Indicador Oportuno
de la Actividad
Económica

Gerardo Leyva Parra*
Francisco Corona Villavicencio*
Jesús López Pérez*

Gerardo Leyva Parra es licenciado en Economía por la Universidad Autónoma de Aguascalientes. Es maestro en Economía por el Instituto Tecnológico Autónomo de México (ITAM) y en Ciencia Regional por la Universidad Cornell, donde también obtuvo su doctorado con especialización en Desarrollo Económico. Cursó el diplomado en Psicología Positiva en la Universidad Iberoamericana. Ha impartido diversos cursos de Teoría Económica en varias universidades. Tiene 24 años de experiencia profesional en el Instituto Nacional de Estadística y Geografía (INEGI). En él ha sido analista; asesor de tres presidentes del Instituto; director de Censos Económicos; director general adjunto de Estadísticas Económicas; y director general adjunto de Investigación, desde donde ha impulsado diversas innovaciones temáticas y metodológicas. Entre ellas: la incorporación de técnicas de ciencia de datos en diversos temas estadísticos y geográficos; la exploración y explotación de fuentes no tradicionales de información; la generación de indicadores muy oportunos de la actividad económica; la construcción de matrices de contabilidad social y modelos de equilibrio general computable; el desarrollo de nuevas estadísticas de trabajo informal; y medidas de progreso social y de bienestar subjetivo. Es integrante del Comité para el Fechado de Ciclos de la Economía de México y participa en los comités editoriales de diversas revistas académicas de economía y demografía. Ha sido parte de comités técnicos nacionales e internacionales para la medición de la pobreza y es integrante de comités asesores y de análisis del Consejo Asesor Técnico del Centro de Estudios Económicos del Sector Privado (CEESP), el Instituto Mexicano de Ejecutivos de Finanzas (IMEF) y la Asociación Nacional de Tiendas de Autoservicio y Departamentales (ANTAD).

Francisco de Jesús Corona Villavicencio es licenciado en Economía por la Universidad Autónoma de Baja California (UABC); maestro en Estadística Aplicada por el Instituto Tecnológico y de Estudios Superiores de Monterrey (ITESM) y doctor en Economía y Métodos Cuantitativos por la Universidad Carlos III de Madrid (UC3M). Actualmente, es investigador del Instituto Nacional de Estadística y Geografía (INEGI). Sus líneas de investigación están relacionadas con el análisis econométrico y pronóstico de series de tiempo. También tiene una línea de investigación en Sport Analytics. Ha publicado en revistas arbitradas de circulación internacional y pertenece al Sistema Nacional de Investigadores, Nivel Candidato.

Jesús López Pérez es licenciado en Economía por el Instituto Tecnológico y de Estudios Superiores de Monterrey (ITESM) y maestro en Estadística Aplicada por la misma institución. Actualmente, es investigador invitado del Instituto Nacional de Estadística y Geografía (INEGI) en temas relacionados con el análisis econométrico de series de tiempo. Ocupó diversos cargos en áreas de administración y análisis de riesgo crediticio en instituciones financieras del sector público y privado.

* Las ideas y opiniones expresadas en este documento son responsabilidad exclusiva de los autores.

1

LECTURA

Introducción

Al momento de valorar los indicadores económicos, normalmente tomamos en cuenta su pertinencia, es decir, la medida en que atienden adecuadamente un tema relevante; y su precisión o en qué medida resultan ser un reflejo fidedigno y certero de la realidad. También valoramos su oportunidad, entendida como el tiempo que transcurre entre la finalización del periodo de referencia y el momento en el que se da a conocer el indicador. En la producción de estadísticas oficiales es importante que se busque maximizar cada uno de estos atributos, sin embargo, es frecuente que existan tensiones e intercambios entre ellos. Por ejemplo, es posible que lograr la mejor medición de un determinado fenómeno requiera tanto tiempo para su realización que termina mermando la utilidad final del indicador. En este sentido, a veces puede resultar deseable perder un poco de precisión a cambio de más oportunidad, siendo esto tanto más deseable cuanto menor sea la pérdida en precisión y mayor la ganancia en oportunidad. Ésta es justamente la lógica que sigue la creciente incorporación de técnicas de nowcasting o “estimación actual” en la oferta de indicadores económicos alrededor del mundo y es también la idea detrás del Indicador Oportuno de la Actividad Económica (IOAE) del Instituto Nacional de Estadística y Geografía (INEGI).

El IOAE permite tener estimaciones mensuales razonablemente precisas del Indicador Global de la Actividad Económica (IGAE), que ofrecen al público una ganancia en términos de oportunidad. Recordemos que el IGAE se da a conocer con alrededor de 56 días de rezago, equivalente a ocho semanas con respecto al periodo de referencia. Ocho semanas pueden ser una eternidad cuando la actividad económica enfrenta condiciones imprevistas y la incertidumbre sobre el futuro se incrementa. Reducir el tiempo de espera de ocho a tres semanas puede ser de enorme utilidad para analistas y tomadores de decisiones. En consecuencia, la principal ventaja del IOAE es que permite ahorrar cinco semanas de espera, de manera que genera un primer atisbo bastante aproximado a las cifras del IGAE apenas tres semanas después de cerrado el mes de referencia.

