Open Access2019-07-232019-07-232009 2009 https://repositorioinvestigaciones.bccr.fi.cr/handle/20.500.12506/144Los procesos generadores de series temporales económicas como inflación, desempleo o brecha del producto son potencialmente muy complejos. Esto sin duda dificulta la tarea de su pronóstico y ha hecho que tradicionalmente se opte por especificaciones lineales a la hora de modelar tales procesos. En el documento aplica la técnica de redes neuronales artificiales (RNA) para pronosticar la inflación en Costa Rica capturando potenciales relaciones no lineales entre esta variable y sus determinantes. Se utiliza una innovadora técnica que discrimina sistemáticamente entre diferentes arquitecturas de red para evitar el problema de “sobreentrenamiento”. Los pronósticos obtenidos a partir de este procedimiento de selección sistemática son comparados con aquellos obtenidos al aplicar el método de modelos “densos” y con los extraídos de técnicas lineales tradicionales de estimación econométrica. Las potenciales relaciones complejas y no lineales entre la inflación y sus determinantes de corto plazo en una curva de Phillips aumentada son capturadas con redes neuronales elegidas sistemáticamente. Con el propósito de contrastar el desempeño del método no lineal de RNA con el de métodos lineales, los pronósticos se efectúan para diferentes horizontes y siguiendo un ejercicio de “rolling”. La evidencia señala que las técnicas lineales no superan a las RNA y que, en el caso de la Curva de Phillips y especialmente para horizontes cortos de pronóstico, resultados obtenidos con las redes son estadísticamente superiores. En la mayoría de los casos los modelos “densos” de RNA mostraron un débil desempeño cuando se compararon con los de redes sistemáticamente elegidas.The underlying processes that generate economic series such as inflation, unemployment or output gaps are potentially quite complex. Undoubtedly that makes it very difficult to forecast them and has traditionally bent attention to relatively simple linear approaches when trying to model them. Trying to capture nonlinear relationships among inflation and its determinants, this paper applies Artificial Neural Networks (ANN) to forecast Costa Rican inflation. An innovative technique that systematically discriminates among different networks in order to overcome the problem of “over-fitting” an ANN was applied. Forecasts are compared with those obtained from “thick” models and traditional linear techniques. The potentially complex nonlinear relationships between inflation and its short run determinants in an expectations-augmented Phillips Curve scheme are captured with a systematically chosen ANN. Forecasts at different horizons are computed in a rolling exercise in order to test the hypothesis of a better performance of the nonlinear parameterization. Evidence shows that linear techniques do not outperform ANN and, in the case of a Phillips Curve, networks forecasts statistically improve upon linear approaches especially for short run forecast horizons. In most cases, “thick” modeled ANN’s forecasts showed a weak performance compared with systematically chosen ANNs.25 paginas: gráficas, tablasPDFengAcceso abiertoPronósticosinflaciónredes neuronales.Working PaperAtribucion-NoComercial-CompartirIgual CC BY-NC-SA 4.0info:eu-repo/semantics/openAccessC45-Neural Networks and Related TopicsC53-Forecasting and Prediction Methods|Simulation MethodsE37-Forecasting and Simulation: Models and ApplicationsC45- Redes neuronales y temas relacionadosC53- Predicción y otras aplicaciones de modelosE37- Predicción y simulaciónForecastinginflationneural networksAcceso abierto