Versión de HTML Básico
Analítika, Revista de análisis estadístico, (2016), Vol. 11
Propuesta de modelación basada en un enfoque de redes probabilísticas: una aplicación a la consistencia
macroeconómica
129
petroleras y no petroleras, as´ı como los saldos de las balanzas de servicios y renta.
Finalmente, en el sector real se utilizan pr´acticamente las variables disponibles en la tabla
oferta utilizaci´on, prescindiendo de algunas de ellas de forma sistem´atica durante el proceso
de modelaci´on para evitar problemas de sobreidentificaci´on en los modelos explorados ya
que, como se sabe, estas variables est´an vinculadas por una identidad contable.
La Figura 5 presenta de manera esquem´atica las principales relaciones intersectoriales
que se plasman en este enfoque de consistencia.
La serie hist´orica de datos que se ha construido utilizando este marco de consistencia
macroecon´omica es la que sirve de insumo para la siguiente etapa: el aprendizaje de la
estructura del modelo de ´arbol con variables latentes.
4.2.2 Segunda etapa: aprendizaje del LTM
Se han desarrollado diversos algoritmos que permiten hacer aprendizaje de la estructura
de un modelo de ´arbol con variables latentes a partir de un conjunto de observaciones de
las variables del sistema. Cada uno de estos algoritmos, encasillados en alguna de las tres
categor´ıas de modelos explicadas en la secci´on anterior: basados en b´usqueda, clusterizaci´on
de variables o basados en distancia.
De la revisi´on de la literatura especializada, se han seleccionado dos algoritmos a ser im-
plementados y contrastar sus resultados en el aprendizaje de los LTM que se realizar´a en esta
investigaci´on. El principal criterio de selecci´on ha sido la compatibilidad de la informaci´on
econ´omica disponible con los supuestos que cada uno de los algoritmos tiene a priori sobre el
conjunto de datos a modelar. Con este antecedente, los algoritmos que se han seleccionado
son el de agrupamiento recursivo (Choi
et al.
, 2011) y el de agrupamiento de Chow-Liu con
uni´on de vecinos (Saitou y Nei, 1987). El primer algoritmo corresponde a la categor´ıa de los
modelos basados en distancia y el segundo al grupo de modelos de clusterizaci´on de variables.
En ambos casos, la matriz de distancias es el input que se requiere para el aprendizaje del
LTM. En la secci´on de Anexos se explica con detalle cada uno de estos algoritmos.
Como se sabe, en econom´ıa, la inclusi´on de variables no observables (latentes) se ha
ido convirtiendo casi en un est´andar en los modelos que se desarrollan para explicar o dar
respuesta a los fen´omenos estudiados en esta ´area del conocimiento. Existen varias explica-
ciones para que esta corriente haya tomado fuerza, sin embargo, a criterio del autor, una
de las principales es el hecho de contar con informaci´on en distinto nivel de desagregaci´on
levantada, a su vez, con distintas periodicidades, lo cual dificulta la inclusi´on simult´anea de
todas las variables que se desea modelar en un mismo sistema.
Este es el caso, por ejemplo, del Producto Interno Bruto en Ecuador. La informaci´on de
cuentas nacionales provista por el Banco Central es trimestral y, adem´as, se publica con un
trimestre de rezago. Esto, en la pr´actica, implica que existan per´ıodos de hasta seis meses
en los que no se tiene una idea clara de la evoluci´on de la econom´ıa que permita tomar
medidas correctivas tempranas, en caso de ser necesarias. Por otro lado, existen indicadores
20