El IOAE se vale de técnicas de nowcasting, mediante las cuales se ajusta un modelo econométrico que emplea la tasa de crecimiento anual del IGAE como variable dependiente y un conjunto de variables contemporáneamente correlacionadas con el IGAE, pero más oportunas que él. No es propiamente un modelo de pronóstico porque no reporta valores de la variable dependiente más allá de los periodos para los cuales dispone de información acerca de al menos alguna de las variables argumentales del modelo. Tampoco es simplemente un modelo de ajuste porque sí reporta valores estimados de la variable dependiente más allá del horizonte temporal para el cual se dispone de información para esa variable. Consecuentemente, un modelo de nowcasting es algo intermedio entre un modelo de ajuste y uno de pronóstico.

El INEGI se vio compelido a incorporar al IOAE ante la necesidad de contar con mayor oportunidad en el reporte del IGAE y algunos de sus componentes en medio de la alta volatilidad en el dinamismo de la economía derivada de la pandemia de COVID-19. El indicador se publica mensualmente, desde octubre de 2020, en Estadísticas experimentales de la sección Investigación de la página de internet del INEGI, y desde su primera publicación ha recibido una acogida favorable y entusiasta por parte de analistas y medios especializados. El IOAE fue desarrollado por el área de investigación del INEGI y es distinto a la mayoría de los indicadores económicos que el Instituto produce, ya que resulta de un modelo econométrico. Asimismo, depende del IGAE para su estimación y no busca reemplazarle en sentido alguno, sino que, con el IOAE el INEGI se propuso aprovechar la disponibilidad de una gran cantidad de información más oportuna que el IGAE -buena parte de ella también producida por el INEGI-. Lo anterior para ganar tiempo valioso a un costo mínimo en términos de precisión.

El modelo de nowcasting que subyace al IOAE integra más de 25 variables transformadas1 y estandarizadas para facilitar su manejo, a partir de las cuales se reducen dimensiones para llegar a un factor dinámico siguiendo la metodología de Doz y otros autores.2 La estimación de un factor permite reducir dimensiones y aprovechar de manera óptima la información disponible en un momento dado, así como mantener una base de intuición económica que ayude a la interpretación de los resultados,3 de tal manera que las contribuciones o cargas asociadas de cada variable en el factor sean interpretables desde una perspectiva económica. Además, desde el punto de vista estadístico, el modelo satisface supuestos que garantizan la estimación consistente del factor.4

7

1  Las transformaciones realizadas están enfocadas a maximizar la correlación contemporánea con la variable de interés, en este caso el IGAE.
2 Doz et al. (2011).
3 Se usa la prueba de Onatski (2010) para verificar que un solo factor es apropiado.
4 Estos supuestos son la estacionariedad en el componente idiosincrático del modelo de factores dinámicos y la no presencia de autocorrelación serial en el modelo de nowcasting.

1. Antecedentes a nivel internacional

El INEGI no es la primera oficina nacional de estadística que se vale de modelos de nowcasting para ganar oportunidad en sus indicadores económicos. Con enfoques y versiones algo distintas, las oficinas equivalentes al INEGI de Canadá (Statistics Canada) y de Países Bajos (Centraal Bureau voor de Statistiek) publican estimaciones oportunas del Producto Interno Bruto (PIB) a partir de modelos de nowcasting. También lo hace el Centro de Excelencia para las Estadísticas Económicas y la Oficina Nacional de Estadísticas del Reino Unido. Los bancos centrales, por su involucramiento en la coyuntura económica y su necesidad de disponer de información oportuna, también han recurrido a modelos de nowcasting de la actividad económica. Algunos ejemplos son el Banco de la Reserva Federal de Atlanta y de Nueva York, al igual que el Banco Central de Nueva Zelanda, el Banco Central de Italia, el Banco de España y el Banco Central Europeo. Los organismos internacionales que producen estadísticas económicas no se quedan atrás: European Statistical Office (Eurostat); el Banco Mundial (BM) y la Comisión Económica para América Latina y el Caribe (Cepal) son algunos ejemplos. El Banco de México también realiza ejercicios de nowcasting de la actividad económica de coyuntura, aunque no los difunde al público. El mismo INEGI ya tiene precedentes en el uso de estas técnicas con la Estimación Oportuna del PIB, que se publica de manera trimestral aproximadamente un mes después del trimestre de referencia, y con el Indicador Mensual Oportuno de la Actividad Manufacturera, que relaciona el consumo de energía eléctrica reportado por la Comisión Federal de Electricidad (CFE) con la actividad manufacturera para generar estimaciones que adelantan hasta en 20 días la salida de las cifras oficiales del Indicador Mensual de la Actividad Industrial.

