se ha leído el artículo
array:20 [ "pii" => "X0120448313690104" "issn" => "01204483" "estado" => "S300" "fechaPublicacion" => "2013-12-01" "documento" => "article" "crossmark" => 0 "licencia" => "http://www.elsevier.com/open-access/userlicense/1.0/" "subdocumento" => "fla" "cita" => "Ensayos sobre Política Económica. 2013;31:74-82" "abierto" => array:3 [ "ES" => true "ES2" => true "LATM" => true ] "gratuito" => true "lecturas" => array:2 [ "total" => 2022 "formatos" => array:3 [ "EPUB" => 35 "HTML" => 1507 "PDF" => 480 ] ] "itemSiguiente" => array:16 [ "pii" => "X0120448313690112" "issn" => "01204483" "estado" => "S300" "fechaPublicacion" => "2013-12-01" "documento" => "article" "crossmark" => 0 "licencia" => "http://www.elsevier.com/open-access/userlicense/1.0/" "subdocumento" => "fla" "cita" => "Ensayos sobre Política Económica. 2013;31:83-6" "abierto" => array:3 [ "ES" => true "ES2" => true "LATM" => true ] "gratuito" => true "lecturas" => array:2 [ "total" => 1131 "formatos" => array:3 [ "EPUB" => 29 "HTML" => 653 "PDF" => 449 ] ] "es" => array:8 [ "idiomaDefecto" => true "titulo" => "Índice de títulos 2013" "tienePdf" => "es" "tieneTextoCompleto" => "es" "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "83" "paginaFinal" => "86" ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Title's Index" ] ] "contieneTextoCompleto" => array:1 [ "es" => true ] "contienePdf" => array:1 [ "es" => true ] ] "idiomaDefecto" => "es" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/X0120448313690112?idApp=UINPBA00004N" "url" => "/01204483/0000003100000072/v0_201407151111/X0120448313690112/v0_201407151335/es/main.assets" ] "itemAnterior" => array:16 [ "pii" => "X012044831369009X" "issn" => "01204483" "estado" => "S300" "fechaPublicacion" => "2013-12-01" "documento" => "article" "crossmark" => 0 "licencia" => "http://www.elsevier.com/open-access/userlicense/1.0/" "subdocumento" => "fla" "cita" => "Ensayos sobre Política Económica. 2013;31:67-73" "abierto" => array:3 [ "ES" => true "ES2" => true "LATM" => true ] "gratuito" => true "lecturas" => array:2 [ "total" => 2635 "formatos" => array:3 [ "EPUB" => 59 "HTML" => 1700 "PDF" => 876 ] ] "en" => array:12 [ "idiomaDefecto" => true "titulo" => "Global risk appetite and EMBI-Colombia: evidence on a structural break and the fiscal policy role <span class="elsevierStyleSup">*</span>" "tienePdf" => "en" "tieneTextoCompleto" => "en" "tieneResumen" => array:2 [ 0 => "es" 1 => "en" ] "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "67" "paginaFinal" => "73" ] ] "titulosAlternativos" => array:1 [ "es" => array:1 [ "titulo" => "Apetito de riesgo global y EMBI de Colombia: evidencias sobre el cambio estructural y el papel de la política fiscal" ] ] "contieneResumen" => array:2 [ "es" => true "en" => true ] "contieneTextoCompleto" => array:1 [ "en" => true ] "contienePdf" => array:1 [ "en" => true ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:6 [ "identificador" => "fig1" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269009fig1.jpg" "Alto" => 104 "Ancho" => 1091 "Tamanyo" => 14878 ] ] ] ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "Juan Manuel Julio, Ignacio Lozano, Ligia Alba Melo" "autores" => array:3 [ 0 => array:2 [ "nombre" => "Juan Manuel" "apellidos" => "Julio" ] 1 => array:2 [ "nombre" => "Ignacio" "apellidos" => "Lozano" ] 2 => array:2 [ "nombre" => "Ligia Alba" "apellidos" => "Melo" ] ] ] ] ] "idiomaDefecto" => "en" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/X012044831369009X?idApp=UINPBA00004N" "url" => "/01204483/0000003100000072/v0_201407151111/X012044831369009X/v0_201407151306/en/main.assets" ] "es" => array:14 [ "idiomaDefecto" => true "titulo" => "Combinación de brechas del producto colombiano <span class="elsevierStyleSup">*</span>" "tieneTextoCompleto" => true "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "74" "paginaFinal" => "82" ] ] "autores" => array:1 [ 0 => array:3 [ "autoresLista" => "Paulo M. Sánchez, Luis F. Melo Velandia" "autores" => array:2 [ 0 => array:3 [ "nombre" => "Paulo M." "apellidos" => "Sánchez" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">a</span>" "identificador" => "affa" ] ] ] 1 => array:3 [ "nombre" => "Luis F." "apellidos" => "Melo Velandia" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">b</span>" "identificador" => "affb" ] ] ] ] "afiliaciones" => array:2 [ 0 => array:3 [ "entidad" => "Asistente de investigación, Unidad de Econometría del Banco de la República " "etiqueta" => "<span class="elsevierStyleSup">a</span>" "identificador" => "affa" ] 1 => array:3 [ "entidad" => "Econometrista principal, Unidad de Econometría del Banco de la República " "etiqueta" => "<span class="elsevierStyleSup">b</span>" "identificador" => "affb" ] ] ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Colombian product gap combinations" ] ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:6 [ "identificador" => "fig1" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig1.jpg" "Alto" => 81 "Ancho" => 682 "Tamanyo" => 10257 ] ] ] ] "textoCompleto" => "<p class="elsevierStylePara"><span class="elsevierStyleBold">1. Introducción </span></p><p class="elsevierStylePara">La formulación de la política monetaria exige tener información adecuada acerca del estado de la economía, en particular, sobre la brecha del producto. Adicionalmente, se debe tener en cuenta que esta variable no es observable y que aun contando con diferentes estimaciones de la misma, estas nunca podrán ser contrastadas con valores observados. Esto genera un costo adicional para los encargados de la política económica puesto que tiene asociado un mayor grado de incertidumbre en la toma de decisiones.</p><p class="elsevierStylePara">Dada la característica de no observabilidad y las múltiples metodologías de estimación de la brecha, una pregunta relevante es cómo se pueden combinar dichas estimaciones para obtener una sola que contenga la información de todas las estimaciones consideradas. Es importante notar que este documento se centra en el análisis de los pronósticos de la brecha, ya que estos tienen mayor relevancia para la toma de decisiones. Adicionalmente, no se consideran los pronósticos puntuales, sino los de densidad, los cuales proveen mayor información puesto que a través de estos se puede obtener una descripción completa de la incertidumbre asociada a dichos pronósticos (Hall y Mitchell [2007] y Tay y Wallis [2000]).</p><p class="elsevierStylePara">Los pronósticos de densidad de la brecha del producto permiten la construcción de gráficos de concentración de la masa de probabilidad de la brecha combinada, a la vez que el cálculo de la pro babilidad de que esta sea negativa a lo largo de un período particular. Estos elementos ayudan a entender la dinámica pasada y futura de la brecha, lo cual es útil para definir el direccionamiento de la política monetaria.</p><p class="elsevierStylePara">Diferentes estudios muestran que la combinación de pronósticos de densidad brinda mayor información y mejor desempeño que las densidades individuales de pronóstico. McDonald y Anders (2011) encuentran que combinar densidades de pronóstico del producto interior bruto y la tasa de cambio en Nueva Zelanda tiene un mejor desempeño comparado con las densidades de pronóstico individuales para las mismas variables. Este mismo resultado es obtenido por Hall y Mitchell (2007) al combinar los pronósticos de densidad de inflación del Banco Central de Inglaterra y el National Institute of Economic and Social Research y compararlos con los pronósticos individuales.</p><p class="elsevierStylePara">Este trabajo se compone de 4 secciones, siendo la primera esta introducción. En la segunda se presenta la metodología que se debe utilizar para la combinación y obtención de los pronósticos de densidad. La tercera sección muestra la aplicación para las series de la brecha del producto colombiano. Finalmente, en la cuarta se presentan las conclusiones.