die-bg / hemi.jl Goto Github PK

Como referencia, dejo la ubicación en run_batch donde se almacenan los resultados.

Escenario E: obtención de medidas para evaluación fuera de muestra.

• Obtener la medida óptima.
• Documentación de resultados.

Los parámetros de configuración en este caso son los siguientes:

1. Período de Evaluación:
   • Diciembre 2001 - Diciembre 2018, ff = Date(2018, 12)
2. Trayectoria de inflación paramétrica
   • Con cambios de base cada 5 años, [InflationTotalRebaseCPI(60)].
3. Método de remuestreo Remuestreo bloques estacionarios, [ResampleSBB(36)], con tamaño de bloque esperado igual a 36.
4. Muestra completa para evaluación [SimConfig].
5. Tendencia: caminata aleatoria.
6. Sí se deben obtener parámetros óptimos para estimadores.

Realizar un script para determinar el número de simulaciones del ejercicio base utilizando los siguientes parámetros:

• Parámetro de variación interanual del IPC con cambio de base sintético cada 5 años.
• Metodología de remuestreo de bloques de tamaño esperado 36.
• Tendencia estocástica de caminata aleatoria.

Implementación de la función de inflación para percentiles equiponderados y ponderados.

Actualmente existe una versión implementada para percentiles equiponderados que funciona bastante bien. De manera similar, se debe implementar la versión ponderada

Agregar medida de inflación para media ponderada interanual

Se podría utilizar PrettyTables para mostrar parte de las series de tiempo de las variaciones intermensuales o de los índices de precios.

Agregar opción en SimConfig y tipos para implementar evaluación en diferentes períodos en evalsim. La implementación debe ser transparente para lo implementado hasta el momento, a menos que se desee configurar los períodos manualmente.

Escenario E: obtención de medidas para evaluación fuera de muestra.

• Obtener la medida óptima.
• Documentación de resultados.

Los parámetros de configuración en este caso son los siguientes:

1. Período de Evaluación:
   • Diciembre 2001 - Diciembre 2018, ff = Date(2018, 12)
2. Trayectoria de inflación paramétrica
   • Con cambios de base cada 5 años, [InflationTotalRebaseCPI(60)].
3. Método de remuestreo Remuestreo bloques estacionarios, [ResampleSBB(36)], con tamaño de bloque esperado igual a 36.
4. Muestra completa para evaluación [SimConfig].
5. Tendencia: caminata aleatoria.
6. Sí se deben obtener parámetros óptimos para estimadores.

El proyecto de DependentBootstrap.jl está agregado con un fork de @r2cp, porque el proyecto original mantiene el manifiesto y no permite actualizar los paquetes. Debido a que este paquete, como el de Bootstrap.jl se utilizaron en la etapa de investigación de métodos de remuestreo, se propone quitarlos del proyecto principal y crear un ambiente separado en el directorio de investigación de métodos de bootstrap.

Implementación de la función de inflación de exclusión fija de gastos básicos. Se puede utilizar como parámetros los números de gastos básicos a excluir. Estos números corresponden a la columnas en las matrices v de los tipos VarCPIBase.

• Recordar que esta medida utiliza la fórmula de cómputo del IPC, es decir, opera con índices de precios y no con las variaciones intermensuales.

Escenario E: obtención de medidas para evaluación fuera de muestra.

• Obtener la medida óptima.
• Documentación de resultados.

Los parámetros de configuración en este caso son los siguientes:

1. Período de Evaluación:
   • Diciembre 2001 - Diciembre 2018, ff = Date(2018, 12)
2. Trayectoria de inflación paramétrica
   • Con cambios de base cada 5 años, [InflationTotalRebaseCPI(60)].
3. Método de remuestreo Remuestreo bloques estacionarios, [ResampleSBB(36)], con tamaño de bloque esperado igual a 36.
4. Muestra completa para evaluación [SimConfig].
5. Tendencia: caminata aleatoria.
6. Sí se deben obtener parámetros óptimos para estimadores.

