dc.contributorCornejo, Magdalena
dc.creatorPejkovich Balbiani, Tobías
dc.date.accessioned2023-05-03T17:33:18Z
dc.date.accessioned2024-08-01T16:54:48Z
dc.date.available2023-05-03T17:33:18Z
dc.date.available2024-08-01T16:54:48Z
dc.date.created2023-05-03T17:33:18Z
dc.date.issued2022
dc.identifierhttps://repositorio.utdt.edu/handle/20.500.13098/11779
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/9536986
dc.description.abstractEl objetivo de este trabajo es proyectar el EMAE sin estacionalidad (EMAE s.e.) a un mes vista con métodos de aprendizaje supervisado, tanto desde un enfoque univariado como multivariado (utilizando una serie de indicadores económicos que se conocen anticipadamente al EMAE), y contrastarlos con respecto a otros modelos econométricos más tradicionales de series de tiempo. En definitiva, el objetivo de este trabajo es intentar obtener una estimación fiable del EMAE s.e. de forma anticipada a la publicación del dato oficial, por lo que se busca un equilibrio entre celeridad y precisión para medir la evolución de la actividad económica con un menor rezago.
dc.publisherUniversidad Torcuato Di Tella
dc.rightshttps://creativecommons.org/licenses/by-sa/2.5/ar/
dc.rightsinfo:eu-repo/semantics/restrictedAccess
dc.subjectEconometría
dc.subjectActividad Económica
dc.subjectProducto Bruto Interno
dc.titleNowcasting de la actividad económica en Argentina: una aproximación desde Machine Learning
dc.typeinfo:eu-repo/semantics/masterThesis
dc.typeinfo:ar-repo/semantics/tesis de maestría


Este ítem pertenece a la siguiente institución