📈 economics

Estimation of MIDAS Regressions with Errors-in-the-Variables

Este artículo propone un estimador consistente para modelos de muestreo de datos mixtos (MIDAS) con errores de medición en ambas frecuencias, utilizando un enfoque de puntuación corregida y máxima verosimilitud perfilada.

Autores originales: Sukhbir Kaur, Sukhbir Singh, Kanchan Jain, Pooja Soni

Publicado 2026-04-28

📖 3 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Sukhbir Kaur, Sukhbir Singh, Kanchan Jain, Pooja Soni

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El Problema de los "Relojes Desincronizados" y los "Datos Borrosos"

Imagina que eres un chef que intenta entender cómo el clima afecta las ventas de helados. Tienes dos fuentes de información:

El termómetro: Te da la temperatura cada hora (datos de alta frecuencia).
El libro de ventas: Te dice cuánto vendiste cada mes (datos de baja frecuencia).

Para entender el negocio, necesitas conectar esos datos rápidos (horas) con los lentos (meses). En estadística, esto se llama un modelo MIDAS.

Pero aquí viene el problema real, y es lo que este estudio analiza. El problema tiene dos capas de "caos":

1. El problema de los ritmos distintos (MIDAS)

Es como intentar bailar un tango (ritmo lento y marcado) mientras suena una batería de rock de fondo (ritmo rápido y frenético). No puedes simplemente sumar los golpes de la batería a los pasos del tango; necesitas una fórmula especial para que los ritmos encajen sin que la música se vuelva un ruido insoportable.

2. El problema de los datos "borrosos" (Error de Medición)

Imagina que tu termómetro está viejo y a veces marca 2 grados más o menos de lo que realmente hace. O que tu libro de ventas tiene manchas de café y no ves bien los números. A esto los científicos lo llaman "Error de Medición".

Si intentas usar los métodos tradicionales (como los que usaba un investigador llamado Ghysels) con datos que tienen estas "manchas" y estos "ritmos distintos", el resultado será como intentar seguir una receta de cocina usando una balanza que siempre falla: al final, el pastel te saldrá mal, sin importar cuántas veces lo intentes. El estudio demuestra que los métodos antiguos se vuelven "inconsistentes" (es decir, por más datos que consigas, el error no desaparece, se queda ahí estancado).

¿Qué hicieron los autores? (La Solución: "El Filtro de Limpieza")

Los investigadores (Kaura, Singh y sus colegas) dijeron: "Si sabemos que los datos están sucios, no podemos tratarlos como si estuvieran limpios".

Crearon una nueva herramienta matemática, una especie de "lente de alta definición" llamada Estimador de Puntuación Corregida.

Su estrategia fue la siguiente:

Reconocer la mancha: En lugar de ignorar el error del termómetro o del libro de ventas, ellos incluyen ese error dentro de su fórmula.
Limpiar el ruido: Usan una técnica para "restar" matemáticamente la suciedad de los datos. Es como si, al ver una foto borrosa, tu cerebro fuera capaz de reconstruir los bordes nítidos de las figuras.

¿Cómo sabemos que funciona? (La Prueba de Fuego)

Para comprobarlo, hicieron un experimento en una computadora (una simulación). Compararon el método viejo con su método nuevo.

Los resultados fueron claros:

El método viejo: Por más que le dabas más datos, el error siempre se quedaba ahí, como una sombra que no se va.
El método nuevo (el de los autores): A medida que le dabas más información, el error se iba haciendo cada vez más pequeño, hasta casi desaparecer. ¡Lograron la precisión!

En resumen...

Este estudio es como haber inventado un nuevo par de gafas para los economistas. Ahora, cuando tengan que analizar datos que vienen a ritmos diferentes (como el empleo diario frente al PIB trimestral) y que además vienen con errores (como datos mal registrados), podrán ver la realidad con claridad en lugar de ver una imagen borrosa y engañosa.

1. El Problema (Contexto y Motivación)

En la econometría moderna, es común trabajar con datos de frecuencias mixtas (por ejemplo, el PIB es trimestral, mientras que la inflación es mensual). El modelo MIDAS (Mixed Data Sampling), introducido por Ghysels et al. (2004), es la herramienta estándar para manejar estas relaciones sin perder información mediante el uso de polinomios de rezagos.