Evaluación de metodología basada en el método de exclusión dinámica de gastos básicos utilizando los siguientes criterios:

Período de evaluación: completo
Período final de evaluación: diciembre de 2020
Estadístico de evaluación: MSE
Número de simulaciones: 125,000
Función de tendencia: caminata aleatoria calibrada
Trayectoria de inflación paramétrica: Variación interanual del IPC con cambios de base
Método de remuestreo: block bootstrap estacionario con tamaño de bloque 36 y metodología de remuestreo por meses de ocurrencia.

Actualmente, en types.jl los tipos concretos de AbstractCPIBase utilizan el campo de de fechas en español, mientras que la mayoría de funciones y tipos están en inglés. Algunos comentarios al inicio del proyecto están en inglés, mientras que otros están en español. Sería bueno definir concretamente el estilo del código. Se podría utilizar el siguiente esquema de reglas para el código:

• Definición de tipos, métodos y variables principalmente en inglés. Se podrían utilizar abreviaturas en español en donde sea conveniente, por ejemplo: gentrayinfl podría ser un poco más legible que gentrajinfl.
• Comentarios de documentación del código podrían ir en español para construir automáticamente el manual.

Son bienvenidos los comentarios.

Evaluación de medidas de exclusión fija (05/08/2021):

• - Escenario A: Replicar el trabajo efectuado en 2020 - criterios básicos a dic-19

  • Datos hasta dic-19
  • Remuestreo por meses de ocurrencia
  • Parámetro (legacy): 2 cambios de base cada 3 años
  • Tendencia: Random Walk
  • Período completo
  • No hay que optimizar, solo replicar resultados de la página EMI-docs.

• - Escenario B: Extender el trabajo efectuado en 2020 - criterios básicos a dic-20

  • Datos hasta dic-20
  • Remuestreo por meses de ocurrencia
  • Parámetro legacy: 2 cambios de base cada 3 años
  • Tendencia: Random Walk
  • Período completo
  • Sí hay que optimizar, al cambiar los datos pudieron cambiar óptimas

• - Escenario C: Evaluación de criterios básicos a dic-20 - cambio de parámetro

  • Datos hasta
    • dic-19,
    • dic-20
  • Remuestreo por meses de ocurrencia
  • Parámetro cambios de base cada 5 años
  • Tendencia: Random Walk
  • Período completo
  • Sí hay que optimizar, al cambiar los datos pudieron cambiar óptimas.

• - Escenario D: Evaluación de criterios básicos a dic-20 - remuestreo de bloques

  • Datos hasta
    • dic-19,
    • dic-20
  • Remuestreo bloques estacionarios
  • Parámetro:
    • legacy: 2 cambios de base cada 3 años,
    • cambios de base cada 5 años
  • Tendencia: Random Walk
  • Período completo
  • Sí hay que optimizar, al cambiar los datos pudieron cambiar óptimas.

Implementación de las función de inflación para obtener la media truncada equiponderada con recortes especificados.

• Homogeneizar los nombres de las funciones de remuestreo.
• Documentar los tipos y funciones.

Construcción de la medida de inflación de media simple de las variaciones intermensuales de índices de precios.

• Escenario D: Evaluación de criterios básicos a dic-20 - remuestreo de bloques

• Documentación de resultados

• URLs amigables en archivos de documentación de percentiles

  • Datos hasta
    • dic-19,
    • dic-20
  • Remuestreo bloques estacionarios
  • Parámetro:
    • legacy: 2 cambios de base cada 3 años,
    • cambios de base cada 5 años
  • Tendencia: Random Walk
  • Período completo
  • Sí hay que optimizar, al cambiar los datos pudieron cambiar óptimas.

Implementación de la función de inflación subyacente MAI. Debido a que esta medida es más compleja, podría ser buena idea utilizar un módulo dentro de InflationFunctions para implementar todas las funciones y solamente reexportar la medida de inflación final.

Utilizar las medidas óptimas del escenario A para replicar los ponderadores y la trayectoria subyacente óptima MSE 2019.

Incluir:

• Script de generación de las medidas óptimas de cada metodología.
• Script de combinación de las medidas y su evaluación con las distintas métricas.
• Documentar los resultados de evaluación: resultados principales, métricas y trayectoria observada.

