Descripción

Este estudio analiza si las técnicas de inteligencia artificial—que abarcan modelos de aprendizaje automático y aprendizaje profundo—pueden mejorar la precisión de las estimaciones en tiempo real del índice mensual de actividad económica de Chile (IMACEC). El análisis se basa en un conjunto de datos amplio y diverso, que incluye tanto variables macroeconómicas tradicionales como datos de registros administrativos mensuales (provenientes de los registros tributarios electrónicos). Surgen tres hallazgos principales. Primero, los modelos no lineales—en particular XGBoost—presentan los menores errores cuadráticos medios, destacan también SVR y la regresión LASSO, por el lado de los lineales. Esto resalta el valor de los métodos no lineales y de los enfoques lineales regularizados al trabajar con datos heterogéneos. Segundo, las variables derivadas de los registros tributarios electrónicos—como el crédito comercial entre empresas y las ventas de las empresas sectoriales por región—se ubican de manera consistente entre los predictores más relevantes en todos los modelos. Tercero, los modelos con mejor desempeño—XGBoost, SVR y LASSO—logran errores más bajos que los referentes econométricos tradicionales, los cuales se basan únicamente en agregados macroeconómicos estándar y excluyen los datos no tradicionales. En general, los resultados muestran que los datos de registros administrativos oportunos, combinados con enfoques de inteligencia artificial, pueden mejorar significativamente el monitoreo económico y la toma de decisiones.