¿Qué indicadores económicos adelantan las recesiones en España?

  1. Máximo CAMACHO 1
  2. Salvador RAMALLO 1
  1. 1 Universidad de Murcia
    info

    Universidad de Murcia

    Murcia, España

    ROR https://ror.org/03p3aeb86

Revista:
Papeles de economía española

ISSN: 0210-9107

Año de publicación: 2020

Número: 165

Páginas: 33-51

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Papeles de economía española

Resumen

En este trabajo usamos árboles de clasificación para examinar cuáles son los mejores indicadores económicos para anticipar las recesiones en la economía española a partir de una muestra de 270 indicadores mensuales desde enero de 1971 hasta el mes de marzo de 2020. La probabilidad de recesión predicha por los modelos a horizontes de tres y seis meses concuerda con las recesiones establecidas por el Comité de Fechado de Ciclos. En un ejercicio que simula la predicción en tiempo real, encontramos que los indicadores financieros y de la construcción cobraron especial protagonismo para predecir la Gran Recesión. Sin embargo, la recesión derivada de la crisis sanitaria de la COVID-19 se infiere mejor con indicadores adelantados de la tendencia del PIB, del desempleo y, en menor medida, de las ventas de coches

€ Ver financiación

Información de financiación

Los autores agradecen a los proyectos PID2019-107192 GB-I00 (AEI/10.13039/501100011033) y al Grupo de Excelencia de la Región de Murcia (Fundación Séneca) 19884/GERM/15.

Financiadores

Referencias bibliográficas

  • Breiman, L., Friedman, J., Olshen, R. y Stone, C. (1984). Classification and regression trees. Wadsworth, New York: Chapman & Hall.
  • Camacho, M., Caro, A. y López-Buenache. 2020. The two-speed Europe in business cycle synchronization. Empirical Economics, en prensa.
  • Camacho, M. y Doménech, R. (2012). MICA-BBVA a factor model of economic and financial indicators for short-term GDP forecasting. SERIEs: Journal of the Spanish Economic Association, 3, pp. 475-497.
  • Camacho, M., Gadea-Rivas, M. y Pérez Quirós, G. (2019). The Great Recession. Worse than ever? Revista de Economia Aplicada, 76, pp. 73:100.
  • Camacho, M., Pacce, M. y Ulloa, C. (2018). Regional business cycle phases in Spain. Estudios de Economia Aplicada, 36, pp. 875-896.
  • Camacho, M. y Pérez Quirós, G. (2011). Spain-STING: Spain Short Term INdicator of Growth. The Manchester School, 79, pp. 594-616.
  • Cancelo, J. (2004). El ciclo del empleo en España. Un análisis regional. Revista económica de Castilla-La Mancha, 4, pp. 107-138.
  • Cuevas, A., Pérez Quirós, G. y Quilis, E. (2017). Integrated model of short-term forecasting of the Spanish Economy (Mipred Model). Revista de Economía Aplicada, 25, pp. 5-25.
  • Cuevas, A. y Quilis, E. (2012). A factor analysis for the Spanish economy. Journal of the Spanish Economic Association, 3, pp. 311-338.
  • Döpke, J., Fritsche, U. y Pierdzioch, C. (2017). Predicting recessions with boosted regression trees. International Journal of Forecasting, 33, pp. 745-759.
  • Freund, Y. (1995). Boosting a weak learning algorithm by majority. Information and Computation, 121, pp. 256-285.
  • Freund, Y. y Schapire, R. (1996). Experiments with a new boosting algorithm. Proceedings of ICML, 13, pp. 148-156.
  • Friedman, J., Hastie, T. y Tibshirani, R. (2000). Additive logistic regression: A statistical view of boosting. The Annals of Statistics, 28, pp. 337-407.
  • Friedman, J. (2001). Greedy function approximation: A gradient boosting machine. The Annals of Statistics, 29, pp. 1189- 1232.
  • Friedman, J. (2002). Stochastic gradient boosting. Computational Statistics and Data Analysis, 38, pp. 367-378.
  • Gadea-Rivas, M., Gómez-Loscos, A. y Bandrés, E. (2018). Clustering regional business cycles. Economic Letters, 162, pp. 171- 176.
  • Gadea-Rivas, M., Gómez-Loscos, A. y Montañés, A. (2012). Cycles inside cycles: Spanish regional aggregation. Journal of the Spanish Economic Association, 3, pp. 423-456.
  • Gadea-Rivas, M., Gómez-Loscos, A. y Leiva-León, D. (2019). Increasing linkages among European regions. The role of sectoral composition. Economic Modelling, 80, pp. 222-243.
  • Hastie, T., Tibshirani, R. y Friedman, J. (2001). The elements of statistical learning: Data mining, inference, and prediction. New York: Springer.
  • Mease, D., Wyner, A. y Buja, A. (2007). Cost-weighted boosting with jittering and over/undersampling: Jous-boost. Journal of Machine Learning Research, 8, pp. 409-439.
  • Ng, S. (2014). Boosting recessions. Canadian Journal of Economics, 47, pp. 1-34.
  • Páez, A., López, F., Ruiz, M. y Camacho, M. (2019). Inducing nonorthogonal and non-linear decision boundaries in decision trees via interactive basis functions. Expert Systems with Applications, 122, pp. 183-206.
  • Piger, J. (2020). Turning points and classification. En P. Fuleky (ed.), Macroeconomic forecasting in the era of big data: Theory and application. Springer International Publishing.
  • Schapire, R. (1990). The strength of weak learnability. Machine Learning, 5, pp. 197-227.
  • Schapire, R. y Freund, Y. (2012). Boosting: Foundations and algorithms. MIT Press.
  • Ward, F. (2017). Spotting the danger zone: Forecasting financial crisis with classification tree ensembles and many predictors. Journal of Applied Econometrics, 32, pp. 359-378
Fuente de los datos: Dialnet