Series de Tiempo como Instrumento Metodológico para la Medición de Procesos Económicos en Puerto Rico
DOI:
https://doi.org/10.70577/asce.v5i3.1076Palabras clave:
econometría; análisis económico; modelos económicos; investigación económica; política fiscal; Puerto Rico; inteligencia artificial.Resumen
Las series de tiempo constituyen una herramienta estadística y econométrica de alta relevancia para la medición, el análisis y la proyección de los procesos económicos en territorios con características estructurales particulares, como Puerto Rico. Sin embargo, la literatura académica que aplica estos modelos al caso puertorriqueño específico es todavía escasa y dispersa, y rara vez articula los hallazgos de fuentes oficiales y de investigación cuasi-experimental con el aparato formal de los modelos clásicos de series de tiempo. Ante ese vacío, este artículo se propuso examinar críticamente el estado del arte de los modelos ARIMA, VAR, de cointegración y ARCH/GARCH aplicados a indicadores macroeconómicos de Puerto Rico, así como su complementariedad con los enfoques contemporáneos de aprendizaje automático. Se realizó una revisión narrativa de la literatura especializada y de los informes técnicos oficiales publicados entre 1970 y 2026, organizada en torno a tres objetivos específicos: la sistematización de los fundamentos teóricos de los modelos, la identificación del estado del arte aplicado al contexto puertorriqueño y la formulación de una agenda de investigación futura. Los resultados muestran que los estudios disponibles sobre la actividad económica, la deuda pública y el impacto de los huracanes en Puerto Rico documentan rupturas estructurales severas y efectos económicos persistentes, mientras que la evidencia metodológica reciente sugiere que los modelos híbridos que combinan econometría clásica y aprendizaje automático mejoran la capacidad predictiva frente a los choques exógenos. Se concluye que el fortalecimiento de la base empírica puertorriqueña en este campo requiere mayor disponibilidad de datos de alta frecuencia, la incorporación sistemática de variables de intervención y una agenda de investigación que combine fuentes administrativas no convencionales con modelos bayesianos y de aprendizaje profundo.
Descargas
Citas
Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6), 716–723. https://doi.org/10.1109/TAC.1974.1100705 DOI: https://doi.org/10.1109/TAC.1974.1100705
Albalate, D., & Padró-Rosario, G. (2018). The economic cost of a hurricane: A case study of Puerto Rico and Hurricane Georges 1998 using synthetic control method (IREA Working Papers 2018/27). Universitat de Barcelona.
Babii, A., Ghysels, E., & Striaukas, J. (2024). Econometrics of machine learning methods in economic forecasting. En M. P. Clements & A. B. Galvão (Eds.), Handbook of research methods and applications in macroeconomic forecasting (pp. 246–273). Edward Elgar Publishing. DOI: https://doi.org/10.4337/9781035310050.00014
Bai, J., & Perron, P. (1998). Estimating and testing linear models with multiple structural changes. Econometrica, 66(1), 47–78. https://doi.org/10.2307/2998540 DOI: https://doi.org/10.2307/2998540
Bai, J., & Perron, P. (2003). Computation and analysis of multiple structural change models. Journal of Applied Econometrics, 18(1), 1–22. https://doi.org/10.1002/jae.659 DOI: https://doi.org/10.1002/jae.659
Bollerslev, T. (1986). Generalized autoregressive conditional heteroscedasticity. Journal of Econometrics, 31(3), 307–327. https://doi.org/10.1016/0304-4076(86)90063-1 DOI: https://doi.org/10.1016/0304-4076(86)90063-1
Box, G. E. P., & Jenkins, G. M. (1970). Time series analysis: Forecasting and control. Holden-Day.
Brockwell, P. J., & Davis, R. A. (2016). Introduction to time series and forecasting (3.ª ed.). Springer. https://doi.org/10.1007/978-3-319-29854-2 DOI: https://doi.org/10.1007/978-3-319-29854-2
Chow, G. C. (1960). Tests of equality between sets of coefficients in two linear regressions. Econometrica, 28(3), 591–605. https://doi.org/10.2307/1910133 DOI: https://doi.org/10.2307/1910133
Dickey, D. A., & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, 74(366), 427–431. https://doi.org/10.2307/2286348 DOI: https://doi.org/10.1080/01621459.1979.10482531
Enders, W. (2015). Applied econometric time series (4.ª ed.). Wiley.
Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50(4), 987–1007. https://doi.org/10.2307/1912773 DOI: https://doi.org/10.2307/1912773
Engle, R. F., & Granger, C. W. J. (1987). Co-integration and error correction: Representation, estimation, and testing. Econometrica, 55(2), 251–276. https://doi.org/10.2307/1913236 DOI: https://doi.org/10.2307/1913236
Federal Reserve Bank of New York. (2014). An update on the competitiveness of Puerto Rico's economy. https://www.newyorkfed.org/outreach-and-education/puerto-rico/2014/report-main.html
Hamilton, J. D. (1989). A new approach to the economic analysis of nonstationary time series and the business cycle. Econometrica, 57(2), 357–384. https://doi.org/10.2307/1912559 DOI: https://doi.org/10.2307/1912559
Hamilton, J. D. (1994). Time series analysis. Princeton University Press. DOI: https://doi.org/10.1515/9780691218632
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735 DOI: https://doi.org/10.1162/neco.1997.9.8.1735
Jarque, C. M., & Bera, A. K. (1980). Efficient tests for normality, homoscedasticity and serial independence of regression residuals. Economics Letters, 6(3), 255–259. https://doi.org/10.1016/0165-1765(80)90024-5 DOI: https://doi.org/10.1016/0165-1765(80)90024-5
Johansen, S. (1988). Statistical analysis of cointegration vectors. Journal of Economic Dynamics and Control, 12(2–3), 231–254. https://doi.org/10.1016/0165-1889(88)90041-3 DOI: https://doi.org/10.1016/0165-1889(88)90041-3
Junta de Planificación de Puerto Rico. (2022). Informe económico al gobernador 2021. Gobierno de Puerto Rico.
