“Nowcasting” de actividad económica de Chile usando indicadores alta frecuencia
Bibliographic record
Abstract
Este trabajo evalúa el poder predictivo al aplicar Nowcasting sobre IMACEC para \nanticipar el PIB trimestral y anual, y sobre IPMIN, IPMAN e IAC para anticipar el \nValor Agregado trimestral y anual de las actividades de Minería, Industria y Comercio. \nSe analiza el periodo 2018-2020 tanto en frecuencia anual como trimestral. Para realizar \nNowcasting se emplean tres métodos de benchmarking: método Denton proporcional, \nmétodo Cholette-Dagum proporcional con error AR(1), y método basado en regresión \nChow-Lin. Asimismo, se comparan los resultados con dos estimaciones de expectativas \nobtenidas desde la Encuesta de Expectativas Económicas (EEE). Los resultados muestran que el método Chow-Lin alcanza el menor error cuadrático medio (ECM) al usar el \nIMACEC para anticipar PIB trimestral y para anticipar el VA trimestral y anual de las \nactividades de Minería y Comercio. Mientras que el método Cholette-Dagum posee el \nmenor ECM para anticipar el VA trimestral y anual de Industria, y PIB anual. Al comparar con las estimaciones de la EEE se muestra que los resultados de Nowcasting poseen \nun menor ECM, en especial, en el periodo T4-2019 hasta T4-2020. En términos de puntos \nporcentuales, los agentes pueden refinar sus expectativas en aproximadamente 5 y 2 décimas para la primera y segunda estimación de la EEE para todo el periodo considerado. \nMientras que en el periodo T4-2019 hasta T3-2020, se pueden refinar las expectativas en \n5 y 4 décimas respectivamente. Estos resultados muestran que al realizar Nowcasting se \nobtiene una anticipación confiable de la evolución real de actividad económica antes de \nsu publicación. Además, son factibles de utilizar como un instrumento apropiado para \nque los agentes económicos refinen sus expectativas, en particular, considerando periodos \nde alta turbulencia e incertidumbre económica.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".