"Comparación teórica, empírica y predictiva de Modelos de Componentes no Observables y extensiones de la metodología de Young"
Se han propuesto una gran cantidad de metodologías alternativas para la predicción de series temporales univariantes. Esto sucede incluso cuando se restringe el área de interés. En particular los Modelos de Componentes no Observables no son una excepción (MCNO, también conocidos como Structural Models). De aquí surge la dificultad para el usuario de seleccionar qué método va a producir los mejores resultados en términos de sus propios objetivos. La presente tesis analiza y compara diferentes aspectos teóricos y empíricos de un conjunto de métodologías de componentes no observables (algunas ad-hoc; modelos estructurales; métodos de forma reducida; y métodos desarrollados en el dominio de la frecuencia). Se hace un especial énfasis en las hipótesis en las cuales cada método se basa; en las propiedades de los componentes estimados; y en la eficacia predictiva. Para conseguir este fin, todas los métodos han sido aplicados a un número de indicadores económicos de las economías española y americana.
Se han encontrado una serie de ventajas en el método de Young, desde distintos puntos de vista: algunas de las hipótesis sobre las que se asienta el modelo son menos restrictivas (por ejemplo, ciertas condiciones de estacionariedad no son necesarias); los componentes estimados tienden a ser más suaves comparados con otros métodos; la predicción es a menudo superior; y la estimación en el dominio de la frecuencia evita cierto problemas bien conocidos que surgen en la estimación por Máxima Verosimilitud en este tipo de modelos. En particular, la superficie de verosimilitud es a menudo bastante plana cerca del óptimo, y los tiempos de estimación son enormes. Por el contrario, el dominio de la frecuencia permite la estimación rápida de modelos de mayor complejidad (con mayor número de "hiper-parámetros"), y la complejidad en la optimización es mucho menor (esto resulta especialmente ventajoso en series largas y que presentan mezcla de componentes periódicos). La forma específica en la que esta metodología se formaliza permite generalizaciones fáciles y de gran potencia en la formulación de los componentes, haciendo posible el uso de modelos de gran complejidad que proporcionan un comportamiento más flexible de las predicciones, capaces de adaptarse a un rango bastante amplio de situaciones variadas a las que se tienen que enfrentar los analistas de series temporales.
