Publicación:
Pronóstico de la tasa de desempleo en Colombia: aplicación del índice de base móvil en modelos clásicos de series de tiempo

Vista sencilla de ítem
dc.contributor.advisorCogollo Flórez, Myladis Rocío
dc.contributor.authorCoronado Teran, Jefferson
dc.contributor.juryROBLES GONZALEZ, JUANA RAQUEL
dc.contributor.juryTreco Hernández, Manuel
dc.date.accessioned2025-06-28T18:54:31Z
dc.date.available2025-06-28T18:54:31Z
dc.date.issued2025-06-27
dc.description.abstractEl desempleo es un fenómeno socioeconómico que impacta negativamente en el desarrollo económico de un país y en la calidad de vida de su población. En Colombia, pronosticar la tasa de desempleo se ha convertido en una necesidad por el gran porcentaje de personas sin empleo y con pocas oportunidades de mejorar su calidad de vida. Este trabajo propone un enfoque metodológico flexible para modelar series temporales con alta variabilidad y tendencia, utilizando un índice de base móvil como nueva variable de análisis. Esta variable permite evitar transformaciones y diferenciaciones adicionales en los modelos, facilitando el procesamiento y mejorando la interpretación de los datos. El estudio incluye la construcción de la variable de base móvil, el ajuste de modelos clásicos de series de tiempo. Los resultados demuestran que el uso del índice de base móvil mejora significativamente el desempeño de los modelos clásicos y ofrece resultados comparables con las redes neuronales. Se concluye que el índice de base móvil constituye una herramienta eficiente para modelar y pronosticar la tasa de desempleo, aportando ventajas como la reducción de transformaciones previas y una interpretación más sencilla de la dinámica de la serie.spa
dc.description.abstractUnemployment is a socioeconomic phenomenon that negatively impacts a country's economic development and the quality of life of its population. In Colombia, forecasting the unemployment rate has become necessary due to the large percentage of unemployed people with few opportunities to improve their quality of life. This work proposes a flexible and efficient methodological approach for modeling time series with high variability and trend, using a moving base index as a new analysis variable. This variable avoids additional transformations and differentiations in the models, facilitating processing and improving data interpretation. The study includes the construction of the moving base variable, the fitting of classical time series models, and comparison with artificial neural networks. The results demonstrate that the use of the moving base index significantly improves the performance of classical models and offers results comparable with those of neural networks. It is concluded that the moving base index is an efficient tool for modeling and forecasting the unemployment rate, providing advantages such as reducing the need for prior transformations and simplifying the interpretation of the series' dynamics.eng
dc.description.degreelevelPregrado
dc.description.degreenameEstadístico(a)
dc.description.modalityTrabajos de Investigación y/o Extensión
dc.description.tableofcontentsResumenspa
dc.description.tableofcontentsAgradecimientosspa
dc.description.tableofcontentsIntroducciónspa
dc.description.tableofcontents1. Marco teóricospa
dc.description.tableofcontents1.1. Tasa de desempleospa
dc.description.tableofcontents1.2. Índicesspa
dc.description.tableofcontents1.3. Análisis de series temporalesspa
dc.description.tableofcontents1.4. Metodología Box-Jenkinsspa
dc.description.tableofcontents1.5. Modelo ARIMAspa
dc.description.tableofcontents1.6. Modelo SARIMAspa
dc.description.tableofcontentsCapítulo 1spa
dc.description.tableofcontents1.7. Redes neuronales artificialesspa
dc.description.tableofcontents1.8. Diagnóstico del modelospa
dc.description.tableofcontents1.9. Métricas de desempeñospa
dc.description.tableofcontentsCapítulo 2spa
dc.description.tableofcontents2. Antecedentesspa
dc.description.tableofcontentsCapítulo 3spa
dc.description.tableofcontents3. Materiales y métodosspa
dc.description.tableofcontents3.1. Descripción de los datosspa
dc.description.tableofcontents3.2. Tipo de estudiospa
dc.description.tableofcontents3.3. Propuesta para el modelado de la tasa de desempleospa
dc.description.tableofcontents3.4. Comparación con otros métodos de pronósticosspa
dc.description.tableofcontentsCapítulo 4spa
dc.description.tableofcontents4. Resultadospa
dc.description.tableofcontents4.1. Construcción de la variable de interésspa
dc.description.tableofcontents4.2. Análisis preliminarspa
dc.description.tableofcontents4.3. Validación cruzada simplespa
dc.description.tableofcontents4.4. Modelado de la nueva variablespa
dc.description.tableofcontents4.5. Pronóstico a partir de la información históricaspa
dc.description.tableofcontents4.6. Comparación con otros métodos de pronósticospa
dc.description.tableofcontentsConslucionesspa
dc.description.tableofcontentsBibliografíaspa
dc.description.tableofcontentsApéndicespa
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad de Córdoba
dc.identifier.reponameRepositorio Universidad de Córdoba
dc.identifier.repourlhttps://repositorio.unicordoba.edu.co/
dc.identifier.urihttps://repositorio.unicordoba.edu.co/handle/ucordoba/9236
dc.language.isospa
dc.publisherUniversidad de Córdoba
dc.publisher.facultyFacultad de Ciencias Básicas
dc.publisher.placeMontería, Córdoba, Colombia
dc.publisher.programEstadística
dc.relation.referencesBallesteros López, F. (2021). Aplicación de modelos ARIMA y redes neuronales artificiales en la predicción de series de tiempo financieras [Trabajo de grado, Universidad Nacional Abierta y a Distancia (UNAD)].
