RealTimeTracker | jun’24

Desarrollado por Manuel Hidalgo. Texto & gráficos: Jorge Galindo, Javier Martínez. A partir de estos datos, realizamos un análisis de coyuntura en la publicación MacroInsights que elaboramos junto a EY Insights.

 

Estimamos que el PIB del 2o trimestre de 2024 cerrará con un crecimiento del +0,4% al +0,5% (0,78%) respecto al trimestre anterior. Esta estimación se ha moderado durante las últimas semanas, pero probablemente acabe más cerca de 0,5 que de 0,4.

 

Escenario central: crecimiento y aceleración. Le asignamos un 68% de probabilidad a este escenario de crecimiento inferior al del trimestre anterior, que acabó en +0,7%.

 


 

Los factores que están determinando nuestra última estimación son industria+construcción, cuyo último dato mostró un comportamiento mejor al esperado por nuestro modelo en su estimación inmediatamente anterior, realizada a inicios de febrero. El perfil acumulado de servicios es en cualquier caso negativo respecto a las expectativas en enero.


 

De manera muy preliminar, el modelo pronostica un crecimiento más moderado para el 3er trimestre de 2024. Observando el año entero, nuestra previsión de evolución del PIB para todo 2024 es de un crecimiento acumulado de alrededor del 2,3% respecto a 2023, similar al crecimiento registrado el año pasado.

 


Qué es. Nuestro RealTimeTracker parte de un modelo dinámico factorial de carácter experimental de nowcasting destinado a estimar en tiempo real el crecimiento de la economía española: el aumento o disminución del PIB del trimestre o del año en curso en comparación con el anterior.

Cómo funciona. El modelo trabaja a partir de 20+ indicadores, corregidos de estacionalidad y efecto calendario. El modelo genera un priorsobre el valor que tomará cada uno de estos indicadores hasta que el nuevo indicador es conocido, incorporándolo. Lo actualizamos periódicamente alimentado con nuevos datos y pronósticos.


Metodología detallada. Este pronóstico se basa en la elaboración y estimación de un modelo dinámico factorial, que incorpora 20+ indicadores económicos de España y el ámbito internacional. Estos indicadores, ajustados por estacionalidad y efectos del calendario, se clasifican en diarios, mensuales y trimestrales. Los diarios se convierten a formato mensual mediante el cálculo de su media, mientras que los trimestrales se integran directamente en el modelo. Este está diseñado para trabajar con indicadores en dos dimensiones temporales (mensual y trimestral) y genera resultados mensuales, tanto retrospectivos como proyectados.

El indicador principal, el Producto Interior Bruto (PIB), se introduce en el modelo en términos trimestrales y, como se detallará, puede analizarse mensualmente. Los datos trimestrales presentados son el promedio de los obtenidos cada mes dentro del trimestre. El análisis de sorpresas en los indicadores, que afectan la estimación del crecimiento del PIB (nowcasting), se realiza examinando la nueva información que se va incorporando al modelo desde el inicio de cada trimestre.

En cuanto a la estimación, y considerando la gran cantidad de parámetros en modelos como este, se utiliza el algoritmo EM para una estimación óptima en un tiempo razonable, como se explica en Banbura y Modugno (2014). El modelo, por lo tanto, puede manejar conjuntos de datos con cientos de variables observadas.

La estimación anual se realiza mediante la proyección del modelo para el conjunto de los trimestres del año correspondiente. Una vez realizada esta proyección se calcula el crecimiento medio del año respecto a su inmediato anterior.

Para los indicadores, el modelo emplea dos estrategias para manejar datos de frecuencia mixta. Si el modelo de factores básicos se especifica mensualmente, la tasa de crecimiento trimestral de indicadores menos frecuentes (trimestrales) se asigna al tercer mes de cada trimestre. La mensualización se logra mediante un promedio ponderado de las tasas de crecimiento mensuales no observadas, utilizando una forma de espacio de estados para modelar explícitamente las tasas de crecimiento trimestrales en términos mensuales (Banbura et al, 2011).

Finalmente, la estimación de las probabilidades de contracción del PIB se basa en la probabilidad condicionada de una caída en los próximos tres meses a partir del mes actual de estimación. Esta estimación utiliza la metodología de "Modelos de Cambio" desarrollada por Hamilton (2005).


Bańbura y Modugno (2014): “Maximum likelihood estimation of factor models on datasets with arbitrary pattern of missing data.” Journal of Applied Econometrics 29, no. 1 (2014): 133-160.

Bańbura et al. (2011): “Nowcasting” (Working paper)

Hamilton, J.D. (2010). Regime switching models. In: Durlauf, S.N., Blume, L.E. (eds) Macroeconometrics and Time Series Analysis. The New Palgrave Economics Collection. Palgrave Macmillan, London.

Mariano y Yasutomo (2010): “A coincident index, common factors, and monthly real GDP.” Oxford Bulletin of Economics and Statistics 72, no. 1 (2010): 27-46.