

Pour cette raison, la question se pose de savoir pourquoi les logiciels statistiques
prévisions à court et à long terme, permettant aux agents économiques
prendre des décisions incertaines?

Hypothèse: construction d’un modèle de série chronologique pour la prévision
du produit intérieur brut réel, permettent de compter sur des
en temps opportun.

Justification

Au sein des différentes méthodes de séries chronologiques,
Modèle ARIMA (p, d, q) (Abeysinghe et Rajaguru, 2004: 441), qui n’utilise pas le
restrictions subjectives imposées par les économistes (Klein et Coutio, 2004: 48).
Ce modèle mixte qui utilise la méthodologie Box-Jenkins, et se compose de
le modèle AR autorégressif (p), l’intégration (d) et le modèle Mobile Media
(q), où: p représente l’ordre autorégressif du modèle, d représente la
pente de la série chronologique (1, linéaire; 2, quadratique, etc.) et est utilisé
connaître l’ordre des différenciations pour convertir la série en
stationnaire; et q représente l’ordre de la moyenne mobile (Fildes, 1979: 691).

Les méthodes de séries chronologiques estiment ou prévoient les données les plus immédiates de
la série de données étudiées, pour laquelle il est essentiel de travailler avec
historique (passé) de la variable d’intérêt, tous enregistrés
au cours de la même période, par exemple mensuelle, trimestrielle, annuelle, entre
d’autres (Martnez, 2005: 50).

Dans les années 1970, le travail de pionnier de Wharton-Econometrics
ils ont fait les prévisions trimestrielles et avec eux les prévisions ont été générées
pour les deux premières années (Klein et Coutio, 2004: 49).

Les prévisions à court terme comprennent les prévisions pour les périodes
varient d’un mois à un an (Capistrn et Lpez-Moctezuma, 2008: 1), bien que
il convient d’évaluer l’exactitude de ces prévisions par
réalisation des prévisions de PIB pour les trimestres suivants et
Comparez-le avec sa valeur réelle correspondante. Par la suite, vous devez inclure
dans la série chronologique, les nouvelles données réelles pour le PIB trimestriel et
prévisions pour les trimestres suivants du PIB, afin d’évaluer
seulement le pouvoir de prévision des modèles économétriques (Scott 1978: 549).
Ce qui n’est pas recommandé, selon Harvey et Tood (1983: 302), qui
indiquent que les prévisions avec la méthodologie de Box-Jenkins permettent
prévisions efficaces pour la période immédiate, mais pas pour
périodes futures.

Il y a des travaux qui indiquent que les prévisions faites à travers les modèles
Econometric est efficace pour la période immédiate (Kosobud, 1970: 260, 261;
Scott 1978: 551). En plus de ce qui précède, il y a la situation que dans le
République mexicaine, il y a quelques problèmes avec la mesure du produit
Intérieur brut trimestriel et dans la génération des impôts, parce que le
les estimations faites par INEGI accusent un retard d’environ 42
(Cabrera et al. 2005: 69) et en Espagne, au moins 45 jours, après
le trimestre de référence est écoulé (Cristbal et Martnez, 2009: 6), ce qui
encourage que la prise de décision dans les politiques publiques ne soit pas opportune.

Limitations

La méthode proposée a pour limite de perdre sa fiabilité si elle est
ils utilisent de petites séries chronologiques comme bases de données, étant donné ce qui précède est
Il est recommandé que dans les études de prévision des variables économiques, il soit revu
que le nombre de données utilisées dans la série chronologique.

II. MÉTHODOLOGIE

La méthodologie utilisée dans ce travail est appropriée pour l’élaboration d’un
modèle économétrique haute fréquence ou haute périodicité, également connu
comme modèles du trimestre en cours (Klein et Coutio, 2004: 47). Avec les
Des résultats immédiats et immédiats ont été obtenus à partir d’analyses économétriques.
prévision trimestrielle du produit intérieur brut, selon le modèle ARIMA.