dc.relation.referencesBox, G. E. P., Jenkins, G. M., & Reinsel, G. C. (2008). Time Series Analysis: Forecasting and Control (4th ed.). Wiley.
dc.relation.referencesBox, G. E. P., & Jenkins, G. M. (1970). Time series analysis: Forecasting and control. Holden-Day.
dc.relation.referencesBrockwell, P. J., & Davis, R. A. (2016). Introduction to time series and forecasting (3rd ed.). Springer.
dc.relation.referencesCárdenas Rodríguez, J. D., García Pinto, O. L., & Rocha Useche, L. M. (2021). Aplicación de técnicas estadísticas y de aprendizaje automático para el análisis de indicadores económicos en Colombia. Revista Colombiana de Estadística, 44(1), 103–134. https://doi.org/10.15446/rce.v44n1.846791
dc.relation.referencesCardona, L. F., & Rojas, J. A. (2025). Pronósticos para la tasa de desempleo en Colombia a partir de Google Trends (Informe No. 468). Departamento Nacional de Planeación. https://colaboracion.dnp.gov.co/CDT/Estudios%20Econmicos/468.pdf
dc.relation.referencesCosta, E. A., Silva, M. E., & Galvão, A. B. (2024). Real-time nowcasting the monthly unemployment rates with daily Google Trends data. Socio-Economic Planning Sciences, 95, 101963. https://doi.org/10.1016/j.seps.2024.101963
dc.relation.referencesDANE. (2025). Gran Encuesta Integrada de Hogares (GEIH). https://www.dane.gov.co/index.php/estadisticas-por-tema/mercado-laboral/empleo-y-desempleo
dc.relation.referencesDepartamento Administrativo Nacional de Estadística (DANE). (2024). Gran Encuesta Integrada de Hogares (GEIH): Series empalmadas 2001–2024 [Banco de la República - Gerencia Técnica - Información extraída de la bodega de datos - Serankua, consultada el 27 de agosto de 2024].
dc.relation.referencesDorin, F., Perrotti, D., & Goldszier, P. (2018). Los números índices y su relación con la economía (Metodologías de la CEPAL N° 1). Comisión Económica para América Latina y el Caribe (CEPAL). https://www.cepal.org/es/publicaciones/43840-numeros-indices-su-relacion-economia
dc.relation.referencesEngle, R. F. (1982). Autoregressive conditional heteroskedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50(4), 987–1007.
dc.relation.referencesEspinosa, H. A., & Poveda, J. A. (2019). Aplicación de técnicas estadísticas para la predicción de series temporales en el sector económico colombiano.
dc.relation.referencesGaspar Marroquín Martínez, & Chalita Tovar, L. E. (2011). Aplicación de la metodología Box-Jenkins para pronóstico de precios en jitomate. Revista Mexicana de Ciencias Agrícolas, 2(4), 573–577.
dc.relation.referencesGonzalo Ríos. (2008). Series de Tiempo. Universidad de Chile, Facultad de Ciencias Físicas y Matemáticas, Departamento de Ciencias de la Computación. Curso: Tópicos en Minería de Datos.
dc.relation.referencesHajirahimi, Z., & Khashei, M. (2022). A novel parallel hybrid model based on series hybrid models of ARIMA and ANN models. Neural Processing Letters, 1–19. Springer.
