¿Cómo puedo prever los gastos públicos trimestrales en función de los presupuestos anuales y de otras posibles variables?

Question

Tengo algunos datos de series temporales desde 2008 en adelante (véase más abajo) sobre los gastos públicos trimestrales y los presupuestos públicos anuales. Me gustaría pronosticar los dos últimos trimestres de 2018 con la mayor precisión posible, pero no estoy seguro de qué métodos debo utilizar.

He estado considerando un modelo autorregresivo vectorial, pero hay un problema con las diferentes frecuencias en los datos. Supongo que podría dividir el presupuesto en 4 partes iguales.

También he considerado calcular la desviación entre las dos series y luego utilizar un modelo univariante en su lugar, pero eso descartaría añadir variables explicativas adicionales como la demografía.

Si es posible me gustaría alguna sugerencia sobre qué tipo de modelos debería mirar. No soy un experto en el análisis de series temporales y especialmente en los multivariantes, pero espero que sea posible.

Espero que pueda ayudar. Gracias.

+------------+-----------------+
|    Date    |    Expenses     |
+------------+-----------------+
| 2008-01-01 | 66.386.086.765  |
| ...        | ...             |
| 2016-01-01 | 78.200.910.570  |
| 2016-04-01 | 167.604.150.482 |
| 2016-07-01 | 251.017.792.801 |
| 2016-10-01 | 337.595.471.006 |
| 2017-01-01 | 77.580.707.994  |
| 2017-04-01 | 166.599.846.864 |
| 2017-07-01 | 251.331.721.551 |
| 2017-10-01 | 337.247.375.085 |
| 2018-01-01 | 76.467.286.000  |
| 2018-04-01 | 166.634.900.000 |
| 2018-07-01 | ?               |
| 2018-10-01 | ?               |
+------------+-----------------+
+------+-----------------+
| Date |     Budget      |
+------+-----------------+
| 2008 | 295.130.222.937 |
| ...  | ...             |
| 2016 | 348.210.251.795 |
| 2017 | 346.244.633.739 |
| 2018 | 346.127.455.000 |
+------+-----------------+

Answer 1

Hay varias formas de abordar esta cuestión, desde simples heurísticos hasta rigurosos modelos econométricos.

Una de las heurísticas consiste en interpolar simplemente los valores de los niveles temporales superiores hasta una periodicidad más desagregada. Muchos paquetes de software ofrecen métodos automáticos para hacerlo.

Un enfoque más riguroso para la temporalidad mixta es la regresión MIDAS de Ghysels. Él y algunos colegas han desarrollado un módulo de R para ello, Modelos de regresión por muestreo de datos de frecuencia mixta: El paquete R midasr al que se hace referencia aquí... https://www.jstatsoft.org/article/view/v072i04/v72i04.pdf

Answer 2

Aparte de la cuestión de la conversión de los datos a un nivel de frecuencia más alto, su enfoque debería consistir en construir un modelo SARMAX que incorpore los predictores y la historia de los predictores, la historia de la propia Y al mismo tiempo que incorpora pulsos, cambios de nivel/paso, pulsos estacionales y tendencias temporales locales. Siga https://autobox.com/pdfs/A.pdf para obtener un https://autobox.com/pdfs/SARMAX.pdf . Manténgase alejado de la simple regresión ols como se sugiere aquí https://autobox.com/pdfs/regvsbox-old.pdf a menos que la analítica lo sugiera (es decir, que no se demuestre que es inadeqaute).