2. Variables para realizar el nowcasting

En los modelos de este tipo es frecuente que se usen cantidades muy grandes de variables, cientos de ellas incluso, sin reparar en la valoración de su incorporación desde la perspectiva de la teoría económica. En el caso del IOAE, construido desde el análisis de series de tiempo, aunque no pretende ser un modelo de carácter estructural, sí cuida incorporar un número relativamente pequeño de variables con alta capacidad explicativa y cuya vinculación conceptual con el crecimiento del IGAE es más o menos inmediata. Las variables por incluir en el modelo cumplen las siguientes propiedades:

  1. Correlación con el IGAE: se requiere también que las variables a incorporar estén correlacionadas contemporáneamente con el IGAE; mientras más correlacionadas, mejor.
  2. Oportunidad de publicación: al tratarse de un modelo de nowcasting es necesario que las variables estén disponibles antes que el propio IGAE, puesto que la idea es valerse de esa mayor oportunidad para lograr estimaciones oportunas de la variable de interés.

Más adelante se especifican algunos detalles de estos dos criterios.

2.1. Fuentes de información

Si bien la mayor parte de las series son de las tradicionalmente usadas en los análisis y modelos macroeconómicos, otras son resultado de la reciente “revolución de los datos” y se pueden considerar como no tradicionales. Esto es, debido a la limitada oportunidad en la publicación de las variables económicas tradicionales se abre la posibilidad para incorporar nuevas fuentes de información. En este sentido, se hace distinción entre dos tipos de fuentes de información:

  1. Fuentes tradicionales: se consideran fuentes regularmente empleadas en el análisis económico como los indicadores económicos reportados por el INEGI y el Banco de México, así como estadísticas oficiales de Estados Unidos, procedentes del Bureau of Economic Analysis, y registros administrativos de dependencias gubernamentales como el Instituto Mexicano del Seguro Social (IMSS), la Secretaría de Energía y la Secretaría de Turismo. También se incluyen series reportadas por agrupaciones privadas como la Asociación Nacional de Tiendas de Autoservicio y Departamentales (ANTAD), además del Índice de Precios y Cotizaciones de la Bolsa Mexicana de Valores y el índice Standard & Poor’s 500.
  2. Fuentes no tradicionales: se considera un índice de movilidad construido a partir de datos de Twitter y una selección de tópicos derivados de Google Trends. La selección de tópicos se realiza buscando la combinación de éstos, lo cual minimiza un error de estimación en el periodo de prueba fuera de muestra. Algunas de las técnicas usadas para preseleccionar los tópicos son la regresión LASSO y las correlaciones recursivas. La selección final se hace minimizando el error de estimación en un periodo de validación cruzada para series de tiempo estimando modelos de factores dinámicos. No es de sorprender que ante la coyuntura de la crisis sanitaria de COVID-19, términos como coronavirus, pandemia, cuarentena, mascarilla N95 o cubrebocas hayan resultado estadísticamente significativos con alta regularidad; si bien, es de esperarse que los tópicos relevantes irán cambiando con el tiempo.

La mayoría de las variables son de frecuencia mensual mientras que otras se generan con frecuencias mayores, como la información financiera que se agrega de manera mensual para efectos de su incorporación en el IOAE. La lista completa de variables utilizadas y su clasificación respecto al tipo de variable se presenta en la tabla 1.

Tabla 1
Variables utilizadas para la construcción del IOAE

1/ Por las siglas en inglés de Libre a Bordo (LAB) -como también suele encontrarse en español-, refiriéndose al valor de venta
de las mercancías en su lugar de
origen colocadas en frontera o
puerto nacional. Incluye el valor de la transacción de los bienes y el valor de los servicios suministrados para entregar dichas mercancías en la frontera del país exportador. No incluye el costo por concepto de fletes
y seguros.
2/ Varía según la temática relevante.

Fuente:
Elaboración propia.

Mención especial requiere la información proveniente de la Encuesta Mensual de Opinión Empresarial (EMOE): 1) Momento adecuado para invertir (construcción); 2) Momento adecuado para invertir (manufacturas);                3) Momento adecuado para invertir (comercio); 4) Momento adecuado para invertir (servicios); y 5) Indicador de pedidos manufactureros. La EMOE es de las encuestas más oportunas del INEGI, pues reporta sus resultados prácticamente al día siguiente luego de terminado el mes de referencia, aunque éstos son considerados indicadores de difusión, que solo dan señales gruesas del rumbo de la actividad económica y no producen indicadores puntuales de tasas de crecimiento. Sin embargo, al incorporarse en el IOAE aportan información relevante para generar estimaciones bastante precisas de la tasa de crecimiento del IGAE. En otras palabras, por medio del IOAE se logra optimizar la información provista por los indicadores derivados de la EMOE, al punto que permite ir mucho más allá de lo que resulta posible con la explotación directa de los resultados de la encuesta, al articularlos óptimamente con otros indicadores para aprovechar su información en relación con la dinámica del IGAE. Debido a que las variables derivadas de la EMOE son estacionarias por construcción y están diseñadas para asociarse con la tasa de crecimiento de la actividad económica, resultan directamente utilizables en niveles para efectos de su incorporación al modelo.

