Banco Central de Costa RicaCarlos Luis2024-09-192024-09-192024-08-052024-08-05https://repositorioinvestigaciones.bccr.fi.cr/handle/20.500.12506/397Este estudio presenta una metodología para pronosticar la inflación en Costa Rica con el uso de un modelo FAVAR que combina datos de 156 series de tiempo relevantes. Este enfoque consta de dos etapas: primero, se estiman factores estáticos y dinámicos, que luego se incorporan a un modelo VAR junto con la inflación intermensual para proyectar la variación anual del índice de precios al consumidor. Se emplean criterios de selección automática para elegir qué variables incluir en los factores, y determinar la cantidad de factores, rezagos y restricciones en los coeficientes del modelo VAR. Se generan 8 pronósticos de inflación que se combinan utilizando tres promedios: simple, ponderado por el inverso del error cuadrático medio y bayesiano. Los resultados indican que el pronóstico bayesiano es el más preciso para el período entre 2021 y 2023, superando incluso al más preciso de los modelos VAR tradicional que considera solo la inflación e individualmente una de las 156 variables. Esto sugiere que el modelo FAVAR puede integrar de manera efectiva la información de las variables disponibles sin necesidad de conocimiento previo sobre cuáles de ellas son más relevantes.This study presents a methodology for forecasting inflation in Costa Rica using a FAVAR model that combines data from 156 relevant time series. This approach consists of two stages: first, static and dynamic factors are estimated, which are then incorporated into a VAR model along with monthly inflation to project the annual variation of the Consumer Price Index. Automatic selection criteria are employed to choose which variables to include in the factors and to determine the number of factors, lags, and restrictions on the coefficients of the VAR model. Eight inflation forecasts are generated and combined using three averages: simple, inverse mean squared error weighted, and Bayesian. The results indicate that the Bayesian forecast is the most accurate for the period between 2021 and 2023, outperforming even the most accurate of traditional VAR models that consider only inflation and individually any of the 156 variables. This suggests that the FAVAR model can effectively integrate information from available variables without requiring prior knowledge of which ones are most relevant.36 páginas: cuadros y gráficas.application/pdfesAttribution-NonCommercial-ShareAlike 3.0 United StatesInflaciónPronósticoFactores DinámicosFAVAR.Working PaperOpen AccessC38 - Classification Methods; Cluster Analysis; Principal Components; Factor AnalysisC55 - Large Data Sets: Modeling and AnalysisE31 - Price Level; Inflation; DeflationE37 - Prices, Business Fluctuations, and Cycles: Forecasting and Simulation: Models and ApplicationC38 - Métodos de clasificación; Análisis cluster; Análisis de componentes principales; Análisis factorialC55 - Grandes conjuntos de datos: modelización y análisisE31 - Nivel de precios; Inflación; DeflaciónE37 - Precios, fluctuaciones y ciclos económicos: Predicción y simulación; Modelos y aplicaciónInflationForecastingDynamic FactoresFAVARAcceso abierto