Evaluación de metodologías de inflación total utilizando los siguientes criterios:

Período de evaluación: completo
Período final de evaluación: diciembre de 2020
Estadístico de evaluación: MSE
Número de simulaciones: 125,000
Función de tendencia: caminata aleatoria calibrada
Trayectoria de inflación paramétrica: Variación interanual del IPC con cambios de base
Método de remuestreo: block bootstrap estacionario con tamaño de bloque 36 y metodología de remuestreo por meses de ocurrencia.

• Variación interanual del IPC
• Media ponderada interanual
• Media simple interanual
• Medias móviles utilizando 2 a 12 elementos en el promedio.

Mover definiciones a un archivo diferente al de tipos CPIBase.

Se propone utilizar un generador de números aleatorios estable en versión para que al cambiar de versiones de Julia se puedan reproducir los resultados.

Revisar script de MATLAB y crear script similar en JULIA para ampliar el vector de caminata aleatoria.

Refactorizar campo de fechas en VarCPIBase para denotarlo en inglés.

Warning al construir documentación, nombre de las imágenes no coincide con nombre indicado en archivo de Markdown. Cambiar nombre a los archivos de imágenes o en el markdown de resultados de la medida de exclusión fija.

Implementar una TrendFunction con una interfaz general para aplicarse sobre los objetos CountryStructure y VarCPIBase. Similar a la ResampleFunction.

Se debe extender method_name de esta función de remuestreo.

Se propone agregar a la configuración de simulación la función de inflación para aplicar a los datos paramétricos.

Agregar el número de simulaciones en método show de SimConfig.

Implementar función de inflación para obtener la medida de exclusión dinámica de productos, tomando en cuenta dos límites que indican el número de desviaciones estándar respecto del promedio de cada mes.

Se propone construir una medida de inflación que funcione como una envolvente (wrapper) de otra medida de inflación y compute una media móvil aplicando la metodología de suavizamiento exponencial. La medida debe recibir otra función de inflación y el parámetro de suavizamiento, por ejemplo:

inflfn = InflationExpSmoothing(InflationTotalCPI(), 0.75)

Con la metodología de la HEMI se puede encontrar el parámetro de suavizamiento óptimo.

• Agregar CI con Github Actions para probar los paquetes desarrollados en el proyecto.

Agregar las métricas de descomposición aditiva del MSE

Las dos técnicas para obtener los promedios históricos en ResampleSBB son:

• Utilizar los promedios mensuales observados en las series de tiempo, que genera 12 valores de promedios mensuales por serie de tiempo.
• Utilizar el promedio histórico de la serie de tiempo, que genera un valor único promedio por serie de tiempo.

La aproximación de promedio único tiene la ventaja de ser inmediatamente extensible al agregar una nueva base a un CountryStructure.

Implementación de las función de inflación para obtener la media truncada ponderada con recortes especificados.

• Escenario D: Evaluación de criterios básicos a dic-20 - remuestreo de bloques

• Documentación de resultados.

  • Datos hasta
    • dic-19,
    • dic-20
  • Remuestreo bloques estacionarios
  • Parámetro:
    • legacy: 2 cambios de base cada 3 años,
    • cambios de base cada 5 años
  • Tendencia: Random Walk
  • Período completo
  • Sí hay que optimizar, al cambiar los datos pudieron cambiar óptimas.

Escenario E: obtención de medidas para evaluación fuera de muestra.

• Obtener la medida óptima.
• Documentación de resultados.

Los parámetros de configuración en este caso son los siguientes:

1. Período de Evaluación:
   • Diciembre 2001 - Diciembre 2018, ff = Date(2018, 12)
2. Trayectoria de inflación paramétrica
   • Con cambios de base cada 5 años, [InflationTotalRebaseCPI(60)].
3. Método de remuestreo Remuestreo bloques estacionarios, [ResampleSBB(36)], con tamaño de bloque esperado igual a 36.
4. Muestra completa para evaluación [SimConfig].
5. Tendencia: caminata aleatoria.
6. Sí se deben obtener parámetros óptimos para estimadores.