2.2. Transformación de las variables

La mayoría de las variables cuenta con tendencias implícitas en sus series en niveles. Esto las hace no estacionarias por lo que se incorporan transformadas en sus tasas de crecimiento anual (mes contra mismo mes del año anterior). Solamente para la tasa de interés interbancaria se utiliza la variación mensual, al tiempo que los tópicos de Google Trends se emplean en una versión rezagada por su altísima oportunidad. Cabe señalar que las series de tiempo se incorporan desestacionalizadas, utilizando preferentemente la versión oficial desestacionalizada o en caso de no contar con ella se realiza el ajuste estacional por medio del X-13ARIMA-SEATS con la especificación automática.

2.3. Correlaciones con el IGAE

Si se considera la correlación recursiva del IGAE con respecto a cada una de las variables usadas en el modelo, se observa que la mayoría tiene asociaciones positivas, aunque algunas son negativas (por ejemplo, el tipo de cambio nominal y la tasa de desocupación). En la gráfica 1 se reporta la evolución de estas correlaciones, de manera que se puede apreciar cómo han variado a lo largo del tiempo.

Nótese que la variación en las correlaciones llega a ser importante en algunos casos, lo que sugiere que su inclusión en el modelo de nowcasting deba ser revisada con regularidad para asegurar que todas resulten pertinentes. Aunque como se verá más adelante, en el marco del IOAE, esta necesidad se hace menos imperiosa debido a que los pesos relativos de cada variable también se van ajustando con el tiempo, de manera que aquéllas cuya correlación va perdiendo relevancia también van perdiendo peso específico en la determinación de los valores estimados de la tasa de crecimiento anual del IGAE.

Gráfica 1
Correlación recursiva del IGAE con cada una de las variables del IOAE

Fuente:
Elaboración propia con datos al 16 de marzo de 2021.

2.4. Estadística descriptiva

Para ilustrar la variedad de información incorporada en el modelo se muestra en la gráfica 2 un diagrama de calor, en el cual cada renglón es una variable y cada columna representa un mes. Así, se puede ver el tipo de señales que arroja cada una de las variables utilizadas y cómo estas señales se refuerzan para caracterizar momentos de caída profundas, recuperaciones y atonía de la economía de México.

Para construir la gráfica 2 se direccionan las series, de modo que todas tengan una relación directa con el IGAE. Asimismo, estas series se estandarizan con respecto a los niveles máximos y mínimos de sus respectivos recorridos durante el periodo en análisis -de enero de 2004 a enero de 2021-. El recorrido de cada serie se divide en cuartiles. El cuartil inferior se representa con color morado y el superior se pinta de gris oxford. El cuartil medio superior va en color azul y el medio inferior en lila. Los meses para los que no se dispone de información se presentan en blanco.

Gráfica 2
Mapa de calor de las variables incluidas en el IOAE
Cuartiles de las variables transformadas (de acuerdo con la sección 2.2.)

Fuente:
Elaboración propia con datos al 16 de marzo de 2021.

El diagrama muestra claramente que cuando las variables coinciden para los mismos meses en su cuartil más bajo es porque le economía, medida por el PIB trimestral o el IGAE, estaba cayendo de manera muy notable, como ocurrió con la recesión de 2009 y en la crisis por COVID-19 en 2020, cuando casi todas las variables coinciden en el color morado.

Un dato interesante en esta historia es que la recesión mexicana de 2009 también estuvo asociada con una crisis sanitaria (en aquel caso la epidemia del H1N1 en México), lo que ha facilitado que tópicos de Google Trends como pandemia o cubrebocas mascarilla N95 resultan más claramente significativos en su asociación con las fluctuaciones económicas a lo largo de la serie. También es de notarse que incluso desde antes de que en marzo de 2020 se declarara la emergencia sanitaria como pandemia por parte de la Organización Mundial de la Salud (OMS) y de que unas pocas semanas después iniciara la política de confinamiento en México para combatirla, ya muchos de los indicadores utilizados en la elaboración del IOAE aparecían en color morado o lila, indicando que la economía ya mostraba una tendencia al deterioro, previo a que la estrategia para reducir la escalada de contagios, a partir de la inmovilización y confinamiento de personas y el cierre de operaciones de negocios, comenzara a dejar sentir sus efectos sobre la misma.

Así las cosas, puede entenderse que este conjunto de variables funciona bastante bien para replicar la dinámica del IGAE, incluso antes de incorporar técnicas estadísticas más sofisticadas. De manera ilustrativa, si consideramos tan solo la versión estandarizada de las variables y las ponderamos con pesos iguales, podemos construir una serie muy similar a la del IGAE. A este indicador le llamamos naïve, dada su simplicidad. Así, por ejemplo, para enero y febrero de 2021, este indicador naïve arrojaría crecimientos del IGAE de -4.50% y -5.98%, respectivamente-. Mientras que el dato observado del IGAE del mes de enero fue de -3.72%. Este indicador muestra el potencial de las variables seleccionadas para hacer un indicador oportuno preciso, eficaz y bien fundamentado al incorporarlas en el marco de una metodología en el estado del arte y diseñada específicamente para lograr estimaciones oportunas o nowcasting de indicadores de la activad económica agregada.