Les séries chronologiques utilisées sont présentées dans le tableau 1 (annexe) correspondant à
données trimestrielles sur le produit intérieur brut national aux prix de 1993,
de la période 1993-2010, obtenues auprès de l’Institut national de
Statistiques, géographie et informatique (INEGI, 2010). Les variables qui composent
la base de données est: Temps (trimestriel) et PIB (en millions de pesos).

La méthodologie statistique utilisée consistait à saisir la série chronologique des
69 trimestres de PIB et l’analyser avec le logiciel STATISTICA version 7
(McCallum, 1999: 1291, 1292). Avec le module de séries chronologiques,
Modèle ARIMA (p, d, q) et les prévisions pour les trimestres 70, 71 et 72 ont été faites,
correspondant respectivement aux deuxième, troisième et quatrième trimestres de 2010.
Par la suite, les prévisions pour les deuxième et troisième trimestres ont été comparées à
données réelles trimestrielles sur le PIB pour évaluer l’exactitude du modèle de série
temps.

Par la suite, le 70e trimestre a été inclus dans la base de données.
correspond au deuxième trimestre 2010 et de cette manière le
prévisions pour les trimestres 71 et 72. Ces prévisions ont été comparées aux prévisions
valeurs prédites avec le modèle qui comprenait 69 trimestres, ainsi que
PIB réel pour le troisième trimestre 2010.

Il existe des logiciels utilisés dans des études similaires, comme le programme
généré dans RATS (Herrera et Hernndez, 2002: 14) ou dans SAS (Abeysinghe et Rajaguru,
2004: 435), bien que dans ce travail le SATISTICA ait été utilisé pour sa précision et
graphiques (McCallum, 1999: 1291,1292).

Observer si la série chronologique présente une saisonnalité en moyenne et
variance, une situation importante dans l’approche du modèle en série de
temps, un graphique a été réalisé avec les données du PIB et des trimestres de
série, pour montrer leur comportement, et la moyenne arithmétique a également été calculée,
les valeurs minimales et maximales, ainsi que l’écart type; tous de la
séries chronologiques originales et étapes d’obtention des paramètres du modèle
(ARIMA), couramment utilisé dans la modélisation économique (Herrera et Hernndez,
2002: 1,2).

En obtenant les modèles économétriques qui ont permis de prévoir la
PIB national pour les deuxième, troisième et quatrième trimestres 2010, le
Méthodologie de Box et Jenkins. Dans la construction du modèle ARIMA (p, d, q) avec le
Logiciel STATISTICA, des différenciations ont été faites et celle qui
avait moins l’écart-type et de cette façon, le paramètre d et
avec la fonction de corrélation d’échantillon et la fonction de corrélation d’échantillon
partiels, les paramètres p et q ont été obtenus respectivement; bien qu’il soit supposé
Cette méthode n’est pas fiable pour les petites séries chronologiques, ce qui n’est pas
se produit avec cette série chronologique qui a pris 69 trimestres (Harvey et Tood,
1983: 299).

Une fois le modèle ARIMA (p, d, q) obtenu, les hypothèses du modèle ont été évaluées,
qui sont: la moyenne des résidus est nulle, la variance constante
des résidus, indépendance des résidus, normalité des
résidus, observations aberrantes ou valeurs aberrantes, le modèle est parcimonieux,
le modèle est admissible et le modèle est stable (Herrera et Hernndez, 2002: 1,6).
Notez que bien que l’étude des valeurs aberrantes ne soit pas effectuée directement,
Ceux-ci sont évalués dans les hypothèses du modèle de série chronologique. De plus, le
La plupart des logiciels statistiques ont des sous-programmes qui évaluent la présence
de données extrêmes ou aberrantes (Franses et Haldrup, 1994: 475, 476).

