11 Aprendizaje automático para macroeconomía
¿Qué aportan los métodos de aprendizaje automático cuando hay cientos de predictores y ochenta observaciones?
Capítulo en preparación. El esqueleto de secciones fija el alcance y el orden de la exposición.
- Ver ridge, lasso y elastic net como priors y conectar el encogimiento con el Capítulo 5.
- Usar factores y métodos de reducción de dimensión con datos macro.
- Validar con datos dependientes en el tiempo sin contaminar la muestra.
- Interpretar un modelo no lineal sin atribuirle causalidad.
Requisitos previos. Capítulo 5 y Capítulo 6.
| Serie | Fuente | Frecuencia | Transformación |
|---|---|---|---|
| Panel amplio tipo FRED-MD | FRED | mensual | transformaciones estándar del panel |
Los datos crudos se descargan a data/raw/ y las series construidas quedan en data/processed/.
11.1 El problema de dimensión, otra vez
Por escribir: muchos predictores, pocas observaciones y mucha correlación.
11.2 Regularización como prior
Por escribir: ridge y la Minnesota; lasso y la doble exponencial.
11.3 Factores
Por escribir: componentes principales, modelos de factores y FAVAR.
11.4 Métodos no lineales
Por escribir: bosques aleatorios y boosting: qué ganan y qué pierden en macro.
11.5 Validación temporal
Por escribir: por qué la validación cruzada aleatoria no sirve aquí.
11.6 Interpretación
Por escribir: importancia de variables y dependencia parcial: descripción, no identificación.
11.7 Qué gana y qué no gana el aprendizaje automático
Por escribir: la evidencia comparada en pronóstico macro.
Ideas clave
- Casi todo método de aprendizaje automático útil en macro es una forma de encogimiento, y el encogimiento ya estaba en el capítulo 5.
- Las ganancias aparecen sobre todo en horizontes largos y en variables reales, y son modestas.
- La interpretabilidad no sustituye la identificación: un modelo predictivo no responde preguntas de política.
Lecturas recomendadas
- Goulet Coulombe et al. (2022)
- qué funciona y qué no al pronosticar macro con aprendizaje automático.
- Medeiros et al. (2021)
- pronóstico de inflación en un entorno rico en datos.
- Stock y Watson (2016)
- factores dinámicos y su lugar en la macroeconometría.
Ejercicios
Ejercicio 11.1 Compare lasso, ridge y un BVAR en el mismo ejercicio de pronóstico. ¿Cuál gana y a qué horizonte?
Ejercicio 11.2 Extraiga cuatro factores de un panel amplio y agréguelos a un VAR. ¿Mejora la respuesta al choque de política?