2.5. Oportunidad de publicación

Aunque solamente se usan variables más oportunas que el IGAE, no todas tienen la misma fecha de publicación. Algunas de ellas (alrededor del 48%) están disponibles al día siguiente de terminado el mes de referencia, como es el caso de las que derivan de la EMOE, y otras variables de frecuencia diaria: el indicador de movilidad derivado de Twitter, los tópicos de Google Trends, las referentes a mercados financieros y las de consumo de gasolinas; pero otras, toman más tiempo en generarse. En el transcurso de las ocho semanas, entre el cierre del mes de referencia y la publicación oficial del IGAE, van apareciendo datos de variables en la lista seleccionada que aportan a una mejor estimación adelantada del IGAE. Así, por ejemplo, el dato de trabajadores asegurados del IMSS y las ventas de la ANTAD tienen un rezago de 12 días, mientras que el Índice de Producción Industrial de Estados Unidos se publica después de 16 días. Otros datos son apenas un poco más oportunos que el IGAE, como los de ventas de establecimientos comerciales al por menor (ISBSVM) que publica el INEGI 56 días luego de cerrado el mes de referencia. La gráfica 3 permite identificar el proceso de publicación de las variables seleccionadas para estimar el IOAE.

Gráfica 3
Días de rezago respecto del mes de referencia para cada una de las variables del IOAE

Fuente:
Elaboración propia.

En este sentido, la fecha en la que se decide cerrar la incorporación de información para el nowcast resulta determinante del adelanto con el cual se estarán reportando los datos de la variable de interés y de la precisión de la estimación. De hecho, en principio sería posible ir actualizando el nowcast a medida que va apareciendo nueva información. Dados los tiempos de salida de las variables seleccionadas, se podrían hacer hasta 12 actualizaciones al mes. Sin embargo, esto no resulta práctico, ya que los usuarios apenas y tendrían tiempo para digerir la información que se les ofrece, además de que el proceso de actualización se volvería excesivamente oneroso.

Por lo anterior, el INEGI decidió publicar el IOAE solo una vez al mes, aunque eventualmente el número de salidas podría incrementarse a dos, de considerarse necesario. Por lo pronto, la fecha seleccionada permite la incorporación de información de cifras de la producción industrial de Estados Unidos, dada la influencia que tiene en la determinación de los niveles de la actividad industrial de México y, por ende, del IGAE. Así las cosas, por regla general, el IOAE se reporta dos días hábiles después de que aparece el índice de producción industrial de Estados Unidos, aproximadamente el día 19 del calendario después del cierre, lo que consume casi tres semanas, tomando en cuenta el tiempo requerido para estimar el modelo, revisar y publicar los resultados.

De esta forma, si restamos estas tres de las ocho semanas que demora en salir el IGAE, tenemos que el adelanto del IOAE es de cinco semanas. Adicionalmente, dado que cada mes tiene aproximadamente cuatro semanas, el IOAE permite adelantar en una semana el dato del IGAE para el antepasado al mes de publicación. Por ejemplo, el IOAE publicado en la tercera semana de septiembre de 2021 adelanta al IGAE de agosto (al que llamamos en general t+2) en cinco semanas y al de julio (al que llamamos en general t+1) en una. Implícito en la selección del momento de publicación está un balance entre la oportunidad de salir lo antes posible (por ejemplo, al día siguiente de cerrado el mes de referencia) y la conveniencia de esperar para acumular información adicional que permita lograr estimaciones mejor sustentadas y, por lo tanto, más precisas (por ejemplo, un día antes de la publicación del IGAE).

3. El modelo de nowcasting

La realización del nowcasting depende críticamente de la disponibilidad de variables correlacionadas con la variable de interés, pero más oportunas que ella. Una vez disponiendo de estas variables el reto es encontrar la mejor vía posible de extracción de la información que contienen para efectos del tema en cuestión, con especial atención en la que ocurre al final de la serie, que es donde se ha previsto que el modelo aporta información más oportuna que la de la serie oficial de interés, en este caso el IGAE y sus componentes para las actividades secundarias y para las terciarias. El modelo para cada una de estas tres series es el mismo, de manera que en lo que sigue se hablará, sin pérdida de generalidad, solamente del modelo de nowcasting del IGAE. Cabe aclarar que no se realizan estimaciones para las actividades primarias en virtud de su enorme variabilidad y aleatoriedad asociada con fenómenos climáticos, así como de las variaciones internacionales de precios derivadas de los mercados de materias primas, por lo que el IOAE, en su estado actual, no es capaz de generar indicadores con un nivel de precisión aceptable para éstas.