Evaluación de metodología basada en el método de muestra ampliada utilizando los siguientes criterios:

Período de evaluación: completo
Período final de evaluación: diciembre de 2020
Estadístico de evaluación: MSE
Número de simulaciones: 125,000
Función de tendencia: caminata aleatoria calibrada
Trayectoria de inflación paramétrica: Variación interanual del IPC con cambios de base
Método de remuestreo: block bootstrap estacionario con tamaño de bloque 36 y metodología de remuestreo por meses de ocurrencia.

• Crear tipos en InflationEvalTools para especificar las variantes de simulación de manera más compacta.
• Implementar los métodos apropiados de DrWatson para utilizar savename con este tipo para generar nombres de archivos de resultados.

Evaluación de metodologías basadas en percentiles utilizando los siguientes criterios:

• Período de evaluación: completo
• Período final de evaluación: diciembre de 2020
• Estadístico de evaluación: MSE
• Número de simulaciones: 125,000
• Función de tendencia: Caminata aleatoria calibrada
• Trayectoria de inflación paramétrica: Variación interanual del IPC con cambios de base
• Método de remuestreo: Block bootstrap estacionario con tamaño de bloque 36 y metodología de remuestreo por meses de ocurrencia.

• Agregar directorio de documentación al proyecto con Documenter.jl
• Agregar el flujo de trabajo para que se construya al hacer confirmaciones.

Implementar una función que reciba las trayectorias de simulación y la trayectoria paramétrica, o bien, generar la trayectoria paramétrica con #30. El resultado de dicha función deben ser los estadísticos de evaluación:

• MSE (error cuadrático medio) y su descomposición aditiva (sesgo, varianza y correlación).
• ME (error medio).
• RMSE (raíz del error cuadrático medio).
• MAE (error absoluto medio).
• Correlación con la trayectoria paramétrica.

Los estadísticos de evaluación se deben obtener en la muestra de simulación. Posiblemente se tendrá que implementar otra función para obtener los estadísticos de evaluación en los períodos utilizados para el proceso de validación cruzada.

Realizar un programa de evaluación utilizando criterios básicos:

• Función de tendencia de caminata aleatoria
• Función de remuestreo con Stationary Block Bootstrap
• Métrica de evaluación: MSE
• Trayectoria paramétrica: variación interanual del IPC con cambio de base
• Número de simulaciones: por definir

Lista de tareas:

• Generar la configuración de simulación
• Generar las trayectorias de simulación
• Obtener los resultados de la métrica de evaluación en cada subperíodo de evaluación

Evaluación de metodologías basadas en medias truncadas utilizando los siguientes criterios:

• Período de evaluación: completo
• Período final de evaluación: diciembre de 2020
• Estadístico de evaluación: MSE
• Número de simulaciones: 125,000
• Función de tendencia: Caminata aleatoria calibrada
• Trayectoria de inflación paramétrica: Variación interanual del IPC con cambios de base
• Método de remuestreo: Block bootstrap estacionario con tamaño de bloque 36 y metodología de remuestreo por meses de ocurrencia.

• Agregar Literate.jl para construir ejemplos en la documentación.
• Generar un conjunto de datos para la documentación.
• Construir un ejemplo del flujo de trabajo con la HEMI.

Guía:

Escenario E: obtención de medidas para evaluación fuera de muestra.

• Obtener la medida óptima.
• Documentación de resultados.

Los parámetros de configuración en este caso son los siguientes:

1. Período de Evaluación:
   • Diciembre 2001 - Diciembre 2018, ff = Date(2018, 12)
2. Trayectoria de inflación paramétrica
   • Con cambios de base cada 5 años, [InflationTotalRebaseCPI(60)].
3. Método de remuestreo Remuestreo bloques estacionarios, [ResampleSBB(36)], con tamaño de bloque esperado igual a 36.
4. Muestra completa para evaluación [SimConfig].
5. Tendencia: caminata aleatoria.
6. Sí se deben obtener parámetros óptimos para estimadores.

¿Se pueden añadir otros parámetros al SimConfig ?

Esto para queevalsim, makesim y run_batch puedan recibir un diccionario con variantes que incluyan la data, parámetro de inflación y semilla.