</p><p class="elsevierStylePara"><span class="elsevierStyleBold">2. Metodología </span></p><p class="elsevierStylePara"><span class="elsevierStyleItalic"><span class="elsevierStyleBold">2.1. Modelo </span></span></p><p class="elsevierStylePara">Los métodos de combinación de densidades de pronóstico suponen que se tiene información sobre el pronóstico y el error de pronóstico<span class="elsevierStyleSup">1</span>.Sin embargo, para una serie no observable como la brecha del producto, no se tiene lo segundo. Para evitar este inconveniente, Garratt, Mitchell y Vahey (2009) y Orphanides y van Norden (2002) proponen utilizar el siguiente modelo que relaciona la brecha con una variable observada, en nuestro caso, la brecha inflacionaria<span class="elsevierStyleSup">2</span>:</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig2.jpg"></img></p><p class="elsevierStylePara"><img src="387v31n72-90269010fig3.jpg"></img></p><p class="elsevierStylePara">Donde</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig35.jpg"></img></p><p class="elsevierStylePara">denota la brecha entre inflación (<span class="elsevierStyleItalic">π<span class="elsevierStyleInf">t</span></span>) y la meta fijada por el Banco de la República</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig36.jpg"></img></p><p class="elsevierStylePara">denota las diferentes medidas de la brecha del producto, <span class="elsevierStyleItalic">h</span> el horizonte de pronóstico y <span class="elsevierStyleItalic">j</span> = 1,2, ... , <span class="elsevierStyleItalic">N</span> indica el método utilizado para extraer la brecha del producto. En conjunto, las ecuaciones (1) y (2) conforman un modelo vectorial autorregresivo (VAR), el cual facilita el cálculo de las densidades de pronóstico.<span class="elsevierStyleSup">3</span></p><p class="elsevierStylePara">Nótese que la anterior representación implica que para cada brecha del producto en consideración hay un modelo VAR diferente; en particular, el número de rezagos puede variar. Cada modelo VAR es utilizado para pronosticar <span class="elsevierStyleItalic">h</span> pasos adelante tanto la brecha de inflación como la del producto, y para calcular las varianzas de los errores de pronóstico generados.</p><p class="elsevierStylePara">Una vez estimado el modelo VAR descrito en las ecuaciones (1) y (2), se construyen los ponderadores para calcular la combinación de las brechas del producto a partir de las funciones de densidad de pronóstico de la brecha de inflación. Este procedimiento se describe en detalle en las secciones posteriores.</p><p class="elsevierStylePara"><span class="elsevierStyleItalic"><span class="elsevierStyleBold">2.2. Combinación y ponderación </span></span></p><p class="elsevierStylePara">Dados los <span class="elsevierStyleItalic">N</span> modelos VAR indicados en (1) y (2) y sus respectivas densidades de pronóstico, la densidad combinada se calcula por medio de una combinación lineal convexa<span class="elsevierStyleSup">4</span> definida de la siguiente forma:</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig4.jpg"></img></p><p class="elsevierStylePara">Donde</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig8.jpg"></img></p><p class="elsevierStylePara">es la densidad de pronóstico <span class="elsevierStyleItalic">h</span>-pasos adelante del modelo <span class="elsevierStyleItalic">j</span> de la brecha del producto, yτ denota el período de evaluación.</p><p class="elsevierStylePara">De manera análoga para las densidades de pronóstico de la brecha de inflación, podemos definir la combinación lineal como:</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig6.jpg"></img></p><p class="elsevierStylePara">Donde</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig9.jpg"></img></p><p class="elsevierStylePara">son los pronósticos de la brecha de inflación <span class="elsevierStyleItalic">h</span> pasos adelante, obtenidos a partir de una representación VAR en la que se ha utilizado la serie de la brecha del producto.</p><p class="elsevierStylePara">El anterior esquema de combinación, basado en el trabajo pionero de Stone (1961)<span class="elsevierStyleSup">5</span>, presenta la característica de que aunque se combinen densidades de pronóstico gausianas, la densidad combinada no necesariamente es normal y puede ser multimodal, Kascha y Ravazzolo (2010).</p><p class="elsevierStylePara">Dentro de este tipo de esquemas, la densidad combinada es determinada por los ponderadores <span class="elsevierStyleItalic">w<span class="elsevierStyleInf">j,</span></span><span class="elsevierStyleInf">τ,h</span>. Siguiendo trabajos como los de Bache, Jore, y Mitchell (2001); Jore, Mitchell y Vahey (2010); Garratt et al. (2009) y Garratt, Mitchell Y Vahey (2011), una alternativa usual en la literatura es suponer que las ponderaciones están basadas en el esquema de ponderación logarítmico (o recursivo logarítmico), el cual se deriva de una perspectiva bayesiana emulando el concepto de <span class="elsevierStyleItalic">Bayesian Model Averaging</span> y, en particular, de las probabilidades a posteriori de los modelos que se han de combinar<span class="elsevierStyleSup">6</span>:</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig7.jpg"></img></p><p class="elsevierStylePara">Donde <span class="elsevierStyleItalic">k</span> representa un período a través del cual se inicializan los ponderadores y</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig39.jpg"></img></p><p class="elsevierStylePara">es el logaritmo de la función de densidad evaluada en</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig40.jpg"></img></p><p class="elsevierStylePara">El logaritmo de la función de densidad evaluada en el valor observado de la variable se conoce en la literatura como puntuación logarítmica y, en general, brinda valores numéricos a través de los cuales se puede evaluar la calidad de un pronóstico de densidad, Gneiting y Raftery (2007). En particular, la puntuación logarítmica ofrece ventajas conceptuales y eventualmente puede facilitar la comparación entre diferentes densidades de pronóstico.</p><p class="elsevierStylePara">Garratt et al. (2009) comentan que el uso del esquema de ponderación basado en las puntuaciones logarítmicas es apropiado puesto que asigna una alta puntuación a un pronóstico de densidad asociado a probabilidades altas de los valores observados. Sin embargo, por la naturaleza de las puntuaciones logarítmicas, las ponderaciones podrían llegar a tener comportamientos extremos y ser sensibles a valores atípicos.</p><p class="elsevierStylePara">De manera alternativa al esquema de ponderación logarítmico, en la literatura se ha identificado el uso de otros esquemas diferentes. Por ejemplo, el esquema de ponderación basado en puntuaciones de rango de probabilidad continuo (CRPS, en inglés <span class="elsevierStyleItalic">continuous ranked probability score</span>), donde los ponderadores están dados por<span class="elsevierStyleSup">7</span>:</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig11.jpg"></img></p><p class="elsevierStylePara">El esquema de combinación CRPS, desarrollado en Bjorland, Gerdrup, Jore y Smith (2011), utiliza puntuaciones con rango de probabilidad continuo en lugar de puntuaciones logarítmicas. Estas puntuaciones son menos extremas ante la presencia de datos atípicos.</p><p class="elsevierStylePara">Otro método de ponderación se basa en los errores cuadráticos medios, (Kascha y Ravazzolo, 2010). En esta metodología, los ponderadores para la densidad <span class="elsevierStyleItalic">j</span> en el horizonte <span class="elsevierStyleItalic">h</span> y el período τ están dados por:</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig12.jpg"></img></p><p class="elsevierStylePara">Garratt et al. (2009) y Garratt et al. (2011) proponen calcular las ponderaciones <span class="elsevierStyleItalic">w<span class="elsevierStyleInf">j,</span></span><span class="elsevierStyleInf">τ,h </span>utilizando el método de ponderación logarítmico sobre las densidades de pronóstico de la brecha de inflación y, posteriormente, utilizar estos ponderadores en la combinación de las densidades de la brecha del producto.</p><p class="elsevierStylePara"><span class="elsevierStyleItalic"><span class="elsevierStyleBold">2.3. Evaluación de las densidades de pronóstico </span></span></p><p class="elsevierStylePara">La evaluación de las densidades de pronóstico se puede realizar por medio de diversos métodos. Como primer paso, se debe verificar si las densidades están correctamente especificadas (Berkowitz, 2001 y Diebold, Gunther y Tay, 1998).