{"id":{"repo_id":"utdt","oai_identifier":"oai:repositorio.utdt.edu:20.500.13098/13559"},"canonical_url":"https://search.dev.ndltd.org/etd/utdt/oai:repositorio.utdt.edu:20.500.13098/13559","repository":{"repo_id":"utdt","name":"Universidad Torcuato di Tella","base_url":"https://repositorio.utdt.edu/oai/request"},"display":{"title":"Predicción de la Actividad Económica Sectorizada a Corto Plazo en República Dominicana (2010–2025) mediante Técnicas Econométricas y de Machine Learning","abstract":"El presente estudio desarrolla un sistema de predicción sectorial de la actividad económica en la República Dominicana, combinando técnicas econométricas tradicionales y métodos avanzados de aprendizaje automático. El objetivo es ofrecer estimaciones mensuales actualizadas y precisas que permitan anticipar cambios coyunturales en los sectores clave del Producto Interno Bruto (PIB): industrial, manufactura local, zonas francas, agropecuario, servicios y construcción. Para ello, se emplearon modelos AutoARIMA, Support Vector Regression, Random Forest (básico y optimizado), y redes neuronales (CNN y RNN), entrenados con más de 150 series económicas transformadas, y evaluados mediante validación cruzada temporal y métricas de desempeño relativo fuera de la muestra. Los resultados revelan que la capacidad predictiva varía según el sector y el tipo de modelo, destacándose Random Forest optimizado por su solidez y estabilidad predictiva. Esta herramienta contribuye significativamente a mejorar el monitoreo económico sectorial, permitiendo una planificación de políticas públicas más eficiente, basada en evidencia. Se identifican también limitaciones asociadas a la disponibilidad de datos, lo que abre líneas de investigación futura centradas en el uso de nowcasting con variables externas y la implementación de técnicas de selección automática de predictores.","abstract_html":"El presente estudio desarrolla un sistema de predicción sectorial de la actividad económica en la República Dominicana, combinando técnicas econométricas tradicionales y métodos avanzados de aprendizaje automático. El objetivo es ofrecer estimaciones mensuales actualizadas y precisas que permitan anticipar cambios coyunturales en los sectores clave del Producto Interno Bruto (PIB): industrial, manufactura local, zonas francas, agropecuario, servicios y construcción. Para ello, se emplearon modelos AutoARIMA, Support Vector Regression, Random Forest (básico y optimizado), y redes neuronales (CNN y RNN), entrenados con más de 150 series económicas transformadas, y evaluados mediante validación cruzada temporal y métricas de desempeño relativo fuera de la muestra. Los resultados revelan que la capacidad predictiva varía según el sector y el tipo de modelo, destacándose Random Forest optimizado por su solidez y estabilidad predictiva. Esta herramienta contribuye significativamente a mejorar el monitoreo económico sectorial, permitiendo una planificación de políticas públicas más eficiente, basada en evidencia. Se identifican también limitaciones asociadas a la disponibilidad de datos, lo que abre líneas de investigación futura centradas en el uso de nowcasting con variables externas y la implementación de técnicas de selección automática de predictores.","abstract_has_math":false,"creators":["Burgos Castillo, María Tatiana"],"institution":"Universidad Torcuato Di Tella","degree_name":"Maestría en Econometría","degree_level":"1","degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Cornejo, Magdalena"],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-07-27T21:55:38Z","subjects":["Predicción tecnológica","Technological prediction","Modelos econométricos","Econometrics models","Actividad economica"],"languages":["spa"],"rights":["info:eu-repo/semantics/openAccess"],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"https://repositorio.utdt.edu/handle/20.500.13098/13559","outbound_label":"Repository record","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Cornejo, Magdalena"]},{"key":"dc:creator","label":"Author","values":["Burgos Castillo, María Tatiana"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2025-08-22T17:06:31Z"]},{"key":"dc:date.issued","label":"Date","values":["2025"]},{"key":"dc:publisher","label":"Institution","values":["Universidad Torcuato Di Tella"]},{"key":"dc:type","label":"Dc Type","values":["info:eu-repo/semantics/masterThesis"]},{"key":"thesis:degree_level","label":"Degree Level","values":["1"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Maestría en Econometría"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["Universidad