Servicio de Información Comunitario sobre Investigación y Desarrollo - CORDIS

H2020

Post-GFC Monetary Policy — Resultado resumido

Project ID: 657182
Financiado con arreglo a: H2020-EU.1.3.2.
País: España
Dominio: Sociedad

Modelado más sensible para unas mejores previsiones económicas

¿Cómo pueden los responsables políticos evitar verse con el paso cambiado ante «sucesos del cisne negro» como la crisis financiera cuando su modelado demuestra ser limitado y rígido? Un proyecto utiliza sofisticados algoritmos basados en datos localizados para crear unas mejores previsiones.
Modelado más sensible para unas mejores previsiones económicas
La crisis financiera mundial (CFM) que se inició en 2008 llevó a un replanteamiento de la elaboración de previsiones económicas. El modelado ha sido desde hace mucho tiempo una herramienta de gestión empleada de forma estándar por los bancos centrales para evaluar las perspectivas económicas mundiales y nacionales, sobre las cuales luego se basan las políticas económicas.

Sin embargo, dado el desarrollo constante de las economías, si los modelos no incorporan la capacidad para reflejar estos cambios, las políticas resultantes podrían ser adecuadas para el pasado, pero quizás ya no sean aplicables en un momento dado. Una gran parte del reto de las previsiones económicas se basa en la dificultad para identificar estos cambios, los desencadenantes individuales que ayudan a dar forma a las características macroeconómicas y que requieren acciones correctivas para compensar las consecuencias negativas.

El proyecto financiado con fondos europeos Post-GFC Monetary Policy propuso una nueva metodología que, al incorporar datos locales, trataba de ofrecer una reacción más rápida ante los cambios macroeconómicos frente a las metodologías ya existentes. El proyecto dio sus frutos al tomar el precio de la asistencia sanitaria como indicador del éxito de la política, pero resultó ser menos aplicable a la política monetaria al basarse en los datos financieros.

Uso de datos locales como factores predictivos del cambio

Uno de los problemas de los modelos económicos tradicionales es que muchos de ellos se basan en principios de regresión lineal, con coeficientes constantes. Esto implica que los efectos se consideran como una constante a lo largo del tiempo. Sin embargo, tal y como afirma la titular de una beca Marie Curie, la Dra. Isabel Casas, «en realidad, en el mundo real, los efectos cambian a lo largo del tiempo a medida que responden a un entorno económico más amplio o a perturbaciones económicas o financieras repentinas e inesperadas». Como consecuencia de ello, estos modelos únicamente son capaces de reflejar tendencias muy generales, creando algo similar a un valor promedio de los efectos cambiantes.

Un método para contrarrestar esta limitación es aplicar una regresión no paramétrica, donde el propio modelo está construido a partir de los datos en lugar de construirse a partir de predictores predeterminados. Para explicar la eficacia de la metodología, la Dra. Casas afirma: «La relación entre dos variables cualesquiera cambia a lo largo del tiempo, ya sean días, semanas o años. Las metodologías que utilizamos pueden predecir estos cambios de forma automática, ofreciendo así una imagen menos sesgada de la realidad».

La información del proyecto se obtuvo a partir de datos localizados como forma de representar efectos que varían en el tiempo. Los investigadores crearon, mediante el lenguaje de programación R, un paquete estadístico llamado tvReg que aplicó a los datos algoritmos con coeficientes variables en el tiempo. Debido a la complejidad de su programación, hasta ahora estos algoritmos han estado en gran medida limitados a su uso por parte de especialistas.

La aplicación a la política monetaria de la metodología utilizó datos financieros, entre los que se incluyeron variables que medían la producción industrial, los tipos de interés a corto y largo plazo, la inflación, los datos del tipo de cambio de divisas y las permutas financieras de cobertura por incumplimiento crediticio. Sin embargo, los investigadores observaron que el modelo no ofrecía predicciones diferentes a las obtenidas con el modelado tradicional, por lo que concluyeron que esta técnica de variación en el tiempo no ofrecía una ventaja significativa para este tipo de datos.

Por otra parte, en lo relativo a la aplicación a la política de asistencia sanitaria, un enfoque que adoptaron fue evaluar hasta qué punto la asistencia sanitaria se puede considerar como un artículo de lujo entre los países de la UE y de la OCDE.

Sus hallazgos difieren respecto a los resultados anteriores de la literatura científica, donde la asistencia sanitaria siempre se ha considerado (basándose en el precio) como un artículo de lujo en la UE. La Dra. Casas concluye: «Claramente, los países de la UE están convergiendo hacia la adopción de políticas comunes y el precio de la asistencia sanitaria se ha mantenido relativamente estable durante los últimos años y por debajo del conjunto más amplio de los países de la OCDE, por lo que podemos concluir que, desde 2008, las políticas de asistencia sanitaria de la UE se están moviendo en la dirección adecuada».

El siguiente paso de la investigación será centrarse en el modelado que prevé el comportamiento de los procesos en otros contextos, como la producción de energías renovables basada en datos oceánicos, que incluye información sobre el oleaje, las mareas, los vientos o la altura de las olas. Esto resultará beneficioso tanto para los productores como para los consumidores del mercado eléctrico de la UE.

Palabras clave

Post-GFC Monetary Policy, modelado, previsión, economía, local, datos, algoritmos, asistencia sanitaria, regresión lineal, coeficientes, no paramétrico, artículos de lujo
Síganos en: RSS Facebook Twitter YouTube Gestionado por la Oficina de Publicaciones de la UE Arriba