</p><p class="elsevierStylePara">Las pruebas utilizadas para verificar si las densidades están especificadas de forma correcta se fundamentan en el concepto de la transformación integral de probabilidad (PIT en inglés probability integral transform), la cual está definida de la siguiente forma:</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig13.jpg"></img></p><p class="elsevierStylePara">Donde <span class="elsevierStyleItalic">g<span class="elsevierStyleInf">h</span></span> (u) es la función de densidad de pronóstico para horizonte <span class="elsevierStyleItalic">h</span> y<img src="387v31n72-90269010fig42.jpg"></img>es la brecha de inflación en el período τ. Se considera que una densidad de pronóstico está correctamente especificada si la serie <span class="elsevierStyleItalic">z</span><span class="elsevierStyleInf">τ,h </span>se distribuye uniforme en el intervalo [0,1] y si para los pronósticos, un paso adelante es <span class="elsevierStyleItalic">i.i.d,</span> Diebold et al. (1998).</p><p class="elsevierStylePara">Otra prueba de evaluación sugerida en Mitchell y Hall (2005), Bao, Lee, y Saltouglu (2007) y Amisano y Giacomini (2007) se basa en la pseudodistancia<span class="elsevierStyleSup">8</span> o medida de divergencia Kullback-Leibler, la cual compara 2 densidades de la siguiente forma:</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig14.jpg"></img></p><p class="elsevierStylePara">Siendo <span class="elsevierStyleItalic">g</span><span class="elsevierStyleInf">1</span>=<span class="elsevierStyleItalic">g</span><span class="elsevierStyleInf">1</span>(χ<span class="elsevierStyleInf">t</span>) y <span class="elsevierStyleItalic">g</span><span class="elsevierStyleInf">2</span>=<span class="elsevierStyleItalic">g</span><span class="elsevierStyleInf">2</span>(χ<span class="elsevierStyleInf">t</span>) funciones de densidad de pronóstico continuas, y <span class="elsevierStyleItalic">E</span> el valor esperado.</p><p class="elsevierStylePara">El análisis de las estadísticas de la medida de divergencia Kull-back-Leibler con respecto a la función de densidad verdadera se puede realizar a través de puntuaciones logarítmicas, definidas de la siguiente forma:</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig15.jpg"></img></p><p class="elsevierStylePara">Tomando el valor esperado en la anterior expresión, se tiene como resultado:</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig16.jpg"></img></p><p class="elsevierStylePara">Y bajo ciertas condiciones de regularidad, este valor esperado puede ser estimado consistentemente por el siguiente estadístico:</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig17.jpg"></img></p><p class="elsevierStylePara">Las puntuaciones logarítmicas tienen la característica de que su función de divergencia es la pseudodistancia Kullback-Leibler, Gneiting y Raftery (2007). Además, observando la ecuación (9), se puede deducir que si <span class="elsevierStyleItalic">E</span>(ln g<span class="elsevierStyleInf">1</span>) > <span class="elsevierStyleItalic">E</span>(ln <span class="elsevierStyleItalic">g</span><span class="elsevierStyleInf">2</span>) entonces KLIC<span class="elsevierStyleInf">g1 </span>< KLIC<span class="elsevierStyleInf">g2</span>, siempre y cuando la medida de divergencia Kullback-Leibler haya sido medida con respecto a la densidad verdadera, la cual es común a <span class="elsevierStyleItalic">g</span>1 y <span class="elsevierStyleItalic">g</span>2. Interpretando lo anterior, se puede afirmar que si la puntuación logarítmica de <span class="elsevierStyleItalic">g</span>1 es más grande que la de <span class="elsevierStyleSup"> </span><span class="elsevierStyleItalic">g</span>2 <span class="elsevierStyleSup"> </span>entonces hay una menor divergencia de <span class="elsevierStyleItalic">g</span>1 con respecto a la densidad verdadera. Por lo tanto, se concluye que funciones de densidad con puntuaciones logarítmicas más altas implican una menor divergencia con respecto a la densidad verdadera y, por consiguiente, son una mejor aproximación a esta última.</p><p class="elsevierStylePara">Es importante notar que dado que no se conoce la brecha observada del producto, el uso de las pruebas anteriormente sugeridas se limita a la evaluación de las densidades de pronóstico de la inflación.</p><p class="elsevierStylePara"><span class="elsevierStyleBold">3. Ejercicio empírico </span></p><p class="elsevierStylePara">El ejercicio empírico utiliza diferentes estimaciones de la brecha del producto colombiano para construir la combinación de densidades de pronóstico para el período trimestral comprendido entre 1994:1 y 2012:3. A continuación se describen las brechas utilizadas.</p><p class="elsevierStylePara"><span class="elsevierStyleItalic"><span class="elsevierStyleBold">3.1. Medidas de la brecha del producto </span></span></p><p class="elsevierStylePara">La brecha del producto, <img src="387v31n72-90269010fig43.jpg"></img>es definida como la diferencia porcentual entre el producto observado y el producto potencial, como sigue:</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig18.jpg"></img></p><p class="elsevierStylePara">Donde <span class="elsevierStyleItalic">y<span class="elsevierStyleInf">t</span></span> es el producto observado en el momento t y</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig44.jpg"></img></p><p class="elsevierStylePara">denota su tendencia o nivel potencial extraído por el método <span class="elsevierStyleItalic">j</span>. Con base en los trabajos de Cobo (2007), González, Ocampo, Pérez, y Rodríguez (2012) y Rodríguez, Torres y Velasco (2006), se consideran las siguientes estimaciones de la brecha del producto:</p><p class="elsevierStylePara"><span class="elsevierStyleItalic">1.</span><span class="elsevierStyleItalic">Filtro de Hodrick-Prescott</span>: se utiliza la metodología propuesta por Hodrick y Prescott (1997), utilizando un parámetro de suavización λ = 1600.</p><p class="elsevierStylePara"><span class="elsevierStyleItalic">2. Filtro de Hodrick-Prescott con restricciones:</span> la metodología de Hodrick-Prescott con restricciones sigue los mismos lineamientos que la metodología de Hodrick y Prescott (1997). Sin embargo, bajo este enfoque el problema de minimización está sujeto a un conjunto de restricciones en algunos períodos específicos de acuerdo con el consenso de expertos sobre el comportamiento de la brecha. Para mayores detalles, véase Cobo (2007).</p><p class="elsevierStylePara"><span class="elsevierStyleItalic">3.</span><span class="elsevierStyleItalic">Brecha adaptativa:</span> este modelo supone que el producto potencial se comporta de acuerdo con un modelo de tendencia local lineal (Harvey y Proietti [2005]) e incluye un conjunto de ecuaciones basadas en teoría económica donde se asume que las expectativas se forman de manera adaptativa. La brecha del producto es extraída usando el filtro de Kalman a partir de las ecuaciones del modelo. Algunos parámetros del modelo son fijos y determinados de acuerdo con consideraciones de expertos, mientras que otros son estimados por medio de técnicas bayesianas. El modelo de tendencia local lineal en su forma básica se compone de las siguientes ecuaciones:</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig19.jpg"></img></p><p class="elsevierStylePara">Siendo <span class="elsevierStyleItalic">g<span class="elsevierStyleInf">t </span></span>la tasa de crecimiento del componente tendencial de la brecha del producto, el cual a su vez sigue la siguiente dinámica:</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig20.jpg"></img></p><p class="elsevierStylePara">Donde</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig45.jpg"></img></p><p class="elsevierStylePara">y</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig46.jpg"></img></p><p class="elsevierStylePara">son perturbaciones gausianas <span class="elsevierStyleItalic">i.i.d</span>. Las anteriores ecuaciones son complementadas con una curva IS, una curva de Phillips, una condición de la paridad de la tasa de interés y un conjunto de ecuaciones que describen la dinámica de la tasa de interés y de cambio reales. Esta metodología es descrita en detalle en González et al. (2012).</p><p class="elsevierStylePara"><span class="elsevierStyleItalic">4.</span><span class="elsevierStyleItalic">Brecha racional:</span> se considera un conjunto de ecuaciones similar al construido en el ítem anterior. Sin embargo, la principal diferencia de este modelo radica en el supuesto que se asume para la formación de las expectativas, las cuales ahora se consideran racionales. Esta metodología también es descrita en González et al. (2012).</p><p class="elsevierStylePara"><span class="elsevierStyleItalic">5. Componentes principales:</span> en esta metodología, se estima un indicador de la brecha del producto utilizando componentes principales, los cuales resumen de manera eficiente la información disponible sobre la actividad económica. Para mayor detalle, véase Rodríguez et al. (2006).</p><p class="elsevierStylePara"><span class="elsevierStyleItalic">6.</span><span class="elsevierStyleItalic">Promedio móvil del filtro de Hodrick-Prescott con restricciones: </span>bajo esta metodología se calcula un promedio móvil de orden 4 sobre la brecha de producto calculada por medio del filtro de Hodrick-Prescott con restricciones.</p><p class="elsevierStylePara"><span class="elsevierStyleItalic">7.</span><span class="elsevierStyleItalic">Función de producción:</span> este método modela la tecnología productiva mediante una función Cobb-Douglas que incorpora información sobre el tamaño de la fuerza laboral, el acervo de capital y sus niveles de utilización. Finalmente, se calculan las versiones no inflacionarias de estas variables mediante diferentes tipos de filtros con el objetivo de estimar un producto interior bruto potencial no inflacionario consistente con los niveles de los factores productivos de la economía. Véase Cobo (2007).</p><p class="elsevierStylePara">Adicionalmente, se utiliza la media aritmética de las 7 medidas de la brecha del producto anteriormente mencionadas. La figura A1 del Anexo A presenta la evolución de las brechas del producto durante el período de análisis. Esta gráfica muestra que aunque se presenta un comportamiento común, las medidas difieren considerablemente entre sí en ciertos períodos. De las diferentes medidas en consideración se observa que las brechas del producto calculadas por medio del filtro de Hodrick-Prescott restringido y la función de producción son las que presentan mayor variabilidad. Por otro lado, la brecha del filtro de Hodrick-Prescott presenta un comportamiento un poco diferente a las demás estimaciones al inicio del período de análisis; sin embargo, este patrón no se cumple al final de la muestra.</p><p class="elsevierStylePara"><span class="elsevierStyleItalic"><span class="elsevierStyleBold">3.2. Pronósticos de densidad </span></span></p><p class="elsevierStylePara">Los pronósticos de densidad se basan en los pronósticos directos del modelo VAR especificado en (1) y (2). El número de rezagos de estos modelos fue seleccionado de acuerdo con el criterio de información de Schwartz. Los modelos son estimados inicialmente con información hasta el segundo trimestre de 2002. Posterior a la estimación se realizan pronósticos a 1, 2, 3 y 4 trimestres adelante y se calculan las varianzas de los errores de pronóstico. Tras haber realizado los pronósticos, se adiciona un trimestre de información y se reestiman los parámetros de los modelos para obtener de nuevo pronósticos hasta 4 trimestres adelante y las varianzas de sus errores asociados. El ejercicio continúa de forma recurrente hasta el final del período de evaluación que corresponde al tercer trimestre de 2012.</p><p class="elsevierStylePara">Bajo el supuesto de normalidad, los pronósticos de densidad son obtenidos a partir de las predicciones y las varianzas de los errores de pronóstico calculados en la estimación recurrente del modelo VAR indicado en el párrafo anterior. En el anexo C (tablas C1, C2, C3 y C4) se muestran los resultados de diferentes pruebas sobre los errores de pronóstico de los modelos VAR para verificar el supuesto de normalidad. Estos resultados no dan indicio de violación de dicho supuesto.</p><p class="elsevierStylePara"><span class="elsevierStyleItalic">3.2.1. Densidades combinadas de pronósticos de la brecha de inflación </span>En tablas 1 y 2 se muestran los valores-p de las pruebas de bondad de ajuste de Kolmogorov-Smirnov y Anderson-Darling sobre las series de PIT para los métodos de ponderación considerados. Si los modelos están bien especificados, estas series se deben distribuir de manera uniforme en el intervalo [0,1], tal como se menciona en la sección 2.3. Los resultados de ambas pruebas indican que no existe evidencia de mala especificación.</p><p class="elsevierStylePara"><img alt="Tabla 1 Prueba Kolmogorov-Smirnov" src="387v31n72-90269010fig21.jpg"></img></p><p class="elsevierStylePara"><img alt="Tabla 2 Prueba Anderson-Darling" src="387v31n72-90269010fig22.jpg"></img></p><p class="elsevierStylePara">La tabla 3 presenta las puntuaciones logarítmicas sobre las densidades combinadas bajo los diferentes esquemas de ponderación considerados para el período de evaluación comprendido entre el tercer trimestre de 2002 y el tercer trimestre de 2012<span class="elsevierStyleSup">9</span>. Las estimaciones con el símbolo "¡ï" indican que dicha puntuación es menor que la obtenida bajo ponderadores logarítmicos a un nivel de significancia del 5%.<span class="elsevierStyleSup">10</span> Los resultados mostrados en esta tabla sugieren que el método de combinación basado en ponderaciones logarítmicas tiene puntuaciones mayores indicando que es la metodología con mejor desempeño. Adicionalmente, para horizontes de 2 y 3 trimestres, estas puntuaciones son significativamente mayores con respecto a los otros métodos de combinación. Teniendo en cuenta estos resultados, en lo que sigue del documento solo se considerarán las densidades obtenidas por este método.</p><p class="elsevierStylePara"><img alt="Tabla 3 Puntuaciones logar¨ªtmicas" src="387v31n72-90269010fig23.jpg"></img></p><p class="elsevierStylePara">La figura A2 del Anexo A muestra la evolución de las ponderaciones basadas en el método logarítmico a lo largo del período de evaluación para los 8 métodos de estimación de la brecha y para los 4 horizontes de pronóstico considerados. En este gráfico se observa que las densidades asociadas al método de brecha adaptativa presentan una alta ponderación para horizontes de 2, 3 y 4 trimestres adelante; sin embargo, las ponderaciones de las distintas densidades son diferentes de acuerdo con el horizonte de pronóstico considerado. Las densidades generadas por medio del promedio móvil del filtro de Hodrick-Prescott restringido y por componentes principales tienen las ponderaciones más altas para el horizonte de pronóstico de un trimestre. Por otro lado, los métodos de brecha racional y Hodrick-Prescott sin restricciones presentan ponderaciones altas en los horizontes de 3 y 4 trimestres adelante, respectivamente.</p><p class="elsevierStylePara"><span class="elsevierStyleItalic">3.2.2. Densidades combinadas de pronósticos de la brecha del producto </span>La figura A3 del Anexo A presenta las densidades combinadas utilizando el método de ponderadores logarítmicos de la brecha para los 4 horizontes de pronóstico. Este gráfico muestra la concentración de masa de probabilidad, la cual es mayor a medida que la región es más clara. El eje vertical mide la brecha del producto, mientras que el horizontal está asociado al tiempo. Se observa que las densidades combinadas presentan algunos comportamientos multimodales; por otro lado, como era de esperar, la dispersión de las densidades estimadas aumenta a medida que el horizonte de pronóstico es mayor.</p><p class="elsevierStylePara">Puesto que las densidades combinadas pueden tener comportamientos multimodales (Kascha y Ravazzolo, 2010), no es completamente pertinente mostrar medidas de tendencia central. En lugar de ello, se analiza la probabilidad de un evento en particular sobre la brecha del producto.</p><p class="elsevierStylePara">La figura A4 del anexo A muestra la probabilidad de que la brecha del producto sea negativa</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig47.jpg"></img></p><p class="elsevierStylePara">a lo largo del período de evaluación para los 4 horizontes de pronóstico. Se observa que las probabilidades de las densidades obtenidas siguen patrones de comportamiento similares para los diferentes horizontes de pronóstico.</p><p class="elsevierStylePara">Es de resaltar que para el horizonte de pronóstico de un trimestre, los valores de probabilidad tienden a ser extremos (cercanos a 0 o a 1) y menos volátiles. Por otro lado, todos los gráficos indican un aumento en la probabilidad de que la brecha sea negativa a partir de 2009 con un descenso al final de la muestra; sin embargo, para los horizontes de 3 y 4 trimestres, se muestra un leve repunte de esta probabilidad al final del período analizado.</p><p class="elsevierStylePara"><span class="elsevierStyleBold">4. Comentarios finales </span></p><p class="elsevierStylePara">Este documento combina estimaciones de 8 metodologías de la brecha del producto colombiano para el período comprendido entre el primer trimestre de 1994 y el tercer trimestre de 2012. Utilizando la metodología sugerida por Garratt et al (2009) y Garratt et al. (2011) se construyen las densidades combinadas de pronósticos de la brecha mediante el uso de 3 esquemas de ponderación: ponderadores logarítmicos, CRPS y errores cuadráticos medios. Los resultados sugieren que las densidades combinadas bajo estos 3 esquemas con horizontes de pronóstico de 1, 2, 3 y 4 trimestres adelante están bien especificadas. Por otro lado, las puntuaciones logarítmicas calculadas sobre estas densidades muestran que la metodología basada en ponderadores logarítmicos presenta el mejor desempeño. Adicionalmente, estas ponderaciones tienen un desempeño significativamente mejor que las calculadas por los ponderadores CRPS y errores cuadráticos medios para horizontes de pronóstico de 2 y 3 trimestres.</p><p class="elsevierStylePara">La densidad combinada resultante puede ser utilizada de diferentes formas, por ejemplo, para estimar dichas densidades en períodos pasados. Esto no solamente provee indicios de la tendencia central de la brecha, sino que también caracteriza su incertidumbre. Además, se pueden estimar dichas densidades para períodos futuros, lo cual es de gran interés para las autoridades económicas. Finalmente, se puede obtener la probabilidad de que la brecha sea negativa para diferentes períodos en el tiempo y horizontes de pronóstico.</p><p class="elsevierStylePara"><span class="elsevierStyleBold">Agradecimientos </span></p><p class="elsevierStylePara">Los autores agradecen los valiosos comentarios y sugerencias de Juan Sebastián Amador.</p><p class="elsevierStylePara"><span class="elsevierStyleBold">Anexo A</span></p><p class="elsevierStylePara"><img alt="Figura A1 Brechas del producto colombiano estimadas por diferentes metodolog¨ªas." src="387v31n72-90269010fig24.jpg"></img></p><p class="elsevierStylePara"><span class="elsevierStyleBold">Figura A1</span> Brechas del producto colombiano estimadas por diferentes metodologías.</p><p class="elsevierStylePara"><img alt="Figura A2 Ponderadores logar¨ªtmicos para el per¨ªodo 2005:4-2012:3. BA: brecha adaptativa; BR: brecha racional; CP: metodolog¨ªa de componentes principales; FP: funci¨®n de producci¨®n; HP: metodolog¨ªa de Hodrick-Prescott; HPP: metodolog¨ªa de Hodrick-Prescott con restricciones; MA: media m¨®vil de HPP; Media: media aritm¨¦tica de las brechas." src="387v31n72-90269010fig25.jpg"></img></p><p class="elsevierStylePara"><span class="elsevierStyleBold">Figura A2</span> Ponderadores logarítmicos para el período 2005:4-2012:3. BA: brecha adaptativa; BR: brecha racional; CP: metodología de componentes principales; FP: función de producción; HP: metodología de Hodrick-Prescott; HPP: metodología de Hodrick-Prescott con restricciones; MA: media móvil de HPP; Media: media aritmética de las brechas.</p><p class="elsevierStylePara"><img alt="Figura A3 Densidades combinadas de la brecha bajo el esquema de ponderaci¨®n logar¨ªtmico para horizontes de pron¨®sticos de 1, 2, 3 y 4 trimestres adelante." src="387v31n72-90269010fig26.jpg"></img></p><p class="elsevierStylePara"><span class="elsevierStyleBold">Figura A3</span> Densidades combinadas de la brecha bajo el esquema de ponderación logarítmico para horizontes de pronósticos de 1, 2, 3 y 4 trimestres adelante.</p><p class="elsevierStylePara"><img alt="Figura A4 Probabilidad de que la brecha del producto sea negativa para horizontes de pron¨®sticos de 1, 2, 3 y 4 trimestres adelante. Estas estimaciones son calculadas a partir de la densidad combinada de la brecha bajo el esquema de ponderaci¨®n logar¨ªtmico." src="387v31n72-90269010fig27.jpg"></img></p><p class="elsevierStylePara"><span class="elsevierStyleBold">Figura A4</span> Probabilidad de que la brecha del producto sea negativa para horizontes de pronósticos de 1, 2, 3 y 4 trimestres adelante. Estas estimaciones son calculadas a partir de la densidad combinada de la brecha bajo el esquema de ponderación logarítmico.</p><p class="elsevierStylePara"><span class="elsevierStyleBold">Anexo B. Puntuaciones de rango de probabilidad continuo </span></p><p class="elsevierStylePara">Sea <span class="elsevierStyleItalic">P</span> un conjunto de medidas de probabilidad de Borel sobre la línea real ℜ. Todo miembro de <span class="elsevierStyleItalic">P</span> se identifica como un pronóstico de probabilidad y se caracteriza por medio de su función de distribución acumulada, denominada por <span class="elsevierStyleItalic">F</span>.</p><p class="elsevierStylePara">La puntuación de CRPS se define como:</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig28.jpg"></img></p><p class="elsevierStylePara">Siendo Λ {•} una función indicadora. Gneiting y Raftery (2007) argumentan que la aplicación de las puntuaciones CRPS está limitada por dificultades analíticas en el cálculo de la integral. Alternativamente, las puntuaciones se pueden calcular por medio de la siguiente expresión:</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig29.jpg"></img></p><p class="elsevierStylePara">Donde <span class="elsevierStyleItalic">X</span> y <span class="elsevierStyleItalic">X</span>′ son copias independientes de una variable aleatoria con distribución <span class="elsevierStyleItalic">F </span>y momento de primer orden finito. Si en particular la densidad de pronóstico es normal con media <span class="elsevierStyleItalic">μ</span> y varianza <span class="elsevierStyleItalic">σ</span><span class="elsevierStyleSup">2</span>, las puntuaciones se pueden calcular como:</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig30.jpg"></img></p><p class="elsevierStylePara">Siendo φ{•} y Φ{•} la función de densidad y la función de distribución acumulada de una variable normal estándar, respectivamente.</p><p class="elsevierStylePara"><span class="elsevierStyleBold">Anexo C. Pruebas de normalidad sobre los errores de pronóstico de los modelos vectoriales autorregresivos </span></p><p class="elsevierStylePara"><img alt="Tabla C1 Pruebas de normalidad sobre los errores para un horizonte de un trimestre" src="387v31n72-90269010fig31.jpg"></img></p><p class="elsevierStylePara"><img alt="Tabla C2 Pruebas de normalidad sobre los errores para horizontes de dos trimestres" src="387v31n72-90269010fig32.jpg"></img></p><p class="elsevierStylePara"><img alt="Tabla C3 Pruebas de normalidad sobre los errores para horizontes de 3 trimestres" src="387v31n72-90269010fig33.jpg"></img></p><p class="elsevierStylePara"><img alt="Tabla C4 Pruebas de normalidad sobre los errores para horizontes de 4 trimestres" src="387v31n72-90269010fig34.jpg"></img></p><hr></hr><p class="elsevierStylePara">1. En normalidad, solo se requiere estos 2 momentos para identificar la función de densidad de los pronósticos.</p><p class="elsevierStylePara">2. Este modelo está diseñado para realizar pronósticos directos. Una descripción de los mismos se encuentra, entre otros, en Marcellino, Stock, y Watson (2006) y González, Melo y Grajales (2007).</p><p class="elsevierStylePara">3. Dado que durante la mayor parte del periodo analizado opera el régimen de inflación objetivo, las presiones inflacionarias relevantes son aquellas que alejen la inflación observada de la meta del Banco de la República. La meta de inflación fue trimestralizada usando la metodología utilizada en González et al. [2012].</p><p class="elsevierStylePara">4. Con</p><p class="elsevierStylePara"><img src="387v31n72-90269010fig41.jpg"></img></p><p class="elsevierStylePara">Estas restricciones son necesarias para asegu rar que la densidad combinada es no-negativa e integra a la unidad, Timmer mann [2006].</p><p class="elsevierStylePara">5. Un análisis de la combinación de densidades de pronóstico desde un punto de vista bayesiano puede encontrarse en Hall y Mitchell (2004).</p><p class="elsevierStylePara">6. Para una mayor descripción de <span class="elsevierStyleItalic">Bayesian Model Averaging</span>,véase Kop (2003).</p><p class="elsevierStylePara">7. La definición y una descripción de las puntuaciones de rango de probabilidad continuo se encuentra en el anexo B.</p><p class="elsevierStylePara">8. Para mayores detalles de Pseudo-Distancias o divergencias véase Ullah [1996].</p><p class="elsevierStylePara">9. En este ejercicio se utilizaron 10 observaciones como período de entrenamiento de los ponderadores. Es decir, en el contexto de la expresión (5), <span class="elsevierStyleItalic">k</span> es igual a 10.</p><p class="elsevierStylePara">10. Esta prueba se realiza de acuerdo a la metodología presentada en Hall y Mitchell [2007] McDonald y Anders [2011].</p><hr></hr><p class="elsevierStylePara">INFORMACIÓNDEL ARTÍCULO <br></br><span class="elsevierStyleItalic">Historia del artículo: <br></br></span>Recibido el 12 de septiembre de 2013 <br></br>Aceptado el 5 de noviembre de 2013</p><p class="elsevierStylePara">*Los resultados y opiniones son responsabilidad exclusiva de los autores, y su contenido no compromete al Banco de la República ni a su Junta Directiva.</p><p class="elsevierStylePara">* Autor para correspondencia.<br></br><span class="elsevierStyleItalic">Correo electrónico:</span><a href="mailto:paulo.sanchez@mail.escuelaing.edu.co" class="elsevierStyleCrossRefs">paulo.sanchez@mail.escuelaing.edu.co</a> (P. M. Sánchez).</p><hr></hr><p class="elsevierStylePara"><span class="elsevierStyleBold">Referencias </span></p><p class="elsevierStylePara">Amisano, G. y Giacomini, R. (2007). Comparing Density forecasts via weighted likelihood ratio tests. <span class="elsevierStyleItalic">Journal of Business and Economic Statistics</span>, 25, 177-190.</p><p class="elsevierStylePara">Bache, J., Jore, A. y Mitchell, J. (2001). Combining VAR and DSGE forecast densities. <span class="elsevierStyleItalic">Journal of Economics dynamics and control</span>, 35, 1659-1670.</p><p class="elsevierStylePara">Bao, Y., Lee T. y Saltouglu, B. (2007). Comparing Density forecasts Models. <span class="elsevierStyleItalic">Journal of Forecasting</span>, 26, 203-225.</p><p class="elsevierStylePara">Berkowitz, J. (2001). Testing density forecasts, with applications to risk management. <span class="elsevierStyleItalic">Journal of business and economic statistics</span>, 19, 465-474.</p><p class="elsevierStylePara">Bjorland, H., Gerdrup K., A. Jore, A. y Smith, C. (2011). Weights and pools for a Norwegian density combination. <span class="elsevierStyleItalic">North American Journal of Economics and Finance</span>, 22, 61-76.</p><p class="elsevierStylePara">Cobo, A. (2007). Output gap in Colombia: an eclectic approach. <span class="elsevierStyleItalic">Borradores de economía</span>, 327. Banco de la República.</p><p class="elsevierStylePara">Diebold, F., Gunther, T. y Tay, A. (1998). Evaluating density forecasts: with applications to financial risk management. <span class="elsevierStyleItalic">International Economic Review</span>, 39, 863-883.</p><p class="elsevierStylePara">Garratt, A., J. Mitchell, J. y Vahey, S. (2009). Measuring Output Gap Uncertainty. <span class="elsevierStyleItalic">NIESR Discussion paper,</span> 342. National Institute of Economic and Social Research.</p><p class="elsevierStylePara">Garratt, A., Mitchell, J. y Vahey, S. (2011). Measuring output gap nowcast uncertainty. <span class="elsevierStyleItalic">CAMA Working paper,</span> 16. Center for Applied Macroeconomic Analysis, The Australian National University.</p><p class="elsevierStylePara">Gneiting, T., y Raftery, A. (2007). Strictly proper scoring rules, prediction and estimation. <span class="elsevierStyleItalic">American statistical association</span>, 102, 359-378.</p><p class="elsevierStylePara">González, A., Ocampo, S., Pérez, J. y Rodríguez, D. (2012). Output gap and neutral interest measures for Colombia. <span class="elsevierStyleItalic">Borradores de economía</span>, 726. Banco de la República.</p><p class="elsevierStylePara">González, E., Melo, L. y Grajales, A. (2007). Pronósticos directos de la inflación colombiana. <span class="elsevierStyleItalic">Borradores de economía</span>, 458. Banco de la República.</p><p class="elsevierStylePara">Hall, S., y Mitchell J. (2004). Density Forecast combination. <span class="elsevierStyleItalic">Discussion paper,</span> 249. National Institute of Economic and Social Research.</p><p class="elsevierStylePara">Hall, S. y Mitchell, J. (2007). Combining Density Forecasts. <span class="elsevierStyleItalic">Journal of forecasting</span>, 22, 1-13.</p><p class="elsevierStylePara">Harvey, A., y Proietti, T. (2005). <span class="elsevierStyleItalic">Readings in unobserved components models</span>. Oxford: Oxford University Press.</p><p class="elsevierStylePara">Hodrick, R. y Prescott, E. (1997). Post war business cycles: An empirical investigation. <span class="elsevierStyleItalic">Journal of money, credit and banking</span>, 29, 1-16.</p><p class="elsevierStylePara">Jore, A., Mitchell, J. y Vahey, S. (2010). Combining forecast densities from VARs with uncertain instabilities. <span class="elsevierStyleItalic">Journal of Applied Econometrics</span>, 25, 621-634.</p><p class="elsevierStylePara">Kascha, C. y Ravazzolo, F. (2010). Combining inflation density forecasts. <span class="elsevierStyleItalic">Journal of forecasting</span>, 29, 231-250.</p><p class="elsevierStylePara">Kop, G. (2003). <span class="elsevierStyleItalic">Bayesian Econometrics</span>. Wiley: Chichester.</p><p class="elsevierStylePara">Marcellino, M., Stock, J. y Watson M. (2006). A comparison of direct and iterated multistep AR methods for forecasting macroeconomic time series. <span class="elsevierStyleItalic">Journal of Econometrics</span>, 135, 499-526.</p><p class="elsevierStylePara">Mcdonald, C. y Anders, L. (2011). Evaluating density forecasts: model combination strategies vs. the RBNZ. <span class="elsevierStyleItalic">Discussion paper</span>, 3. National Institute of Economic and Social Research.</p><p class="elsevierStylePara">Mitchell, J. y Hall S. (2005). Evaluating, comparing and combining density forecasts using the KLIC with an application to the bank of England and NIESR fan charts of inflation. <span class="elsevierStyleItalic">Oxford bulletin of economics and statistics</span>, 67, 995-1033.</p><p class="elsevierStylePara">Orphanides, A. y van Norden, S. (2002). The reliability of inflation forecasts based on output-gap estimates in real time. <span class="elsevierStyleItalic">Journal of Money Credit and Banking</span>, 37-3, 583-601.</p><p class="elsevierStylePara">Rodríguez, N., Torres, J. y Velasco, A. (2006). La estimación de una brecha del producto a partir de encuestas y datos reales. <span class="elsevierStyleItalic">Borradores de economía</span>, 392. Banco de la República.</p><p class="elsevierStylePara">Stone, M. (1961). The opinion pool. <span class="elsevierStyleItalic">Annals of mathematical statistics</span>, 32, 1339-1342. Tay, A. y Wallis, K. (2000): Density forecasting: a survey. <span class="elsevierStyleItalic">Journal of Forecasting</span>, 19, 235-254.</p><p class="elsevierStylePara">Timmermann, A. (2006. Forecast combinations. In Handbook of Economic Forecasting, Vol. 1, Elliott G, Granger CWJ, Timmermann A (eds). North-Holland: Amsterdam; 135-196.</p><p class="elsevierStylePara">Ullah, A. (1996). Entropy, divergence, and distance measures with econometric applications. <span class="elsevierStyleItalic">Journal of Statistical Planning and Inference</span>, 49, 137-162.</p>" "pdfFichero" => "387v31n72a90269010pdf001.pdf" "tienePdf" => true "PalabrasClave" => array:2 [ "es" => array:1 [ 0 => array:4 [ "clase" => "keyword" "titulo" => "Palabras clave" "identificador" => "xpalclavsec333931" "palabras" => array:2 [ 0 => "C32; C53; E37" 1 => "Combinación de densidades de pronóstico; Brecha del producto; Pronósticos directos; Modelos VAR" ] ] ] "en" => array:1 [ 0 => array:4 [ "clase" => "keyword" "titulo" => "Keywords" "identificador" => "xpalclavsec333932" "palabras" => array:2 [ 0 => "C32; C53; E37" 1 => "Combination of forecasts densities; Output gap; Direct forecasts; VAR models" ] ] ] ] "tieneResumen" => true "resumen" => array:2 [ "es" => array:1 [ "resumen" => "<p class="elsevierStylePara"> Este documento combina estimaciones de 8 metodologías de la brecha del producto colombiano para el período comprendido entre el primer trimestre de 1994 y el tercer trimestre de 2012. A partir de modelos vectoriales autorregresivos que incluyen las diferentes brechas y la inflación, se construyen las densidades combinadas de pronósticos de la brecha mediante el uso de 3 esquemas de ponderación: logarítmicos, basados en puntuaciones de rango de probabilidad continuo y en el error cuadrático medio; estas densidades de la brecha resultan útiles porque proveen indicios de su tendencia central a la vez que caracterizan su incertidumbre. Los resultados sugieren que las densidades combinadas bajo estos 3 esquemas con horizontes de pronóstico de 1, 2, 3 y 4 trimestres adelante están bien especificadas. Adicionalmente, las puntuaciones logarítmicas calculadas sobre estas densidades muestran que las metodologías basadas en ponderadores logarítmicos son las que presentan mejor desempeño, y para horizontes de pronóstico de 2 y 3 trimestres, tienen significativamente una mayor puntuación que las calculadas por los ponderadores basados en puntuaciones de rango de probabilidad continuo y error cuadrático medio.</p>" ] "en" => array:1 [ "resumen" => "<p class="elsevierStylePara"> This paper combines eight estimations of the Colombian output gap for the time period between the first quarter of 1994 and the third quarter of 2012. The combined forecast densities of the gap are obtained by using bivariate VAR models that include the different gaps and inflation, and using three weighting schemes: logarithmic scores, continuous probability range scores (CRPS) and mean square error criteria (MSE), these output gap densities are useful because they provide an insight of the gap's central tendency, while characterizing the uncertainty. The results suggest that the combined densities under these three schemes for one, two, three and four quarters ahead are not miss-specified. Additionally, the combined density based on logarithmic weights has the best performance for all horizons. For two and three quarters ahead there are significant higher scores for the logarithmic weights methodology that those calculated by CRPS and MSE weights.</p>" ] ] "multimedia" => array:47 [ 0 => array:6 [ "identificador" => "fig1" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig1.jpg" "Alto" => 81 "Ancho" => 682 "Tamanyo" => 10257 ] ] ] 1 => array:6 [ "identificador" => "fig2" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig2.jpg" "Alto" => 175 "Ancho" => 1079 "Tamanyo" => 16516 ] ] ] 2 => array:6 [ "identificador" => "fig3" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig3.jpg" "Alto" => 154 "Ancho" => 1079 "Tamanyo" => 16870 ] ] ] 3 => array:6 [ "identificador" => "fig4" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig4.jpg" "Alto" => 170 "Ancho" => 1075 "Tamanyo" => 13537 ] ] ] 4 => array:6 [ "identificador" => "fig5" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig5.jpg" "Alto" => 58 "Ancho" => 154 "Tamanyo" => 3498 ] ] ] 5 => array:6 [ "identificador" => "fig6" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig6.jpg" "Alto" => 162 "Ancho" => 1095 "Tamanyo" => 13884 ] ] ] 6 => array:6 [ "identificador" => "fig7" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig7.jpg" "Alto" => 150 "Ancho" => 1083 "Tamanyo" => 21472 ] ] ] 7 => array:6 [ "identificador" => "fig8" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig8.jpg" "Alto" => 50 "Ancho" => 162 "Tamanyo" => 3701 ] ] ] 8 => array:6 [ "identificador" => "fig9" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig9.jpg" "Alto" => 603 "Ancho" => 700 "Tamanyo" => 23937 ] ] ] 9 => array:6 [ "identificador" => "fig10" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig10.jpg" "Alto" => 87 "Ancho" => 187 "Tamanyo" => 3679 ] ] ] 10 => array:6 [ "identificador" => "fig11" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig11.jpg" "Alto" => 187 "Ancho" => 1079 "Tamanyo" => 13822 ] ] ] 11 => array:6 [ "identificador" => "fig12" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig12.jpg" "Alto" => 195 "Ancho" => 1083 "Tamanyo" => 13246 ] ] ] 12 => array:6 [ "identificador" => "fig13" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig13.jpg" "Alto" => 154 "Ancho" => 1070 "Tamanyo" => 8737 ] ] ] 13 => array:6 [ "identificador" => "fig14" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig14.jpg" "Alto" => 129 "Ancho" => 1083 "Tamanyo" => 14201 ] ] ] 14 => array:6 [ "identificador" => "fig15" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig15.jpg" "Alto" => 75 "Ancho" => 491 "Tamanyo" => 6154 ] ] ] 15 => array:6 [ "identificador" => "fig16" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig16.jpg" "Alto" => 95 "Ancho" => 387 "Tamanyo" => 6556 ] ] ] 16 => array:6 [ "identificador" => "fig17" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig17.jpg" "Alto" => 154 "Ancho" => 362 "Tamanyo" => 7425 ] ] ] 17 => array:6 [ "identificador" => "fig18" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig18.jpg" "Alto" => 145 "Ancho" => 229 "Tamanyo" => 4696 ] ] ] 18 => array:6 [ "identificador" => "fig19" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig19.jpg" "Alto" => 170 "Ancho" => 350 "Tamanyo" => 7485 ] ] ] 19 => array:6 [ "identificador" => "fig20" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig20.jpg" "Alto" => 75 "Ancho" => 479 "Tamanyo" => 6571 ] ] ] 20 => array:8 [ "identificador" => "tbl1" "etiqueta" => "Tabla 1" "tipo" => "MULTIMEDIATABLA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "tabla" => array:1 [ "tablatextoimagen" => array:1 [ 0 => array:1 [ "tablaImagen" => array:1 [ 0 => array:4 [ "imagenFichero" => "387v31n72-90269010fig21.jpg" "imagenAlto" => 454 "imagenAncho" => 1079 "imagenTamanyo" => 88431 ] ] ] ] ] "descripcion" => array:1 [ "es" => "Prueba Kolmogorov-Smirnov" ] ] 21 => array:8 [ "identificador" => "tbl2" "etiqueta" => "Tabla 2" "tipo" => "MULTIMEDIATABLA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "tabla" => array:1 [ "tablatextoimagen" => array:1 [ 0 => array:1 [ "tablaImagen" => array:1 [ 0 => array:4 [ "imagenFichero" => "387v31n72-90269010fig22.jpg" "imagenAlto" => 458 "imagenAncho" => 1083 "imagenTamanyo" => 83530 ] ] ] ] ] "descripcion" => array:1 [ "es" => "Prueba Anderson-Darling" ] ] 22 => array:8 [ "identificador" => "tbl3" "etiqueta" => "Tabla 3" "tipo" => "MULTIMEDIATABLA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "tabla" => array:1 [ "tablatextoimagen" => array:1 [ 0 => array:1 [ "tablaImagen" => array:1 [ 0 => array:4 [ "imagenFichero" => "387v31n72-90269010fig23.jpg" "imagenAlto" => 475 "imagenAncho" => 1079 "imagenTamanyo" => 89023 ] ] ] ] ] "descripcion" => array:1 [ "es" => "Puntuaciones logar¨ªtmicas" ] ] 23 => array:8 [ "identificador" => "fig21" "etiqueta" => "Figura" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig24.jpg" "Alto" => 962 "Ancho" => 2145 "Tamanyo" => 203650 ] ] "descripcion" => array:1 [ "es" => "A1 Brechas del producto colombiano estimadas por diferentes metodolog¨ªas." ] ] 24 => array:8 [ "identificador" => "fig22" "etiqueta" => "Figura" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig25.jpg" "Alto" => 1070 "Ancho" => 2158 "Tamanyo" => 219015 ] ] "descripcion" => array:1 [ "es" => "A2 Ponderadores logar¨ªtmicos para el per¨ªodo 2005:4-2012:3. BA: brecha adaptativa; BR: brecha racional; CP: metodolog¨ªa de componentes principales; FP: funci¨®n de producci¨®n; HP: metodolog¨ªa de Hodrick-Prescott; HPP: metodolog¨ªa de Hodrick-Prescott con restricciones; MA: media m¨®vil de HPP; Media: media aritm¨¦tica de las brechas." ] ] 25 => array:8 [ "identificador" => "fig23" "etiqueta" => "Figura" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig26.jpg" "Alto" => 1475 "Ancho" => 1466 "Tamanyo" => 153551 ] ] "descripcion" => array:1 [ "es" => "A3 Densidades combinadas de la brecha bajo el esquema de ponderaci¨®n logar¨ªtmico para horizontes de pron¨®sticos de 1, 2, 3 y 4 trimestres adelante." ] ] 26 => array:8 [ "identificador" => "fig24" "etiqueta" => "Figura" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig27.jpg" "Alto" => 1225 "Ancho" => 1595 "Tamanyo" => 173011 ] ] "descripcion" => array:1 [ "es" => "A4 Probabilidad de que la brecha del producto sea negativa para horizontes de pron¨®sticos de 1, 2, 3 y 4 trimestres adelante. Estas estimaciones son calculadas a partir de la densidad combinada de la brecha bajo el esquema de ponderaci¨®n logar¨ªtmico." ] ] 27 => array:6 [ "identificador" => "fig25" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig28.jpg" "Alto" => 125 "Ancho" => 679 "Tamanyo" => 11384 ] ] ] 28 => array:6 [ "identificador" => "fig26" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig29.jpg" "Alto" => 125 "Ancho" => 579 "Tamanyo" => 8975 ] ] ] 29 => array:6 [ "identificador" => "fig27" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig30.jpg" "Alto" => 154 "Ancho" => 1033 "Tamanyo" => 19774 ] ] ] 30 => array:8 [ "identificador" => "tbl4" "etiqueta" => "Tabla" "tipo" => "MULTIMEDIATABLA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "tabla" => array:1 [ "tablatextoimagen" => array:1 [ 0 => array:1 [ "tablaImagen" => array:1 [ 0 => array:4 [ "imagenFichero" => "387v31n72-90269010fig31.jpg" "imagenAlto" => 604 "imagenAncho" => 2200 "imagenTamanyo" => 193141 ] ] ] ] ] "descripcion" => array:1 [ "es" => "C1 Pruebas de normalidad sobre los errores para un horizonte de un trimestre" ] ] 31 => array:8 [ "identificador" => "tbl5" "etiqueta" => "Tabla" "tipo" => "MULTIMEDIATABLA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "tabla" => array:1 [ "tablatextoimagen" => array:1 [ 0 => array:1 [ "tablaImagen" => array:1 [ 0 => array:4 [ "imagenFichero" => "387v31n72-90269010fig32.jpg" "imagenAlto" => 612 "imagenAncho" => 2191 "imagenTamanyo" => 184802 ] ] ] ] ] "descripcion" => array:1 [ "es" => "C2 Pruebas de normalidad sobre los errores para horizontes de dos trimestres" ] ] 32 => array:8 [ "identificador" => "tbl6" "etiqueta" => "Tabla" "tipo" => "MULTIMEDIATABLA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "tabla" => array:1 [ "tablatextoimagen" => array:1 [ 0 => array:1 [ "tablaImagen" => array:1 [ 0 => array:4 [ "imagenFichero" => "387v31n72-90269010fig33.jpg" "imagenAlto" => 616 "imagenAncho" => 2212 "imagenTamanyo" => 194721 ] ] ] ] ] "descripcion" => array:1 [ "es" => "C3 Pruebas de normalidad sobre los errores para horizontes de 3 trimestres" ] ] 33 => array:8 [ "identificador" => "tbl7" "etiqueta" => "Tabla" "tipo" => "MULTIMEDIATABLA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "tabla" => array:1 [ "tablatextoimagen" => array:1 [ 0 => array:1 [ "tablaImagen" => array:1 [ 0 => array:4 [ "imagenFichero" => "387v31n72-90269010fig34.jpg" "imagenAlto" => 620 "imagenAncho" => 2200 "imagenTamanyo" => 192708 ] ] ] ] ] "descripcion" => array:1 [ "es" => "C4 Pruebas de normalidad sobre los errores para horizontes de 4 trimestres" ] ] 34 => array:6 [ "identificador" => "fig28" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig35.jpg" "Alto" => 44 "Ancho" => 196 "Tamanyo" => 2648 ] ] ] 35 => array:6 [ "identificador" => "fig29" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig36.jpg" "Alto" => 288 "Ancho" => 700 "Tamanyo" => 14064 ] ] ] 36 => array:6 [ "identificador" => "fig30" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig37.jpg" "Alto" => 56 "Ancho" => 158 "Tamanyo" => 3442 ] ] ] 37 => array:6 [ "identificador" => "fig31" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig38.jpg" "Alto" => 602 "Ancho" => 700 "Tamanyo" => 18661 ] ] ] 38 => array:6 [ "identificador" => "fig32" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig39.jpg" "Alto" => 57 "Ancho" => 207 "Tamanyo" => 4208 ] ] ] 39 => array:6 [ "identificador" => "fig33" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig40.jpg" "Alto" => 688 "Ancho" => 700 "Tamanyo" => 23163 ] ] ] 40 => array:6 [ "identificador" => "fig34" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig41.jpg" "Alto" => 74 "Ancho" => 370 "Tamanyo" => 5628 ] ] ] 41 => array:6 [ "identificador" => "fig35" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig42.jpg" "Alto" => 75 "Ancho" => 70 "Tamanyo" => 1904 ] ] ] 42 => array:6 [ "identificador" => "fig36" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig43.jpg" "Alto" => 85 "Ancho" => 70 "Tamanyo" => 2096 ] ] ] 43 => array:6 [ "identificador" => "fig37" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig44.jpg" "Alto" => 840 "Ancho" => 700 "Tamanyo" => 24912 ] ] ] 44 => array:6 [ "identificador" => "fig38" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig45.jpg" "Alto" => 882 "Ancho" => 700 "Tamanyo" => 24452 ] ] ] 45 => array:6 [ "identificador" => "fig39" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig46.jpg" "Alto" => 827 "Ancho" => 700 "Tamanyo" => 24521 ] ] ] 46 => array:6 [ "identificador" => "fig40" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "copyright" => "Elsevier España" "figura" => array:1 [ 0 => array:4 [ "imagen" => "387v31n72-90269010fig47.jpg" "Alto" => 45 "Ancho" => 159 "Tamanyo" => 2926 ] ] ] ] ] "idiomaDefecto" => "es" "url" => "/01204483/0000003100000072/v0_201407151111/X0120448313690104/v0_201407151335/es/main.assets" "Apartado" => array:4 [ "identificador" => "26421" "tipo" => "SECCION" "es" => array:2 [ "titulo" => "Artículos" "idiomaDefecto" => true ] "idiomaDefecto" => "es" ] "PDF" => "https://static.elsevier.es/multimedia/01204483/0000003100000072/v0_201407151111/X0120448313690104/v0_201407151335/es/387v31n72a90269010pdf001.pdf?idApp=UINPBA00004N&text.app=https://www.elsevier.es/" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/X0120448313690104?idApp=UINPBA00004N" ]
Idioma original: Español
año/Mes | Html | Total | |
---|---|---|---|
2024 Octubre | 8 | 3 | 11 |
2024 Septiembre | 15 | 7 | 22 |
2024 Agosto | 16 | 4 | 20 |
2024 Julio | 12 | 2 | 14 |
2024 Junio | 15 | 2 | 17 |
2024 Mayo | 8 | 2 | 10 |
2024 Abril | 22 | 3 | 25 |
2024 Marzo | 20 | 1 | 21 |
2024 Febrero | 4 | 3 | 7 |
2024 Enero | 11 | 4 | 15 |
2023 Diciembre | 6 | 10 | 16 |
2023 Noviembre | 9 | 16 | 25 |
2023 Octubre | 15 | 3 | 18 |
2023 Septiembre | 5 | 5 | 10 |
2023 Agosto | 7 | 3 | 10 |
2023 Julio | 9 | 2 | 11 |
2023 Junio | 7 | 3 | 10 |
2023 Mayo | 8 | 5 | 13 |
2023 Abril | 7 | 1 | 8 |
2023 Marzo | 9 | 2 | 11 |
2023 Febrero | 17 | 4 | 21 |
2023 Enero | 11 | 3 | 14 |
2022 Diciembre | 12 | 2 | 14 |
2022 Noviembre | 21 | 7 | 28 |
2022 Octubre | 17 | 6 | 23 |
2022 Septiembre | 18 | 6 | 24 |
2022 Agosto | 9 | 9 | 18 |
2022 Julio | 11 | 9 | 20 |
2022 Junio | 7 | 6 | 13 |
2022 Mayo | 14 | 5 | 19 |
2022 Abril | 9 | 9 | 18 |
2022 Marzo | 15 | 6 | 21 |
2022 Febrero | 39 | 4 | 43 |
2022 Enero | 18 | 7 | 25 |
2021 Diciembre | 16 | 10 | 26 |
2021 Noviembre | 15 | 8 | 23 |
2021 Octubre | 18 | 11 | 29 |
2021 Septiembre | 7 | 7 | 14 |
2021 Agosto | 11 | 6 | 17 |
2021 Julio | 17 | 3 | 20 |
2021 Junio | 12 | 9 | 21 |
2021 Mayo | 17 | 8 | 25 |
2021 Abril | 41 | 12 | 53 |
2021 Marzo | 20 | 9 | 29 |
2021 Febrero | 13 | 6 | 19 |
2021 Enero | 13 | 8 | 21 |
2020 Diciembre | 20 | 4 | 24 |
2020 Noviembre | 12 | 12 | 24 |
2020 Octubre | 14 | 5 | 19 |
2020 Septiembre | 8 | 3 | 11 |
2020 Agosto | 13 | 5 | 18 |
2020 Julio | 16 | 1 | 17 |
2020 Junio | 11 | 4 | 15 |
2020 Mayo | 7 | 5 | 12 |
2020 Abril | 5 | 1 | 6 |
2020 Marzo | 13 | 2 | 15 |
2020 Febrero | 8 | 6 | 14 |
2020 Enero | 6 | 5 | 11 |
2019 Diciembre | 11 | 7 | 18 |
2019 Noviembre | 9 | 3 | 12 |
2019 Octubre | 13 | 2 | 15 |
2019 Septiembre | 33 | 4 | 37 |
2019 Agosto | 8 | 1 | 9 |
2019 Julio | 19 | 4 | 23 |
2019 Junio | 47 | 24 | 71 |
2019 Mayo | 100 | 15 | 115 |
2019 Abril | 57 | 5 | 62 |
2019 Marzo | 3 | 3 | 6 |
2019 Febrero | 8 | 6 | 14 |
2019 Enero | 4 | 1 | 5 |
2018 Diciembre | 3 | 0 | 3 |
2018 Noviembre | 11 | 3 | 14 |
2018 Octubre | 11 | 17 | 28 |
2018 Septiembre | 8 | 8 | 16 |
2018 Agosto | 4 | 2 | 6 |
2018 Julio | 8 | 1 | 9 |
2018 Junio | 4 | 3 | 7 |
2018 Mayo | 8 | 2 | 10 |
2018 Abril | 10 | 2 | 12 |
2018 Marzo | 1 | 0 | 1 |
2018 Febrero | 9 | 4 | 13 |
2018 Enero | 7 | 1 | 8 |
2017 Diciembre | 4 | 0 | 4 |
2017 Noviembre | 7 | 1 | 8 |
2017 Octubre | 9 | 1 | 10 |
2017 Septiembre | 8 | 2 | 10 |
2017 Agosto | 7 | 0 | 7 |
2017 Julio | 10 | 0 | 10 |
2017 Junio | 11 | 0 | 11 |
2017 Mayo | 15 | 3 | 18 |
2017 Abril | 10 | 0 | 10 |
2017 Marzo | 15 | 2 | 17 |
2017 Febrero | 14 | 1 | 15 |
2017 Enero | 3 | 2 | 5 |
2016 Diciembre | 16 | 8 | 24 |
2016 Noviembre | 18 | 9 | 27 |
2016 Octubre | 23 | 12 | 35 |
2016 Septiembre | 20 | 7 | 27 |
2016 Agosto | 22 | 8 | 30 |
2016 Julio | 20 | 7 | 27 |
2016 Junio | 25 | 10 | 35 |
2016 Mayo | 28 | 9 | 37 |
2016 Abril | 22 | 20 | 42 |
2016 Marzo | 30 | 9 | 39 |
2016 Febrero | 28 | 10 | 38 |
2016 Enero | 28 | 10 | 38 |
2015 Diciembre | 21 | 11 | 32 |
2015 Noviembre | 17 | 8 | 25 |
2015 Octubre | 25 | 15 | 40 |
2015 Septiembre | 20 | 7 | 27 |
2015 Agosto | 30 | 7 | 37 |
2015 Julio | 14 | 7 | 21 |
2015 Junio | 17 | 9 | 26 |
2015 Mayo | 23 | 5 | 28 |
2015 Abril | 38 | 16 | 54 |
2015 Marzo | 32 | 7 | 39 |
2015 Febrero | 19 | 9 | 28 |
2015 Enero | 36 | 10 | 46 |
2014 Diciembre | 40 | 13 | 53 |
2014 Noviembre | 40 | 10 | 50 |
2014 Octubre | 30 | 8 | 38 |
2014 Septiembre | 36 | 6 | 42 |
2014 Agosto | 22 | 9 | 31 |
2014 Julio | 44 | 12 | 56 |
2014 Junio | 36 | 11 | 47 |
2014 Mayo | 29 | 11 | 40 |
2014 Abril | 43 | 9 | 52 |
2014 Marzo | 45 | 13 | 58 |
2014 Febrero | 51 | 10 | 61 |