Predicción del Índice Nacional de Precios al Consumidor en México

Julio César Ayllon-Benítez

doi:10.23913/ride.v16i32.2947

Julio César Ayllon-Benítez Tecnológico Nacional de México

DOI: https://doi.org/10.23913/ride.v16i32.2947

Resumen

Los precios al consumidor integran el indicador fundamental para medir el cambio en el costo de una canasta representativa de bienes y servicios, ponderada conforme a su importancia económica, el cual se utiliza como referencia principal para estimar la inflación. La investigación tuvo como objetivo predecir el Índice Nacional de Precios al Consumidor (INPC) empleando dos enfoques de series de tiempo: componentes no observables (UCM) y el modelo estacional autorregresivo integrado de media móvil (SARIMA) para contrastar su desempeño. Se empleó una metodología cuantitativa de tipo descriptivo y explicativo, utilizando 288 observaciones mensuales comprendidas entre enero de 2002 y diciembre de 2025. Ambos modelos fueron ajustados mediante el software estadístico SAS® y su desempeño se comparó con base en la raíz del error cuadrático medio (RECM) fuera de muestra (enero 2023 a diciembre 2025), así como los criterios de información de Akaike (AIC) y Schwarz (SBC). En los resultados, el modelo SARIMA (2,1,0)(0,1,1)[12] presentó un menor RECM, coeficientes estadísticamente significativos y valores más bajos de AIC y SBC, superando al modelo UCM. El análisis se limita a una serie temporal específica del INPC mexicano, por lo que su aplicación a otros contextos requiere precaución. La sensibilidad de UCM ante cambios estructurales plantea una ventaja en escenarios con alta volatilidad. En conclusión, el modelo SARIMA demostró mejor capacidad predictiva y bondad de ajuste en comparación con el modelo UCM, lo que sugiere que es una herramienta eficaz para el análisis prospectivo del comportamiento inflacionario en México y para la toma de decisiones en políticas públicas.

Descargas

La descarga de datos todavía no está disponible.

