Modelado Econmico

1
Modelado Económico

• En esta presentación trataremos con una
  aplicación del Razonamiento Inductivo Borroso
  (FIR) las realización de predicciones
  económicas.
• La presentación demuestra que el FIR puede usarse
  para mejorar el enfoque de la Dinámica de
  Sistemas (SD) para el modelado en las ciencias
  blandas.
• Muestra también como el modelado jerárquico puede
  usarse en el contexto del FIR, y demuestra que
  mediante el modelado jerárquico puede mejorarse
  notablemente la calidad de las predicciones
  económicas.

2
Contenido

• Uso del FIR para identificar listas de lavandería
  
• Modelado jerárquico
• Funciones de predicción de crecimiento
• Modelado jerárquico de demanda y producción de
  alimentos

3
Uso del FIR para Identificar Listas de Lavandería
I

• Una de las más atrevidas (y dudosas) suposiciones
  hechas por Forrester en su enfoque de dinámica de
  sistemas para modelar sistemas de las ciencias
  blandas fue que una función de múltiples
  variables puede escribirse como el producto de
  funciones de una variable cada una
• Obviamente esto no es válido en general, y
  Forrester por supuesto lo sabía. Él hizo esa
  suposición simplemente porque no supo otra manera
  de proceder.

4
Uso del FIR para Identificar Listas de Lavandería
II

• Una alternativa sería usar el FIR en lugar de una
  función tabulada para identificar las distintas
  relaciones desconocidas entre las variables que
  forman una lista de lavandería.
• Esto es lo que intentaremos hacer en esta
  presentación.
• Dado que los modelos FIR son usualmente dinámicos
  (ya que la máscara óptima generalmente se
  extiende por varias filas), las relaciones
  funcionales de cada lista de lavandería podrían
  ser dinámicas en lugar de estáticas.

5
Modelado en el Sector Agrícola I
6
Modelado en el Sector Agrícola II

• En general, las variables económicas específicas,
  tales como los patrones de consumo de alimentos,
  dependen del estado general de la economía.
• Si la economía marcha bien, los estadounidenses
  tienden más a comer bistec, mientras que en caso
  contrario elegirían comprar hamburguesas.
• El estado general de la economía podría en
  primera instancia verse como algo que depende de
  dos variables disponibilidad de trabajo, y
  disponibilidad de dinero.
• Si las personas no tienen ahorros, no pueden
  comprar mucho y si no tienen trabajo, tenderán a
  gastar menos dinero aunque tengan algunos
  ahorros.
• El estado general de la economía depende mucho de
  la dinámica de la población.
• Se necesita gente para producir productos y
  clientes que los compren.

7
Modelado en el Sector Agrícola III
El consumo de alimentos se modela de forma
jerárquica.
8
Dinámica de Poblaciones I
9
Predicción de Funciones de Crecimiento I

• Una de las mayores dificultades (y una de las
  mayores fortalezas) del modelado con FIR es su
  incapacidad para extrapolar.
• Por esto, si una variable está creciendo, como lo
  hace la población, el FIR no tiene forma de
  predecirla directamente.
• Un truco simple resuelve este dilema.
• Los economistas conocen este problema desde hace
  mucho tiempo, ya que muchos otros enfoques para
  hacer predicciones, sobre todo estadísticos,
  comparten esta incapacidad del FIR para
  extrapolar.
• Cuando los economistas quieren hacer predicciones
  sobre el valor de una acción x, utilizan una
  variable de incremento relativo diario.
• Mientras que x puede aumentar o disminuir, el
  incremento relativo diario es generalmente
  estacionario.

10
Predicción de Funciones de Crecimiento II
11
Dinámica de Poblaciones II
12
Macroeconomía I
13
Macroeconomía II
La tasa de desempleo es una variable controlada
influida por la tasa de interés. Durante muchos
años, el gobierno de EEUU quiso mantenerla en
torno al 6. Su variación es difícil de predecir
con precisión.
14
Demanda y Suministro de Alimentos I
15
Discusión I

• Los modelos mostraron que el uso de las
  predicciones ya hechas para capas más genéricas
  de la arquitectura ayuda a mejorar la predicción
  de variables asociadas con las capas más
  específicas.
• De esta manera, en la mayor parte de los casos,
  los errores de predicción se reducen por un
  factor de tres aproximadamente.
• Notar que en todos los casos fueron usadas las
  mejores técnicas de predicción disponibles. En
  particular, fue bien explotada la medida de
  confianza al hacer varias predicciones en
  paralelo y conservando en cada paso la que tiene
  el mayor valor de confianza.

16
Modelo Refinado
17
Grupos Etarios
18
Macroeconomía III
19
Demanda y Suministro de Alimentos II
20
Dinámica de Poblaciones III
21
Dinámica de Poblaciones IV
22
Macroeconomía IV
23
Demanda de Alimentos
24
Suministro de Alimentos
25
Discusión II

• Usar las capas más genéricas de la arquitectura
  multicapas para hacer predicciones ayudó
  consistentemente a reducir el error de predicción
  promedio.
• La misma arquitectura puede aplicarse a cualquier
  segmento de la economía, esto es, si la
  aplicación cambia, sólo la capa de la aplicación
  debe reidentificarse. Las capas más genéricas de
  la arquitectura son invariantes con respecto a la
  aplicación en cuestión.

26
Conclusiones

• El Razonamiento Inductivo Borroso ofrece una
  alternativa interesante a las redes neuronales
  para el modelado de sistemas a partir del
  comportamiento observado.
• El Razonamiento Inductivo Borroso es muy robusto
  cuando es usado correctamente.
• El Razonamiento Inductivo Borroso se caracteriza
  por su capacidad para sintetizar modelos en lugar
  de aprender modelos. Por esto, la construcción de
  los modelos es bastante rápida.
• El Razonamiento Inductivo Borroso ofrece una
  característica de autoverificación, que es quizás
  la propiedad más importante de la metodología.
• El Razonamiento Inductivo Borroso es una
  herramienta práctica con muchas aplicaciones
  industriales. A diferencia de otras técnicas de
  modelado cualitativo, el FIR no padece grandes
  dificultades al aumentar la escala de los
  problemas.

27
Referencias

• Moorthy. M., F.E. Cellier, and J.T. LaFrance
  (1998), Predicting U.S. food demand in the 20th
  century A new look at system dynamics, Proc.
  SPIE Conference 3369 "Enabling Technology for
  Simulation Science II," part of AeroSense'98,
  Orlando, Florida, pp. 343-354.
• Moorthy, M. (1999), Mixed Structural and
  Behavioral Models for Predicting the Future
  Behavior of Some Aspects of the Macro-economy, MS
  Thesis, Dept. of Electr. Comp. Engr.,
  University of Arizona, Tucson, AZ.