Koopman, S. J., Harvey, A. C., Doornik, J. A., & Shephard, N. (2012). STAMP 8.3: Structural time series analyser, modeller and predictor. Timberlake Consultants Press.
Kwiatkowski, D., Phillips, P. C. B., Schmidt, P., & Shin, Y. (1992). Testing the null hypothesis of stationarity against the alternative of a unit root. Journal of Econometrics, 54(1–3), 159–178. https://doi.org/10.1016/0304-4076(92)90104-Y DOI: https://doi.org/10.1016/0304-4076(92)90104-Y
Ljung, G. M., & Box, G. E. P. (1978). On a measure of lack of fit in time series models. Biometrika, 65(2), 297–303. https://doi.org/10.1093/biomet/65.2.297 DOI: https://doi.org/10.1093/biomet/65.2.297
Lütkepohl, H. (2005). New introduction to multiple time series analysis. Springer. https://doi.org/10.1007/978-3-540-27752-1 DOI: https://doi.org/10.1007/978-3-540-27752-1
Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2018). Statistical and machine learning forecasting methods: Concerns and ways forward. PLOS ONE, 13(3), Artículo e0194889. https://doi.org/10.1371/journal.pone.0194889 DOI: https://doi.org/10.1371/journal.pone.0194889
Masini, R. P., Medeiros, M. C., & Mendes, E. F. (2023). Machine learning advances for time series forecasting. Journal of Economic Surveys, 37(1), 76–111. https://doi.org/10.1111/joes.12429 DOI: https://doi.org/10.1111/joes.12429
Medeiros, M. C., Vasconcelos, G. F. R., Veiga, A., & Zilberman, E. (2021). Forecasting inflation in a data-rich environment: The benefits of machine learning methods. Journal of Business & Economic Statistics, 39(1), 98–119. https://doi.org/10.1080/07350015.2019.1637745 DOI: https://doi.org/10.1080/07350015.2019.1637745
Peri, G., Rury, D., & Wiltshire, J. C. (2020). The economic impact of migrants from Hurricane Maria (NBER Working Paper No. 27718). National Bureau of Economic Research. https://doi.org/10.3386/w27718 DOI: https://doi.org/10.3386/w27718
Phillips, P. C. B., & Perron, P. (1988). Testing for a unit root in time series regression. Biometrika, 75(2), 335–346. https://doi.org/10.1093/biomet/75.2.335 DOI: https://doi.org/10.1093/biomet/75.2.335
Ribeiro, M. H. D. M., da Silva, R. G., Mariani, V. C., & dos Santos Coelho, L. (2020). Short-term forecasting COVID-19 cumulative confirmed cases: Perspectives for Brazil. Chaos, Solitons & Fractals, 135, Artículo 109853. https://doi.org/10.1016/j.chaos.2020.109853 DOI: https://doi.org/10.1016/j.chaos.2020.109853
Said, S. E., & Dickey, D. A. (1984). Testing for unit roots in autoregressive-moving average models of unknown order. Biometrika, 71(3), 599–607. https://doi.org/10.1093/biomet/71.3.599 DOI: https://doi.org/10.1093/biomet/71.3.599
Schwarz, G. (1978). Estimating the dimension of a model. Annals of Statistics, 6(2), 461–464. https://doi.org/10.1214/aos/1176344136 DOI: https://doi.org/10.1214/aos/1176344136
Sims, C. A. (1980). Macroeconomics and reality. Econometrica, 48(1), 1–48. https://doi.org/10.2307/1912017 DOI: https://doi.org/10.2307/1912017
Stock, J. H., & Watson, M. W. (2002). Forecasting using principal components from a large number of predictors. Journal of the American Statistical Association, 97(460), 1167–1179. https://doi.org/10.1198/016214502388618960 DOI: https://doi.org/10.1198/016214502388618960
U.S. Government Accountability Office. (2025). Puerto Rico: Fiscal conditions have improved but risks remain (GAO-25-108629). https://www.gao.gov/products/gao-25-108629
Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159–175. https://doi.org/10.1016/S0925-2312(01)00702-0 DOI: https://doi.org/10.1016/S0925-2312(01)00702-0
Zivot, E., & Andrews, D. W. K. (1992). Further evidence on the great crash, the oil-price shock, and the unit-root hypothesis. Journal of Business & Economic Statistics, 10(3), 251–270. https://doi.org/10.2307/1391541 DOI: https://doi.org/10.1080/07350015.1992.10509904
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Edwin Rivera Rivera
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Eres libre de:
- Compartir : copiar y redistribuir el material en cualquier medio o formato
- Adaptar : remezclar, transformar y desarrollar el material
- El licenciante no puede revocar estas libertades siempre y cuando usted cumpla con los términos de la licencia.
En los siguientes términos:
- Atribución : Debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o a su uso.
- No comercial : no puede utilizar el material con fines comerciales .
- CompartirIgual — Si remezcla, transforma o construye sobre el material, debe distribuir sus contribuciones bajo la misma licencia que el original.
- Sin restricciones adicionales : no puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otros hacer algo que la licencia permite.