Citas

Alonso, J. C. y Rivera, A. F. (2017). Pronosticando la inflación mensual en Colombia un paso hacia delante: una aproximación “de abajo hacia arriba”. Revista de Métodos Cuantitativos para la Economía y la Empresa, 23, 98-118.
Ayllon, B. J. C., Omaña, S. J. M., Matus, G. J. A., Martínez, D. M. Á., Sangerman, J. D. M. y González, R. F. (2024). Análisis de intervención en la variación porcentual del INPC en México, enero 2002- junio 2020. Economía Sociedad y Territorio, 24(74), 1-18.
Banco de México (BANXICO). (2025). Principales elementos del cambio de base del INPC. Extracto del Informe Trimestral abril - junio 2018. pp. 55-56.
Banco de México (BANXICO). (2022). Informe trimestral enero-marzo 2022. Banco de México. https://www.banxico.org.mx.
Bonizzi, B., Kaltenbrunner, A. & Powell, J. (2022). Financialised capitalism and the subordination of emerging capitalist economies, Cambridge Journal of Economics, 46(4), 651-678.
Brintha, N. K. K., Samita, S., Abeynayake, N. R., Idirisinghe, I. M. S. K., & Kumarathunga, A. M. D. P. (2014). Use of Unobserved Components Model for forecasting non-stationary time series: A case of annual national coconut production in Sri Lanka. Sri Lankan Journal of Applied Statistics, 25, 423-431.
Box, G. E., Jenkins, G. M. and Reinsel, G. C. (2008). Time series analysis: Forecasting and control. (4th ed.). John Wiley & Sons.
De Gregorio, J. (2019). Inflation Targets in Latin America. Peterson Institute for International Economics, 19, 1-16.
Dickey, D. A. & Fuller, W. A. (1981). Likelihood ratio statistics for autoregressive time series with a unit root. Econometrica, 49(4), 1057-1072.
Duran, R., Garrido, E., Godoy, C. y de Dios, T. J. (2012). Inflation prediction in Mexico with models disaggregated by components. Estudios Económicos De El Colegio De México, 27(1), 133-167.
Durbin, J., and Koopman, S. J. (2012). Time series analysis by state space methods (2nd ed.). Oxford University Press. 343 p.
Enders, W. (2014). Applied econometrics. (4th ed.). John Wiley & Sons.
Ercolani, J. (2023). Unobserved Components Models. In Hamilton, J. H., Dixit, A., Edwards, S. and Judd, K. (Eds.), Oxford Research Encyclopedias: Economics and Finance Oxford University Press. https://doi.org/10.1093/acrefore/9780190625979.013.896.
Farrera, G. A. (2013). Manual de pronósticos para la toma de decisiones. (1a. ed.). Editorial Digital Tecnológico de Monterrey.
Flores, C. L. (2017). Pronóstico del Índice Nacional de Precios al Consumidor. Revista Iberoamericana de Contaduría, Economía y Administración, 6(12), 60-88. https://doi.org/10.23913/ricea.v6i12.95
Fomby, T. (2008). The unobservable components model. SAS Help Documentation, Southern Methodist University.
Gujarati, D. y Porter, D. (2010). Econometría. (5a. ed.). McGraw-Hill.
Guerrero, G. V. M. (2009). Análisis estadístico y pronóstico de series de tiempo económicas. (3ra. ed.). Jit Press.
Heath, J. (2012). Lo que indican los indicadores: Cómo utilizar la información estadística para entender la realidad económica de México. INEGI.
Hewamalage, H., Bergmeir, C., & Bandara, K. (2021). Recurrent neural networks for time series forecasting: Current status and future directions. International Journal of Forecasting, 37(1): 388-427. https://doi.org/10.1016/j.ijforecast.2020.06.008
Harvey, A. C. (1989). Forecasting, structural time series models and the Kalman filter. Cambridge University Press.
Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and practice (3rd ed.). OTexts. 291 p. https://otexts.com/fpp3/
INEGI. (2025a). Índice Nacional de Precios al Consumidor (INPC). Base de datos de consulta pública. En: https://www.inegi.org.mx/temas/inpc/
INEGI. (2025b). Índice Nacional de Precios al Consumidor (INPC). Documento metodológico. Base segunda quincena de julio 2018. 137 p.
FMI. (2023). International Monetary Fund. World Economic Outlook: Inflation and disinflation. IMF Publications. 161 p. https://www.imf.org/-/media/files/publications/weo/2023/october/english/text.pdf
Luis, R. S., García, R. C., García, R., Arana, O. A. y González, A. (2019). Metodología Box-Jenkins para pronosticar los precios de huevo blanco pagados al productor en México. Agrociencias, 53, 911-925.
Mankiw, N. G. (2012). Principios de Economía. (6a. ed.). Cengage Learning.
Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2022). The M5 competition: Background, organization, and implementation. International Journal of Forecasting. 38(4): 1325-1336. https://doi.org/10.1016/j.ijforecast.2021.07.007
OCDE (Organization for Economic Co-operation and Development). (2023). OCDE Economic Outlook, Volume 2023 Issue 1: A long unwinding road, OCDE Publishing, Paris, 247 p. https://doi.org/10.1787/ce188438-en.
Pankratz, A. (1983). Forecasting with univariate Box-Jenkins models: Concepts and cases. John Wiley & Sons.
Peirano, R., Werner, K. and Minutolo, M. (2021). Forecasting Inflation in Latin American Countries Using a SARIMA-LSTM Combination, PREPRINT (Version 1) available at Research Square. https://doi.org/10.21203/rs.3.rs-607554/v1.
Pelagatti, M. M. (2016). Time series modelling with unobserved components. (1st ed.). Chapman & Hall/CRC Press.
Sabau, G. H. (2011). Análisis econométrico dinámico: Una exploración para series de tiempo con el método econométrico. (1a. ed.). Universidad Iberoamericana.
Salas, J. (2021). Inflación: El cálculo estadístico de una enfermedad social. In: Heath, J. (coord.). Lo que indican los indicadores: Cómo utilizar la información estadística para entender la realidad económica de México. INEGI. pp. 85-100.
Sujata, K. (2010). UCM: A measure of core inflation. International Journal of Monetary Economics and Finance, 3(3), 248-269. https://doi.org/10.1504/IJMEF.2010.033456.
Vidal, A. P. y Fundora, F. A. (2004). Tendencias y ciclos en el Producto Interno Bruto de Cuba. Estimación de un modelo estructural univariante de series temporales. 42 Aniversario de los Estudios de Economía en la Universidad de La Habana.