III. RÉSULTATS

Voici les prévisions du produit intérieur brut trimestriel
immédiate et médiate obtenue avec le modèle ARIMA (p, d, q) et son
fiabilité par rapport à leur valeur réelle correspondante. Dans la figure 1
le comportement du produit intérieur brut trimestriel est montré et observé
que la série chronologique ne présente pas de saisonnalité en moyenne et en variance.

Dans la construction du modèle ARIMA avec le logiciel STATISTICA,
différences et celui avec le moins d’écart type a été sélectionné. Dans
Le tableau 2 montre qu’après avoir appliqué à la série un
la différence, l’écart-type est de 264 008, mais lorsque vous en avez déjà deux et
trois différenciations, l’écart type tend à augmenter
considérablement et c’est pourquoi la série qui convient le mieux est celle
différenciation.

Dans l’exemple de fonction d’autocorrélation, le
grand qui sont trois, de cette façon le modèle AR (3) et la fonction
de corrélation partielle, seules les deux bandes supérieures à
représente le modèle MA (2). En formant le modèle mixte avec ces modèles, et en
inclure la différenciation égale à 1, le modèle ARIMA (3,1,2) a été obtenu, ce qui
en l’évaluant, il a satisfait aux huit hypothèses du modèle.

L’estimation des paramètres du modèle ARIMA (3, 1,2) obtenue par la méthode
analyse avec le logiciel STATISTICA des séries chronologiques trimestrielles du PIB de la
période 1993-1 à 2010-1, sont présentés dans le tableau 3.

Le tableau 4 présente les résultats de la prévision du PIB au prix de
Marché mexicain, correspondant au deuxième trimestre 2010, obtenu avec
l’équation (1), qui est de 8300 880 millions de pesos et la valeur réelle de
Le PIB du deuxième trimestre est de 8753 916, avec une différence de 5%.

Concernant la série chronologique de 70 trimestres correspondant à la période
1993-1 à 2010-2; la prévision du troisième trimestre a une efficacité de 97%
par rapport à son PIB réel correspondant et est plus efficace que le modèle qui
Je l’ai estimé à 90%.

IV. DISCUSSION

Cette étude a analysé le pronostic à court terme des deuxième, troisième et quatrième
trimestre de 2010 lors de la comparaison de la valeur prévue par rapport à la valeur de
référence qui correspond au PIB réel, contrairement à
estimation consensuelle que leur prédiction, selon Capistrn et Lpez-Moctezuma
(2008: 2), donne une meilleure estimation que celle faite par les méthodes de séries chronologiques.

Dans la série chronologique étudiée pour prévoir le PIB trimestriel, il y avait
les informations de 69 trimestres, pour lesquels
estimation ou interpolation des données manquantes, comme dans d’autres études
prévoir le PIB (Vzquez, 2003: 18); ainsi que la contrainte linéaire
spécifique, en raison d’un problème de dévaluation de la monnaie ou en raison de la
alternance de gouvernement de gouvernement (Herrera et Hernndez, 2002: 1).

La prévision générale du PIB trimestriel pour le Mexique a été faite à l’échelle mondiale,
contrairement à laquelle l’estimation générale a été faite et aussi pour
secteurs agricole, industriel et commercial, par le biais des poids et
de l’application du modèle de régression (De Alba, 1990: 363 364).

Dans ce travail, les prévisions de PIB trimestrielles du Mexique ont été
des séries chronologiques qui coïncidaient avec l’estimation trimestrielle du PIB
et sa valeur réelle correspondante à 95% (Prez-Lpez, 1995: 27).

La prévision trimestrielle du PIB a été efficace au cours du trimestre immédiat et, en
Dans les courtes périodes, l’erreur de précision augmente par rapport à
PIB réel; situation contraire aux prévisions faites jusqu’à douze
mois après la période de prévision du
variable économique (Capistrn et Lpez-Moctezuma, 2008: 21); ou ceux qui
faire des prévisions sur de longues périodes, qui correspondent aux
réalisées sur des périodes de plus d’un an, plus fiables en termes de
relation avec les méthodes subjectives, réalisées à la discrétion de spécialistes
(Armstrong et Grohman, 1972: 221).

