Perspectivas en tiempo real sobre la distribución de ingresos en los hogares
Un modelo para rastrear cambios en la distribución del ingreso usando datos de alta frecuencia.
Massimiliano Marcellino, Andrea Renzetti, Tommaso Tornese
― 6 minilectura
Tabla de contenidos
Entender la distribución de ingresos de los hogares es super importante. Nos puede decir mucho sobre la salud económica, la estabilidad social y hasta qué tan felices son las personas. Pero, llevar un control de los cambios en la distribución de ingresos no es fácil. Muchas encuestas tardan un montón en recoger y analizar datos, lo que hace difícil entender cómo están las cosas ahora mismo.
Para solucionar esto, sugerimos usar un modelo MIDAS funcional. Este modelo nos ayuda a predecir la distribución de ingresos de los hogares basándonos en bits de datos económicos más frecuentes y pequeños. Es como intentar resolver un misterio con pistas chiquitas en vez de esperar a un gran informe detallado que puede llegar muy tarde.
La Importancia de la Distribución de Ingresos
La distribución de ingresos es como el gráfico de pastel de la riqueza de una sociedad. Si una porción es enorme y las otras son chiquitas, eso indica desigualdad, que puede llevar a disturbios sociales. Por otro lado, una distribución más equitativa suele hablar de una sociedad más estable. Economistas, planificadores urbanos y científicos sociales siempre están atentos a esta distribución de ingresos porque afecta los patrones de gasto y puede impactar todo, desde las compras hasta el ahorro y la inversión.
Recopilando Datos de Ingresos
La mayoría de las encuestas de ingresos tardan un montón en recopilar información. Los investigadores a menudo necesitan enviar personas a entrevistar hogares o mandar cuestionarios por correo. Este proceso puede tardar meses, y para cuando obtienen resultados, los datos pueden estar desactualizados. ¿Entonces cómo sabemos qué está pasando con la distribución de ingresos en este momento?
Ahí es donde entran los indicadores de alta frecuencia. Estos son pedacitos de datos que llegan más frecuentemente, como los informes trimestrales sobre la actividad económica. Pueden dar pistas importantes sobre cambios en la distribución de ingresos antes de que se publiquen las grandes encuestas.
El Modelo MIDAS
Nuestra solución implica un modelo MIDAS funcional. Piensa en él como una forma de conectar los puntos entre datos de alta frecuencia y la distribución de ingresos de baja frecuencia. Al juntar indicadores económicos regulares, podemos hacer conjeturas bastante decentes sobre la distribución de ingresos antes de que lleguen los informes oficiales.
Usamos algo llamado Análisis de Componentes Principales Funcionales para simplificar los datos de la distribución de ingresos, reduciéndolos a un tamaño manejable. Este enfoque facilita el trabajo con ellos mientras se conserva la información esencial.
Desafíos de Usar Datos de Alta Frecuencia
Aunque la idea de usar datos de alta frecuencia suena genial, viene con su propio conjunto de desafíos. Necesitamos emparejar estos trozos de datos a corto plazo con la distribución de ingresos a largo plazo. Es un poco como intentar encajar piezas de un rompecabezas que son de diferentes tamaños.
Además, averiguar qué datos son relevantes es todo un reto. Podemos tener un buffet de indicadores de alta frecuencia, pero no todos serán importantes. Podríamos acabar con demasiadas variables, haciendo que nuestro modelo sea demasiado complejo y potencialmente inexacto.
Para abordar esto, utilizamos algo llamado grupo lasso spike-and-slab prior. Suena elegante, pero esencialmente, es una forma de ayudarnos a elegir las piezas más importantes mientras ignoramos las innecesarias. Es como ir a un buffet y elegir los platos más sabrosos mientras dejas atrás las verduras pasadas.
Nowcasting de la Distribución de Ingresos de los Hogares en EE.UU.
En nuestro ejemplo práctico, nos enfocamos en nowcasting la distribución de ingresos de los hogares en EE.UU. usando datos de la Encuesta de Población Actual. Esta encuesta recopila información completa sobre el ingreso de los hogares de varias fuentes cada año y la publica en marzo del año siguiente. Sin embargo, los cambios económicos mensuales suelen ocurrir entre el momento en que se recopilan los datos y la publicación del informe final.
Al aplicar nuestro modelo MIDAS funcional, usamos los indicadores económicos más recientes para proporcionar pronósticos en tiempo real de la distribución de ingresos de los hogares. Este enfoque puede ayudar a los responsables de políticas a entender mejor las condiciones económicas actuales y reaccionar más rápido.
Perspectivas Prácticas
Después de aplicar nuestro modelo, descubrimos que aprovechar los indicadores económicos trimestrales mejoró significativamente nuestros pronósticos de la distribución de ingresos de los hogares. Por ejemplo, pudimos seguir mejor características clave de la distribución que señalan cambios en la desigualdad, como el Índice de Gini o el coeficiente de variación.
Usar nuestro modelo nos permite monitorear los cambios en los ingresos antes de que lleguen los datos oficiales, dando una visión más clara del panorama económico.
Una Mirada al Futuro
Las aplicaciones de este modelo son amplias. Más allá de la distribución de ingresos, se puede usar para evaluar el bienestar económico en general. Los responsables de políticas pueden obtener información oportuna para crear estrategias mejor fundamentadas para abordar la desigualdad.
Los científicos sociales podrían usar los datos para estudiar cómo los cambios en los ingresos afectan a varios grupos demográficos. ¡Las posibilidades son infinitas!
Resumen
En resumen, monitorear la distribución de ingresos de los hogares es crucial para una sociedad saludable. Los métodos tradicionales de recopilación de datos pueden retrasarse, pero al utilizar indicadores económicos de alta frecuencia a través de un modelo MIDAS funcional, podemos crear pronósticos oportunos de la distribución de ingresos.
Este modelo ayuda a cerrar la brecha entre los cambios económicos rápidos y el proceso más lento de recopilación de datos de las encuestas de hogares. Las percepciones obtenidas pueden informar a los responsables de políticas y a los científicos sociales, ayudándoles a promover una mejor estabilidad y crecimiento económico.
En nuestra economía en constante cambio, tener las herramientas adecuadas para evaluar y reaccionar es una necesidad, y el modelo MIDAS funcional actúa como un recurso valioso en este esfuerzo. Así que, mientras esperamos que lleguen esas grandes encuestas, aún podemos tener una buena idea de lo que está cocinándose en la cocina de la economía. ¡Bon appétit!
Título: Nowcasting distributions: a functional MIDAS model
Resumen: We propose a functional MIDAS model to leverage high-frequency information for forecasting and nowcasting distributions observed at a lower frequency. We approximate the low-frequency distribution using Functional Principal Component Analysis and consider a group lasso spike-and-slab prior to identify the relevant predictors in the finite-dimensional SUR-MIDAS approximation of the functional MIDAS model. In our application, we use the model to nowcast the U.S. households' income distribution. Our findings indicate that the model enhances forecast accuracy for the entire target distribution and for key features of the distribution that signal changes in inequality.
Autores: Massimiliano Marcellino, Andrea Renzetti, Tommaso Tornese
Última actualización: 2024-11-08 00:00:00
Idioma: English
Fuente URL: https://arxiv.org/abs/2411.05629
Fuente PDF: https://arxiv.org/pdf/2411.05629
Licencia: https://creativecommons.org/licenses/by-nc-sa/4.0/
Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.
Gracias a arxiv por el uso de su interoperabilidad de acceso abierto.