Resumen: Predecir el comportamiento de variables económicas es una actividad importante para la toma de decisiones. En el caso
de la conducción de la política fiscal y monetaria, casi todas las variables económicas a predecir tienen un alto nivel de persistencia cuya modelación está sujeta a mayores niveles de incertidumbre paramétrica. Bajo este contexto y apelando a que esta incertidumbre es mayor a la incertidumbre funcional, se ha analizado la utilidad de suponer persistencia infinita imponiendo raíces unitarias al modelamiento de variables económicas relevantes. Sin embargo, este análisis ha quedado limitado a series donde la alta persistencia se encuentra en el componente regular o estacional.
En este trabajo se compara la capacidad predictiva al imponer una raíz unitaria en alguno o en ambos componentes. Para ello, mediante simulaciones se compara la calidad de sus predicciones relativas a las del modelo estimado libremente, bajo un escenario de certidumbre funcional y alto nivel de persistencia paramétrica. Los resultados muestran que, en un contexto de muestra pequeña y en los horizontes más inmediatos la imposición de cualquier raíz unitaria resulta más beneficiosa que la predicción proveniente de un modelo libre. Al utilizar una muestra intermedia, nuevamente la imposición de una raíz unitaria resulta beneficiosa con los máximos valores. En la medida que se agrega un mayor número de datos mejora la estimación del modelo libre, pero para predecir al largo plazo con series de alta persistencia aún es beneficiosa la imposición de una raíz unitaria en el componente estacional. Al incorporar incertidumbre funcional, a
través de la prueba de Giacomini-White (2006) los resultados permiten concluir que es siempre recomendable realizar el ejercicio imponiendo una raíz unitaria en un componente y luego en el otro. Esto debido a que, dado que la estimación con muestra finita del modelo SARMA estará sujeta a su vez a incertidumbre paramétrica, dificultando la identificación de los parámetros poblacionales.
Finalmente, al comparar el comportamiento predictivo de las imposiciones que entregan la mayor precisión y los modelos de referencia que se utilizan para este tipo de series, el resultado es favorable respecto a los modelos AR(12), S-ES, D-ES, pero con respecto a los modelos Holt-Winters, la precisión de estas es equivalente en el corto plazo e inferior en el largo plazo. Sin embargo, las especificaciones sobre las cuales se impusieron estas raíces son las más parsimoniosas posibles para la realización de este tipo de análisis sobre modelos SARMA.