Para extraer el máximo de información del conjunto de las variables consideradas, el IOAE emplea factores dinámicos, los que a su vez se basan en la extracción del primer componente principal de las series para cada mes. Dado que la idea es generar estimaciones sumamente oportunas y confiables del crecimiento del IGAE, el IOAE se construye a partir de un factor dinámico oportuno y econométricamente válido, siguiendo la propuesta metodológica de Doz y otros autores.5 En la lógica de los análisis de componentes principales que permiten extraer los elementos esenciales de la información contenida en un conjunto amplio de variables, el uso de un factor dinámico permite a su vez reducir las dimensiones del problema, haciéndolo más manejable con una pérdida mínima de información, al tiempo que se incorpora un conjunto suficientemente amplio, si bien acotado, de variables.6

La construcción del factor dinámico supone transformar las series involucradas de manera que maximicen su correlación con la tasa de crecimiento anual del IGAE. Con estas variables se identifica el número de factores a través del criterio de Onatski.7 Posteriormente, al asumir restricciones de identificabilidad en el contexto de componentes principales,8 se estiman los factores como una función de las cargas o aportaciones implícitas de cada variable. Estas cargas pueden entenderse como la contribución del factor sobre las variables y no son fijas, sino que varían en el tiempo, lo que permite mayor flexibilidad al modelo, puesto que las variables que eventualmente vayan perdiendo correlación con el IGAE y en el factor, también verán reducida su carga correspondiente, lo que es una enorme ventaja en comparación con los enfoques multidimensionales que suponen pesos fijos de las variables. Adicionalmente, debido a que los factores son estimados como una función de las cargas, éstas pueden entenderse también como la contribución de las variables en el factor al usar una correcta normalización. En este sentido, se hará uso indistinto de ambos conceptos, ya sea como contribución del factor sobre las variables o como el peso de las variables sobre el factor.

5 Doz et al. (2011).

6 Son 24 variables más los tópicos de Google Trends, los cuales pueden derivar en más de
una variable.

7 Onatski (2010). 
8 Bai & Ng (2013).

Es importante comentar que, si bien en un principio esta estimación es estática, es posible que se tenga que trascender esta limitación al modelar la dinámica a través del Filtro de Kalman y así obtener ganancias en términos de ajuste y también en el contexto de nowcasting. Esto es así porque la evidencia empírica corrobora que es factible obtener estimaciones más precisas de los factores subyacentes y, segundo, porque es posible obtener valores en cada momento del tiempo con sus valores pasados, lo que a su vez permite administrar de manera óptima la ausencia de información para las variables menos oportunas. En este sentido, la incorporación del Filtro de Kalman permite estimar el factor dinámico, formulat. 9

Entonces, en todo momento, la variable dependiente, Yt, ya sea el IGAE o sus correspondientes series para actividades secundarias o actividades terciarias, se estima como una función lineal del factor dinámico: formula2, donde Yt es la variable dependiente, α y β son los parámetros a estimar y εt es el error, susceptible de ser modelado como un proceso tipo autorregresivo y de promedios móviles, de manera que los órdenes p y q en ϕp (L)u = Θq (L)e se determinan al minimizar el error de predicción en los datos de prueba, y el error absoluto medio, actualizando los nowcasts un paso hacia adelante. La estimación de los parámetros se realiza a través de máxima verosimilitud.

9 Revisar la metodología de estimación del factor dinámico en Corona et al. (2021).

4. Resultados

El IOAE resulta tener una buena correlación entre el factor dinámico con el IGAE. En la gráfica 4 se puede visualizar esta relación a través del tiempo.

Gráfica 4
Correlación entre el factor dinámico y el IGAE
Intervalos de confianza al 95%

Fuente:
Elaboración propia con datos al 16 de marzo de 2021.

Se aprecia que la correlación ha sido especialmente elevada hacia finales del año 2020 y los primeros meses de 2021. Con correlaciones rondando el 0.97, se considera que las estimaciones contemporáneas pueden ser precisas. Lo que es más importante es que el ajuste del IOAE al IGAE ha sido bastante bueno a lo largo de los años antes y después del periodo de COVID-19. De hecho, en el periodo de validación cruzada que permite la selección de modelos para la generación de los nowcasts actuales, el mejor modelo capturó en el 92% de las veces el verdadero valor, con una desviación o error promedio de 0.60. Este error promedio resulta menor que el de las mejores alternativas a la mano, como serían 1.33 del factor naïve antes descrito (con pesos iguales para cada una de las variables) o 0.87 de una versión del mismo modelo a base del factor dinámico, pero sin la incorporación de tópicos de Google Trends.

La incorporación de los tópicos de Google Trends resulta una adición relevante a la calidad del ajuste del modelo, especialmente hacia el final de la serie, cuando se dispone de menos variables argumentales actualizadas. La gráfica 5 muestra ejercicios con estimaciones en tiempo pseudoreal, es decir, considerando las mismas condiciones con las cuales se generan los nowcasts actuales.

Gráfica 5
Evaluación de los nowcasts en tiempo pseudoreal1/
De noviembre 2017 a octubre de 2020 con intervalos de confianza al 95%

A. Excluyendo tópicos de Google Trends

1/ Los puntos negros son los valores observados.

B. Incluyendo tópicos de Google Trends

Fuente:
Elaboración propia con datos
al 15 de enero de 2021.

Se observa que la incorporación de los tópicos de Google Trends aumenta el número de casos en el que los intervalos de confianza del IOAE atrapan el valor verdadero del crecimiento anual del IGAE, incluso en la mayor parte de los meses de 2020, pese a la elevada volatilidad por entonces experimentada.

Si prestamos atención a las cargas del factor dinámico, éstas son diferentes según la variable de que se trate. En la gráfica 6 se observan las variables que contribuyen de manera positiva en el factor (relación directa con el IGAE) y negativa en el factor (relación inversa con el IGAE).

Entre las variables con mayor carga positiva destacan el Indicador de Actividad Industrial de México y el Índice de Producción Industrial de Estados Unidos, así como las importaciones, la ocupación hotelera, el número de trabajadores asegurados en el IMSS y las exportaciones. Entre las que tienen carga negativa destacan tres de los tópicos de Google Trends: mascarilla N95, cuarentena y cubrebocas.

Gráfica 6
Cargas de los factores sobre las variables1/
Intervalos de confianza al 95%

1/ Las cruces negras son las contribuciones del factor sobre las variables una vez suavizado el factor por el Filtro de Kalman, estimadas a través de técnicas Monte Carlo.

 

Fuente:
Elaboración propia con datos al 16 de marzo de 2021.

Como se ha mencionado, una de las virtudes del modelo de factores dinámicos que subyace al IOAE es la flexibilidad que le provee el uso de ponderaciones o cargas variables en lugar de fijas. En la gráfica 7 se reporta la evolución de estas cargas.

Puede observarse cómo las cargas de las variables tienen comportamientos disímbolos, con unas muy estables, otras más volátiles, unas que se acercan al cero (haciéndose menos relevantes) y otras que se alejan de él. El monitoreo permanente de la evolución de estas cargas puede ayudar a detectar oportunamente la necesidad de actualizar o reemplazar alguna o algunas de las variables del modelo. No olvidemos que, para cada periodo, el factor dinámico se puede entender como una función de las variables estandarizadas ponderadas por sus cargas correspondientes.

Gráfica 7
Cargas estimadas a través del tiempo

Fuente:
Elaboración propia con datos
al 16 de marzo de 2021.

Las gráficas 8, 9 y 10 muestran los modelos ajustados a lo largo del tiempo con relación a los datos oficiales del IGAE, de las actividades secundarias y de las actividades terciarias, respectivamente. Al final de la serie, con un sombreado lila más oscuro, se presenta el nowcast correspondiente a los meses de enero y febrero de 2021. Nótese, por una parte, cómo las variaciones anuales para cada mes que resultan del proceso de ajuste del modelo (línea punteada), son muy cercanas a las que se obtienen directamente de la serie del IGAE (sombreado lila claro), lo que refleja un buen ajuste. De manera destacada también se puede ver cómo el modelo permite estimar las variaciones a esperar para los dos meses previos a la publicación del IOAE. Las líneas moradas y blancas hacen referencia a los intervalos de confianza correspondientes al 95%.

Gráfica 8
IOAE: nowcast del IGAE
Variaciones porcentuales respecto al mismo mes del año anterior. Enero y febrero de 2021

I IGAE I Nowcasts I Ajuste I Límite inferiorformulaLímite superior

Gráfica 9
IOAE: nowcast de las actividades secundarias
Variaciones porcentuales respecto al mismo mes del año anterior. Febrero de 2021

I IGAE I Nowcasts I Ajuste I Límite inferiorformulaLímite superior

Gráfica 10
IOAE: nowcast de las actividades terciarias
Variaciones porcentuales respecto al mismo mes del año anterior. Enero y febrero de 2021

I IGAE I Nowcasts I Ajuste I Límite inferiorformulaLímite superior

Fuentes:
Elaboración propia con datos al 16 de marzo de 2021.

Gráfica 11
Evolución histórica del IOAE1/
Variación porcentual anual

I IGAE I Nowcast T + 1 I Nowcast T + 2 I LI T + 1 I LS T + 1 I LI T + 2 I LS T + 2

1/ Las barras grises representan el IGAE observado; la línea azul claro (Nowcast T + 1) muestra la estimación del IOAE para T + 1 y las marcas moradas sus límites inferior (LI T + 1) y superior (LS T + 1). En tanto la línea azul oscuro (Nowcast T + 2) representa el IOAE para T + 2 y las marcas negras sus límites inferior (LI T + 2) y superior (LS T + 2). El IOAE es público desde octubre de 2020. En la gráfica se muestran estimaciones para los meses de abril a septiembre de 2020, únicamente con fines ilustrativos.

Fuente:
Elaboración propia con datos
al 16 de marzo de 2021.

Los resultados del modelo nos muestran que el valor absoluto de las caídas en las tasas anuales de crecimiento del IGAE en enero y febrero de 2021 parecen estarse estacionando en niveles en torno al 4%. Es decir, vemos que a medida que pasan los meses, el valor absoluto de la variación del mes más reciente es cada vez menos diferente a la del mes anterior. Con las cifras del crecimiento esperado del IGAE para el primer bimestre de 2020, estamos en condiciones de especular con fundamentos sobre lo que podrá ser la tasa de crecimiento del PIB para el primer trimestre del año. Con el IOAE, dichos análisis pueden realizarse con hasta cinco semanas de anticipación en relación con lo que era posible antes. A esto, además se le agrega la confianza, puesto que el IOAE ha demostrado ser bastante certero, tal como puede observarse en la gráfica 11.10

Históricamente el IOAE ha sido capaz de ofrecer intervalos de confianza que con alta frecuencia atrapan y siempre quedan muy cercanos a los valores observados del IGAE que se reportan posteriormente, llegando a darse casos en los que incluso se ha logrado acertar el valor puntual de la tasa de crecimiento anual del IGAE, considerada a un decimal.

10 Nótese que los datos difieren
a los presentados en la gráfica 5
porque en la gráfica 11 los
nowcasts son realizados con la
información que se contaba
al momento, es decir, no se
incorporan las revisiones que si
existían al momento de realizar la
estimación en tempo pseudoreal.

Conclusiones

Desde sus primeras publicaciones y en el recorrido de su breve historia hasta el momento, el IOAE ha sido bien recibido por los medios especializados y los analistas económicos, que lo citan con frecuencia y con confianza. Así las cosas, con el IOAE se favorece que la discusión sobre la coyuntura económica sea más vigente y que el debate sobre el futuro sea más actual y esté mejor informado en cada momento. El IOAE contribuye a aumentar la distancia que debe existir entre el análisis de la coyuntura económica y el de la historia económica. Con el IOAE se sacrifica un poco de precisión, pero se gana valioso tiempo. En un mundo en que la oportunidad es vital para la toma de decisiones es difícil perder de vista los beneficios de ganar cinco semanas en el conocimiento sobre cómo va la actividad económica del país. El IOAE no pretende reemplazar al IGAE sino darle mayor utilidad al presentar de manera adelantada estimaciones razonablemente precisas de lo que tiempo después será el dato oficial. La construcción del IOAE está llena de complejidades técnicas que van bastante más allá del alcance de esta lectura, que tiene una finalidad introductoria. Para profundizar en los aspectos técnicos se recomienda al lector revisar la nota metodológica del IOAE.11

El IOAE también ayuda a incrementar la utilidad de fuentes de información, como la de la EMOE, la cual, a pesar de su encomiable oportunidad, reporta indicadores muy generales y abiertos de la dinámica económica, pero que en el marco del IOAE se convierten en fuente de un cálculo bastante preciso de la evolución del IGAE. Asimismo, el IOAE, al incorporar una relación de un conjunto de variables con el IGAE, ayuda a hacer sentido o a guiar las preguntas adecuadas ante variaciones sorpresivas de ese indicador.

Una ventaja de tener más de un mes de adelanto en el devenir del IGAE es que puede hacer una diferencia importante para muchos analistas, tomadores de decisiones e inversionistas. Si bien es conveniente recordar que las cifras reales las iremos conociendo conforme maduren los plazos y se vayan publicando los resultados del IGAE, creemos que el IOAE nos ofrece una mejor y más actualizada imagen de la situación económica presente del país, tanto para el agregado general como para las dos grandes actividades que concentran el grueso de la producción y el empleo en México.

Queda aún pendiente lograr modelos de nowcasting que resulten satisfactorios para las actividades agropecuarias. También queda pendiente buscar la forma de incorporar variables de alta frecuencia, como aquéllas generadas por las operaciones del sistema bancario (uso de información de medios de pago como tarjetas de crédito) y otras fuentes de información que pudieran aumentar aún más la precisión y oportunidad de las cifras del IOAE. Adicionalmente, quedan abiertas las avenidas para: 1) ampliar las variables tradicionales para las cuales se puede hacer modelación tipo nowcast y, con ello, ganar mayor oportunidad en el conocimiento de sus probables resultados; 2) la generación de medidas de actividad económica de alta frecuencia; y 3) la incorporación de nuevas fuentes de datos. Esto apenas comienza.

7

11 INEGI (2021).

Bibliografía

Bai, Jushan & Ng, Serena (2013), “Principal components estimation and identification of static factors”, Journal of Econometrics, 176(1): pp. 18-29.

Corona, Francisco, González-Farías, Graciela & López-Pérez, Jesús (2021), “A nowcasting approach to generate timely estimates of Mexican economic activity: An application to the period of COVID-19”, Working Paper, Enlace

Doz, Catherine, Giannone, Domenico & Reichlin, Lucrezia (2011), “A two-step estimator for large approximate dynamic factor models based on Kalman filtering”, Journal of Econometrics, 164(1): pp. 188-205.

INEGI (2021), “Indicador Oportuno de la Actividad Económica (marzo)”, Síntesis Metodológica, Instituto Nacional de Estadística y Geografía, México, Enlace 

Onatski, Alexei (2010), “Determining the number of factors from empirical distribution of eigenvalues”, The Review of Economics and Statistics, 92(4): pp. 1004-1016.

Índice