Les prévisions trimestrielles de PIB à court terme correspondent à Harvey et Tood
(1983: 302), qui indiquent que les prévisions faites avec la méthodologie de
Box-Jenkins est efficace pour la période immédiate, mais pas pour le faire
prévisions pour l’avenir.

Il est conclu que bien que les logiciels statistiques fassent la prévision
trimestriel à long terme (plus d’un an), ses résultats ne sont pas fiables et
même si les prévisions à court terme doivent être faites dans un délai maximum de trois
mois (Hogarth et Makridakis, 1981: 125), si la prévision est mensuelle, alors
ce résultat n’est pas fiable.

Le modèle obtenu est efficace à 95%, ce qui permet de prendre de nombreuses décisions
avant la période du trimestre de référence et celle de votre
publication par des sources d’information officielles. Une situation similaire,
présenté dans les prévisions de PIB en Espagne, car il doit être inclus dans le
Eurostat qui calcule la croissance trimestrielle de l’ensemble de l’Union européenne
(Cristbal et Martnez, 2009: 6) et cela justifie l’utilisation de la valeur prédite,
car sinon cela affecte leur inclusion et l’estimation d’un autre indicateur
économique.

Ce type d’études peut être appliqué dans de nombreuses disciplines et en particulier
en politique économique, étant extrêmement précieux dans les analyses
macroéconomique, comme dans le cas des devises; comme dans les index
des prix, des salaires et des agrégats monétaires qui suivent un processus
(Capistrn et Lpez-Moctezuma, 2008: 1), sans oublier que ces
les prévisions ne sont valables que pour les séries chronologiques étudiées (Herrera et
Hernndez 2002: 9).

Pour les études dans lesquelles des variables économiques sont prévues,
recommande de vérifier que le nombre de données utilisées dans la série chronologique,
car si elle est petite, vous avez des problèmes avec les méthodes quantitatives
employés et rend les résultats peu fiables (Vzquez, 2003: 2).

V. CONCLUSIONS

Les prévisions obtenues pour le produit intérieur brut trimestriel au Mexique sont
efficace et fiable à au moins 95%, dans l’immédiat
prévisionnelles et à long terme, sa précision par rapport aux
leur PIB trimestriel réel correspondant, ce qui peut conduire à la prise de décision
avec un plus grand risque d’incertitude dans les aspects économiques du Mexique.

Pendant le développement de ce travail, je peux démontrer qu’il est possible
Construire un modèle de série chronologique pour prévoir le produit interne
Immédiat et intermédiaire national brut réel trimestriel, qui offre la possibilité de
disposer d’informations fiables et à jour, un outil fondamental pour
évaluation et mesure plus rapides de l’activité économique nationale.

RÉFÉRENCES

1. Abeysinghe, Tilak et Rajaguru Gulasekaran. (2004). PIB réel trimestriel
Estimations pour la Chine et l’ASEAN4 avec une évaluation des prévisions. Journal of
prévisions, 23, 431447.

2. Armstrong, J. Scott et Grohman. (1972). Une étude comparative des méthodes de
Prévision du marché à long terme. Management Science, 19 (2), 211-221.

3. Boîte, G.E.P. et Jenkins, G.M. (1976). Analyse des séries chronologiques. Prévision et
Contrôle. (éd. révisée). San Francisco: Holden-Day.

4. Cabrera, Adame Carlos Javier; Gutirrez Lara Abelardo Anbal et Miguel Rubn
Antonio (2005). Introduction aux indicateurs économiques et sociaux du Mexique.
Faculté d’économie. UNAM. 260 p.

5. Capistrn, Carlos et Lpez-Moctezuma, Gabriel. (2008). Les attentes
Macroéconomie des spécialistes: évaluation des prévisions courtes
terme au Mexique. Banco de México, documents de recherche, n ° 2008-11.