Sin embargo, el problema central que aborda este artículo es que, en la práctica, tanto las variables de baja frecuencia (endógenas) como las de alta frecuencia (exógenas) suelen estar contaminadas por errores de medición (ME). Los estimadores tradicionales de MIDAS (como el de perfil de verosimilitud propuesto por Ghysels y Qian en 2019) asumen que los datos son exactos. El estudio demuestra matemáticamente que, ante la presencia de errores de medición, estos estimadores pierden su propiedad de consistencia, lo que significa que, incluso con muestras infinitas, el estimador no convergerá al valor real de los parámetros, introduciendo sesgos significativos.

2. Metodología

Los autores proponen un nuevo enfoque para corregir este sesgo en el modelo ADL-MIDAS (Autoregressive Distributed Lag - MIDAS).

Modelado del Error: Se asume que las variables observadas ( $y_t$ y $x_t$ ) son versiones ruidosas de las variables latentes reales ( $Z_t$ y $\xi_t$ ), con errores de medición distribuidos normalmente: $y_t = Z_t + u_t$ y $x_t = \xi_t + v_t$ .
Enfoque de Puntuación Corregida (Corrected Score): Utilizando la metodología de Nakamura (1990), los autores modifican la función de log-verosimilitud original. La clave es la construcción de una log-verosimilitud corregida ( $L^*_c$ ) que compensa los términos de error adicionales que surgen de la contaminación de los datos.
Estimación por Perfil de Verosimilitud: Para hacer el proceso computacionalmente viable, emplean el método de perfil para concentrar la verosimilitud primero en la varianza del error de la ecuación ( $\sigma^2_\epsilon$ ) y luego optimizar los parámetros de interés ( $\beta$ y $\theta$ ).
Supuestos: El método requiere el conocimiento previo de las varianzas de los errores de medición ( $\sigma^2_u$ y $\sigma^2_v$ ), lo cual es una práctica común en estudios donde se conoce la precisión de los instrumentos de recolección de datos.

3. Contribuciones Clave

Demostración de Inconsistencia: Probar formalmente que el estimador de perfil estándar de MIDAS es inconsistente cuando existen errores de medición tanto en la variable dependiente como en los rezagos de la independiente.
Nuevo Estimador Consistente: Proponer un estimador corregido para los parámetros del modelo ADL-MIDAS que recupera la consistencia asintótica.
Prueba de Propiedades Asintóticas: Demostrar mediante el teorema del límite central que el nuevo estimador es consistente y que su distribución asintótica es normal.

4. Resultados Principales (Simulación de Monte Carlo)

A través de simulaciones numéricas, los autores validaron su propuesta comparándola con el estimador "ingenuo" (el que ignora el error):

Consistencia: Mientras que el sesgo del estimador tradicional no tiende a cero a medida que aumenta el tamaño de la muestra ( $T$ ), el sesgo del estimador propuesto sí converge a cero, confirmando su consistencia.
Efecto de la Frecuencia: Se descubrió que el error de medición en la variable de baja frecuencia tiene un efecto de amplificación mayor sobre los coeficientes de regresión ( $\beta$ ) que el error en la variable de alta frecuencia.
Efecto de los Rezagos ( $j_{max}$ ): Un mayor número de rezagos aumenta la complejidad y el sesgo potencial. Los autores sugieren que la selección del número de rezagos debe ser parsimoniosa para evitar la carga computacional y el aumento de la variabilidad.
Sensibilidad de Parámetros: El error en la variable de alta frecuencia afecta más críticamente a la estimación del hiperparámetro del polinomio ( $\theta$ ) y a la varianza del error ( $\sigma^2_\epsilon$ ).

5. Significancia

Este trabajo es de gran importancia para la política económica y la macroeconomía aplicada. Dado que los indicadores económicos (como el desempleo o el PIB) suelen sufrir revisiones constantes y errores de reporte, los modelos MIDAS utilizados para el pronóstico deben ser robustos. El estudio proporciona una herramienta estadística rigurosa para que los investigadores obtengan estimaciones fiables y no sesgadas, incluso cuando los datos de entrada son imperfectos.