dc.relation.referencesHerrera, J. (2021). Fundamentos de Data Mining. Bookdown. https://bookdown.org/jorherre/FDATAMINING/
dc.relation.referencesHyndman, R. J. (2018). Forecasting: Principles and Practice (2nd ed.). OTexts. https://otexts.com/fpp3/nnetar.html
dc.relation.referencesHyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.). OTexts. https://otexts.com/fpp3/
dc.relation.referencesKumbure, M. M., Lohrmann, C., Luukka, P., & Porras, J. (2022). Machine learning techniques and data for stock market forecasting: A literature review. Expert Systems with Applications, 197, 116659. https://doi.org/10.1016/j.eswa.2022.116659
dc.relation.referencesLasso-Valderrama, F., & Zárate-Solano, H. M. (2019). Forecasting the Colombian Unemployment Rate Using Labour Force Flows (Borrador de Economía No. 1073). Banco de la República de Colombia. https://repositorio.banrep.gov.co/handle/20.500.12134/9337
dc.relation.referencesLeonie, M. (2022). Time Series — Interpreting ACF and PACF. Kaggle. https://www.kaggle.com/code/iamleonie/time-series-interpreting-acf-and-pacf
dc.relation.referencesLjung, G. M., & Box, G. E. P. (1978). On a measure of lack of fit in time series models. Biometrika, 65(2), 297–303.
dc.relation.referencesLuis-Rojas, S., García-Sánchez, R. C., García-Mata, R., Arana-Coronado, O. A., & González-Estrada, A. (2019). Metodología Box - Jenkins para pronosticar los precios de huevo blanco pagados al productor en México. Agrociencia, 53, 911–925.
dc.relation.referencesMagazzino, C., Mele, M., & Mutascu, M. (2024). An artificial neural network experiment on the prediction of the unemployment rate. Journal of Policy Modeling. https://doi.org/10.1016/j.jpolmod.2024.10.004
dc.relation.referencesManrique Tabares, C. A. (2022). Metodología Box-Jenkins para la tasa de desempleo armonizada de la población económicamente activa en Colombia. https://www.researchgate.net/publication/362489700
dc.relation.referencesOrganización Internacional del Trabajo. (2024, enero). La tasa de desempleo mundial aumentará en 2024, mientras que las crecientes desigualdades sociales son motivo de preocupación, según un informe de la OIT. https://www.ilo.org/es/resource/news/la-tasa-de-desempleo-mundial-aumentar%C3%A1-en-2024-mientras-que-las-crecientes
dc.relation.referencesParra, F. (2005). Econometría Aplicada II (pp. 6–19). Ediciones Pirámide.
dc.relation.referencesParra, C., & Parra, F. (2021). Series de Tiempo. Ediciones Pirámide.
dc.relation.referencesReal Statistics Using Excel. (s.f.). Correlogram. https://real-statistics.com/time-series-analysis/stochastic-processes/correlogram/
dc.relation.referencesShumway, R. H., & Stoffer, D. S. (2023). Time series analysis and its applications: With R examples (5th ed.). Springer. https://doi.org/10.1007/978-3-031-21109-6
dc.relation.referencesTorres Becerra, Á. D., & Téllez Rodríguez, M. F. (2022). Nowcasting de la tasa de desempleo de Colombia por medio de Machine Learning y pronóstico de la inflación y representación por medio de la curva de Phillips proyectada [Trabajo de grado, Universidad Piloto de Colombia].
dc.relation.referencesVicente, M. R., López-Menéndez, A. J., & Pérez, R. (2015). Forecasting unemployment with internet search data: Does it help to improve predictions when job destruction is skyrocketing? Technological Forecasting and Social Change, 92, 132–139. https://doi.org/10.1016/j.techfore.2014.12.005
dc.rightsCopyright Universidad de Córdoba, 2025
dc.rights.accessrightsinfo:eu-repo/semantics/embargoedAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_f1cf
dc.rights.licenseAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject.keywordsUnemployment rateeng
dc.subject.keywordsForecasteng
dc.subject.keywordsTime Serieseng
dc.subject.keywordsMoving base indexeng
dc.subject.keywordsCross validationeng
dc.subject.proposalTasa de desempleospa
dc.subject.proposalPronósticospa
dc.subject.proposalSeries de tiempospa
dc.subject.proposalIndice de base móvilspa
dc.subject.proposalValidación cruzadaspa
dc.titlePronóstico de la tasa de desempleo en Colombia: aplicación del índice de base móvil en modelos clásicos de series de tiempospa
dc.titleUnemployment Rate Forecast in Colombia: Application of the Moving Base Index in Classical Time Series Modelseng
dc.typeTrabajo de grado - Pregrado
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.contentText
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 2 de 2
Miniatura
Nombre:
CoronadoTeranJefferson.pdf
Tamaño:
1.18 MB
Formato:
Adobe Portable Document Format
Descargar
No hay miniatura disponible
Nombre:
AutorizaciónPublicación.pdf
Tamaño:
554.28 KB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
15.18 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
B.F.A. Trabajos de Investigación y/o Extensión