6. Cristbal Cristbal, Alfredo et Martnez Marn Pilar. (2009). L’estimateur
progression trimestrielle du PIB. Vitesse vs précision. Index, 34, 6-7. Vu sur:
http://www.revistaindice.com/numero34/

7. De Alba, Enrique (1990). Estimation trimestrielle du PIB pour le Mexique
(1967-1975). Études économiques, 5 (2), 359-370.

8. Fildes, R. (1979). Prévisions quantitatives L’état de l’art:
Modèles extrapolatifs. Journal de l’Operational Research Society, 30 (8),
691-710.

9. Franses Philip Hans et Haldrup, Niels. (1994) .Les effets des valeurs aberrantes additives
sur les tests de racines unitaires et de cointégration. Journal des affaires et économique
statistiques, 12 (4), 471-478.

10. Harvey A.C. et Tood P.H.J. (1983). Prévision de séries chronologiques économiques avec
modèles structurels et de Box-Jenkins: une étude de cas. Journal of business & economics
statistique, 1 (4), 299-307.

11. Herrera Saavedra, Juan Pablo et Hernndez Daz, Gustavo Adolfo (2002).
Méthodologie d’un modèle ARIMA conditionné pour la prévision du PIB.
Document 81, dossiers d’Economa. Département de la planification nationale.
République de Colombie. 33 P.

12. Hess, Gregory D. et Iwata, Shigeru. (1997). Mesurer et comparer
caractéristiques du cycle économique. Journal of business & economic statistics, 15 (4),
432-444.

13. Hogarth, Robin M. et Makridakis, Spyros. (1981). Prévision et planification: un
Évaluation. Management Science, 27 (2), 115-138.

14. INEGI. Systèmes de comptabilité nationale (2010), consulté le 25 octobre,
2010 en:
http://www.campomexicano.gob.mx/portal_siap/Integracion/EstadisticaDerivada/IndicadoresEconomicos/IndMacroeconomicos/prointbto.pdf.

15. Klein, Laurence R. et Coutio, Alfredo (2004). Approche méthodologique pour un
modèle de prévision à haute fréquence pour l’économie mexicaine.
Economic Research, 63 (259), 47-58.

16. Kosobud, Richard F. (1970). Précision de la prévision et utilisations d’une économétrie
modèle, Applied Economics, 2 (4), 253-263.

17. Martnez, Tapia. Mara Elena. (2005). Séries chronologiques: modèles ARIMA,
Médecine universitaire, 7, 49-51.

18. McCallum, B. (1999). Un carnaval de statistiques. Science, 284, 1291-1292.

19. McAleer, Michael et Oxley, Les. (2011). Dix choses que nous devons savoir sur le temps
série. Journal des enquêtes économiques, 25 (1), 185188.

20. Prez-Lpez, Elguezabal Alejandro (1995). Un modèle de cointégration pour
prévoir le PIB du Mexique. Banque du Mexique. Document de recherche No.
9504. 29 p. Mexique.

21. Psaradakis, Zacharias et Sola, Martin. (2003). Sur la tendance négative et cyclique
asymétrie. Journal d’économétrie appliquée, 18 (3), 271-289.

22. Salazar Lpez, Csar (2010). L’économie mexicaine en 2010. Dimension
Economica, Institut de recherche économique, 1 (2), 1-7.

23. Scott, Armstrong J. (1978). Prévision avec des méthodes économétriques: folklore
contre fait. Journal of Business, 51 (4), 549-564.

24. Vzquez Paganini, Alejandro. (2003). Estimations mensuelles du PIB par
le filtre de Kalman: preuves de l’Uruguay. Institut de mathématiques et
Statistiques, Faculté de génie, Université de la République. [Consultado el
26 de octubre de 2010 en:
http://www.fing.edu.uy/iie/ense/asign/tes/materiales/monografias/estimacionPBI.pdf]




Source link

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *