Nowcasting private consumption: traditional indicators, uncertainty measures, credit cards and some internet data
Serie: Documentos de Trabajo. 1842.
Autor: María Gil, Javier J. Pérez, A. Jesús Sánchez y Alberto Urtasun.
Temas: Métodos cuantitativos | Otros medios de pago | Incertidumbre | Proyecciones macroeconómicas | Economía Internacional.
Documento completo
Resumen
Este documento se centra en la predicción a corto y medio plazo del consumo privado. La
selección de indicadores mensuales en tiempo real se realiza sobre la base de las variables
habituales (indicadores cualitativos versus cuantitativos) y de otras menos habituales.
Entre las variables de este último grupo se analizan las siguientes: i) variables proxy de la
incertidumbre económica y sobre las políticas económicas; ii) operaciones con tarjetas de
crédito, medidas tanto en TPV como en cajeros; iii) indicadores basados en búsquedas
de términos relacionados con el consumo obtenidas con la herramienta Google Trends. Se
estima un conjunto de modelos de frecuencias mixtas (mensual y trimestral) utilizando una
base de datos en tiempo real, y se realizan ejercicios empíricos para valorar la capacidad
predictiva de los diferentes grupos de indicadores. Los principales resultados son los
siguientes: i) los indicadores cuantitativos y los relativos al uso de tarjetas de crédito son
los que presentan mejor capacidad predictiva cuando se utilizan individualmente, y esta
mejora cuando se combinan; ii) a pesar de lo anterior, los indicadores de opinión son de
utilidad para captar señales cualitativas a muy corto plazo (en el horizonte del nowcast);
iii) los indicadores de Google y los de incertidumbre añaden información cuando se
combinan con los indicadores tradicionales, sobre todo en horizontes de proyección más
allá del nowcast, lo que sería consistente con el hecho de que estos indicadores pueden
contener información acerca de futuras decisiones de consumo; iv) la combinación de los
modelos que incluyen los indicadores que arrojan los mejores resultados tiende a mejorar
los resultados obtenidos con combinaciones más amplias de modelos.