Estimación adelantada del crecimiento regional mediante redes neuronales LSTM
DOI:
https://doi.org/10.38191/iirr-jorr.21.007Palabras clave:
predicción regional; redes neuronales; inteligencia artificial; LSTMResumen
El trabajo incorpora las técnicas de Inteligencia Artificial a las herramientas disponibles para el análisis de coyuntura regional. Se compara las estimaciones realizadas con Redes Neuronales (en concreto, mediante la utilización de redes con larga memoria de corto plazo, LSTM por sus siglas en inglés) con los instrumentos más habituales en el análisis de coyunturas (series temporales, indicadores sintéticos y factores dinámicos). Los resultados muestran que los avances en redes neuronales pueden ser incorporados al análisis de coyuntura: son herramientas complementarias, con mayor flexibilidad para captar la diversidad de situaciones en la economía real y con una capacidad de estimación superior (menor error cuadrático medio). El documento propone la utilización de este tipo de técnicas para solucionar una diversidad de problemas en economía regional.
Citas
Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., Corrado, G. S., Davis, A., Dean, J., Devin, M., Ghemawat, S., Goodfellow, I., Harp, A., Irving, G., Isard, M., Jia, Y., Jozefowicz, R., Kaiser, L., Kudlur, M., Levenberg, J., Man_e, D., Monga, R., Moore, S., Murray, D., Olah, C., Schuster, M., Shlens, J., Steiner, B., Sutskever, I., Talwar, K., Tucker, P., Vanhoucke, V., Vasudevan, V., Vi_egas, F., Vinyals, O., Warden, P., Wattenberg, M., Wicke, M., Yu, Y., Zheng, X., 2015. TensorFlow: Large-scale machine learning on heterogeneous systems. Software available from tensorow.org. URL http://tensorflow.org/
Abadie, Alberto, y Kasy, M. (2017): “The Risk of Machine Learning.” https://ideas.repec. org/p/qsh/wpaper/383316.html.
Artola, C., Fiorito, A., Gil, M., Pérez, J.J., Urtasun, A. y Vila D. (2018): “Monitoring the Spanish economy from a regional perspective: main elements of analysis” Documento Ocasional Banco de España 1809
Bandrés, E., y M. D., Gadea (2013), “Crisis Económica y Ciclos Regionales en España”. Papeles de Economía Española, 138, pp. 2-30.
Bates, J.M. and Granger, C.W.J. (1969), “The Combination of Forecasts,” Operations Research Quarterly 20, 451–468.
Bengio, Y., Simard, P., and Frasconi, P. (1994). Learning long-term dependencies with gradient descent is difficult. IEEE Transactions on Neural Networks, 5(2), 157–166.
Chollet, François et al. (2015) : Keras. https://github.com/keras-team/keras. GitHub repository.
Cuevas, A. y Quilis, E.M. (2015): “Quarterly Regional GDP Flash Estimates for the Spanish Economy (METCAP model)”, Autoridad Independiente de Responsabilidad Fiscal AIReF, Working Paper n. 3 / 2015.
Donaldson, D., y Adam S. (2016): “The View from Above: Applications of Satellite Data in Economics.” Journal of Economic Perspectives 30(4): 171–98.
Einav, L. y Jonathan L. (2014): “Economics in the Age of Big Data.” Science 346(6210): 1243089.
Gadea, M. D., Gómez-Loscos, A. y Montañés A. (2012): “Cycles inside cycles: Spanish regional aggregation”, SERIEs Journal of the Spanish Economic Association, 3, pp. 423-456.
Gil, M., Leiva-León, D., Pérez, J. J. y Urtasun, A. (2018), “An application of dynamic factor models to nowcast regional economic activity”, Banco de España, mimeo.
Glaeser, Edward L., Scott Duke Kominers, Michael Luca, y Nakhil Naik. 2016. “Big Data and Big Cities: The Promises and Limitations of Improved Measures of Urban Life.” Economic Inquiry, Early View Article, online July 12.
Hochreiter, Sepp; Schmidhuber, Jürgen (1997). "Long short-term memory". Neural Computation. 9 (8): 1735–1780. doi:10.1162/neco.1997.9.8.1735.
INE (1993) Contabilidad Nacional Trimestral de España (CNTR). Metodología y serie trimestral 1970-1992, Instituto Nacional de Estadística.
Kingma, D. P., & Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.
Kleinberg, J., Ludwig, J., Mullainathan, S., y Obermeyer, Z. (2015): “Prediction policy problems”. American Economic Review, 105(5), 491-95.
Koop, G., S. McIntyre, and J. Mitchell (2018), “UK regional nowcasting using a mixed frequency vector autoregressive model”, Working Papers 1805, University of Strathclyde Business School, Department of Economics.
Lehmann, Robert, y Wohlrabe, Klaus (2014): “Regional economic forecasting: state-of-the-art methodology and future challenges”. Economic and Bussines Letters 3(4), 218–231
Longhi, S., Nijkamp, P., Reggiani, A. and Maierhofer, E. (2005) Neural network modeling as a tool for forecasting regional employment patterns, International Regional Science Review, 28(3), 330-346.
López, A. M. (2016). “El papel de la información económica como generador de conocimiento en el proceso de predicción: comparaciones empíricas del crecimiento del PIB regional”. Estudios de Economía Aplicada, 34, pp. 553-582.
López, A. M. y R. Castro Núñez (2004). “Valoración de la actividad económica regional de España a través de indicadores sintéticos”. Estudios de Economía Aplicada, 22, pp. 631-655.
Mullainathan, S., y Spiess, J. (2017): Machine Learning: An Applied Econometric Approach. Journal of Economic Perspectives , 31 (2), 87-106.
Makridakis S, Spiliotis E, Assimakopoulos V (2018) Statistical and Machine Learning forecasting methods: Concerns and ways forward. PLoS ONE 13(3): e0194889. https://doi.org/10.1371/journal.pone.0194889
McKinney, W. (2010). Data structures for statistical computing in Python. In van der Walt, S., & Millman, J. (Eds.) Proceedings of the 9th Python in science conference (pp. 51–56)
Olah, Chris, (2015): “Understanding LSTM Networks”. http://colah.github.io/posts/2015-08-Understanding-LSTMs/
Patuelli, R., Longhi, S., Nijkamp, P. and Reggiani, A. (2008): “Neural networks and genetic algorithms as forecasting tools: a case study on German regions”, Environment and Planning B: Planning and Design, 35(4), 701-722.
Patuelli, R., Longhi, S., Nijkamp, P., Reggiani, A. and Blien, U. (2007): “A rank-order test on the statistical performance of neural network models for regional labor market forecasts”, The Review of Regional Studies, 37(1), 64-81.
Ramajo, J., M. A. Márquez, and G. J. D. Hewings (2015): “Spatiotemporal Analysis of Regional Systems: A Multiregional Spatial Vector Autoregressive Model for Spain”, International Regional Science Review, 40, pp. 75-96.
Stock, J.H. and M. Watson, (2001): “A Comparison of Linear and Nonlinear Univariate Models for Forecasting Macroeconomic Time Series” en R.F. Engle and H. White, eds., Festschrift in Honour of Clive Granger. Cambridge University Press, 1-44.
Trujillo, F., M. D. Benítez, y P. López (1999): “Indicadores Sintéticos Trimestrales de la Actividad Económica No Agraria en Andalucía”, Revista de Estudios Regionales, 53, pp. 97-128.
Van Der Walt, s., Chris Colbert, S. y Varoquaux, g. (2011) The NumPy array: a structure for efficient numerical computation. Computing in Science and Engineering, Institute of Electrical and Electronics Engineers, 2011, 13 (2), pp.22-30.
Varian, Hal R. 2014. “Big Data: New Tricks for Econometrics.” Journal of Economic Perspectives 28(2): 3–28.
Woloszko, N. (2018): “Economic Modeling & Machine Learning”, OECD. https://techpolicyinstitute.org/wp-content/uploads/2018/02/Woloszko_Macroeconomic-forecasting-with-machine-learning-TPI.pdf
Descargas
Publicado
Número
Sección
Licencia
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
En el momento de aceptar la publicación de sus artículos en Investigaciones Regionales / Journal of Regional Research, los autores acceden a utilizar la licencia Creative Commons CC BY-NC. IIRR/JRR es una revista abierta que permite a los autores retener el máximo control sobre su trabajo. Los autores aceptarán utilizar la licencia Creative Commons Attribution-NonCommercial. Esta licencia permite a cualquier persona copiar y distribuir el artículo con propósitos no comerciales, siempre y cuando se atribuya adecuadamente la atribución del trabajo a la revista y a los autores.