Torcuato Di Tella. Departamento de EconomíaUniversidad Torcuato Di Tella. Escuela de Gobierno"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Predicción tecnológica","Technological prediction","Modelos econométricos","Econometrics models","Actividad economica"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["spa"]},{"key":"dc:rights","label":"Dc Rights","values":["info:eu-repo/semantics/openAccess"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://repositorio.utdt.edu/handle/20.500.13098/13559"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["El presente estudio desarrolla un sistema de predicción sectorial de la actividad económica en la República Dominicana, combinando técnicas econométricas tradicionales y métodos avanzados de aprendizaje automático. El objetivo es ofrecer estimaciones mensuales actualizadas y precisas que permitan anticipar cambios coyunturales en los sectores clave del Producto Interno Bruto (PIB): industrial, manufactura local, zonas francas, agropecuario, servicios y construcción. Para ello, se emplearon modelos AutoARIMA, Support Vector Regression, Random Forest (básico y optimizado), y redes neuronales (CNN y RNN), entrenados con más de 150 series económicas transformadas, y evaluados mediante validación cruzada temporal y métricas de desempeño relativo fuera de la muestra. Los resultados revelan que la capacidad predictiva varía según el sector y el tipo de modelo, destacándose Random Forest optimizado por su solidez y estabilidad predictiva. Esta herramienta contribuye significativamente a mejorar el monitoreo económico sectorial, permitiendo una planificación de políticas públicas más eficiente, basada en evidencia. Se identifican también limitaciones asociadas a la disponibilidad de datos, lo que abre líneas de investigación futura centradas en el uso de nowcasting con variables externas y la implementación de técnicas de selección automática de predictores."]},{"key":"dc:title","label":"Title","values":["Predicción de la Actividad Económica Sectorizada a Corto Plazo en República Dominicana (2010–2025) mediante Técnicas Econométricas y de Machine Learning"]}]}],"canonical_facts":{"dc:contributor.advisor":["Cornejo, Magdalena"],"dc:creator":["Burgos Castillo, María Tatiana"],"dc:date.accessioned":["2025-08-22T17:06:31Z"],"dc:date.issued":["2025"],"dc:description.abstract":["El presente estudio desarrolla un sistema de predicción sectorial de la actividad económica en la República Dominicana, combinando técnicas econométricas tradicionales y métodos avanzados de aprendizaje automático. El objetivo es ofrecer estimaciones mensuales actualizadas y precisas que permitan anticipar cambios coyunturales en los sectores clave del Producto Interno Bruto (PIB): industrial, manufactura local, zonas francas, agropecuario, servicios y construcción. Para ello, se emplearon modelos AutoARIMA, Support Vector Regression, Random Forest (básico y optimizado), y redes neuronales (CNN y RNN), entrenados con más de 150 series económicas transformadas, y evaluados mediante validación cruzada temporal y métricas de desempeño relativo fuera de la muestra. Los resultados revelan que la capacidad predictiva varía según el sector y el tipo de modelo, destacándose Random Forest optimizado por su solidez y estabilidad predictiva. Esta herramienta contribuye significativamente a mejorar el monitoreo económico sectorial, permitiendo una planificación de políticas públicas más eficiente, basada en evidencia. Se identifican también limitaciones asociadas a la disponibilidad de datos, lo que abre líneas de investigación futura centradas en el uso de nowcasting con variables externas y la implementación de técnicas de selección automática de predictores."],"dc:identifier.uri":["https://repositorio.utdt.edu/handle/20.500.13098/13559"],"dc:language":["spa"],"dc:publisher":["Universidad Torcuato Di Tella"],"dc:rights":["info:eu-repo/semantics/openAccess"],"dc:subject":["Predicción tecnológica","Technological prediction","Modelos econométricos","Econometrics models","Actividad economica"],"dc:title":["Predicción de la Actividad Económica Sectorizada a Corto Plazo en República Dominicana (2010–2025) mediante Técnicas Econométricas y de Machine Learning"],"dc:type":["info:eu-repo/semantics/masterThesis"],"thesis:degree_level":["1"],"thesis:degree_name":["Maestría en Econometría"],"thesis:institution_name":["Universidad Torcuato Di Tella. Departamento de EconomíaUniversidad Torcuato Di Tella. Escuela de Gobierno"]},"updated_at":"2026-07-27T21:55:38Z"}