Predicción de indicadores económicos en Ecuador mediante técnicas de programación genética

Abstract

En la presente tesis doctoral se desarrolla un modelo predictivo avanzado para estimar la tasa de desempleo en Ecuador aplicando técnicas de Inteligencia Artificial (IA) y Computación Evolutiva (CE). La predicción de la tasa de desempleo es fundamental ya que ayuda a los tomadores de decisiones públicas a formular políticas y a planificar la economía de un país basados en datos, aquello les permite anticipar condiciones y tomar decisiones informadas. Por lo tanto, el modelo propuesto ofrece una alternativa innovadora que integra un Algoritmo Genético y Memoria a Largo y Corto Plazo (GA-LSTM) que ayude a mejorar la precisión de las predicciones considerando las complejidades de los datos económicos ecuatorianos. Es bien conocido que muchos modelos estadísticos tradicionales dependen del supuesto de normalidad, en donde los datos a analizar siguen una distribución normal; a diferencia, el enfoque híbrido propuesto maneja adecuadamente la naturaleza no lineal, estacional y no estacionaria de los datos de desempleo. En este modelo híbrido las redes Memoria a Largo y Corto Plazo (LSTM) se combinan con Algoritmo Genético (GA) permitiendo ajustar los hiperparámetros de tamaño de la ventana y unidades ocultas LSTM del modelo que permita capturar los patrones temporales y secuenciales de la serie de datos. A diferencia de otros modelos predictivos que se basan en suposiciones de normalidad de los datos, el enfoque propuesto maneja adecuadamente la naturaleza no lineal, estacional y no estacionaria de los datos de desempleo. Las redes Memoria a Largo y Corto Plazo (LSTM), conocidas por su capacidad para capturar patrones temporales y secuenciales, son optimizadas en esta investigación mediante un Algoritmo Genético (GA), lo que permite ajustar los hiperparámetros del modelo, como el tamaño de la ventana de tiempo y la cantidad de unidades LSTM, maximizando así la precisión en la predicción. La metodología empleada incluyó las etapas de recolección y preprocesamiento de datos económicos, el Análisis Exploratorio de Datos (EDA), la construcción de un modelo híbrido GA-LSTM y de los modelos referenciales, y por último la evaluación de la precisión de predicción de los modelos desarrollados. La ejecución cuidadosa de la metodología permitió que el modelo híbrido capture las tendencias y las fluctuaciones de la tasa de desempleo ecuatoriana. Se emplearon las técnicas de comparación entre los modelos utilizando las métricas MSE, MAE y MAPE y la prueba estadística t pareada para evaluar el desempeño. Se utilizaron técnicas de comparación en los distintos modelos para analizar el desempeño de GALSTM en comparación con los tipos de Redes Neuronales Recurrentes (RNNs), Memoria a Largo y Corto Plazo Bidireccional (BiLSTM) y la Unidad Recurrente Cerrada (GRU); adicionalmente se usó la prueba estadística t-pareada para validar la efectividad de los modelos. Los resultados experimentales muestran que el modelo híbrido GA-LSTM es más preciso que los modelos BiLSTM y GRU en la estimación de la tasa de desempleo en Ecuador. Esta mejora destaca lo efectivos que son los modelos combinados para el análisis y predicción de datos complejos y cambiantes, ofreciendo una herramienta para predecir tendencias de desempleo en Ecuador. El aporte es un nuevo enfoque en la predicción económica usando métodos inteligentes como la IA y la CE. Además de predecir el desempleo, el nuevo modelo tiene potencia para poderse aplicar a otros indicadores económicos, convirtiéndose en una herramienta clave para los encargados de tomar decisiones estratégicas gubernamentales en Ecuador.

In this doctoral thesis, an advanced predictive model is developed to estimate the unemployment rate in Ecuador by applying Artificial Intelligence (AI) and Evolutionary Computation (EC) techniques. Unemployment rate prediction is essential as it helps public decision makers formulate policies and plan a country's economy based on data, allowing them to anticipate conditions and make informed decisions. Therefore, the proposed model offers an innovative alternative that integrates a Genetic Algorithm and Long-Short-Term Memory (GA-LSTM) that helps improve the accuracy of predictions considering the complexities of Ecuadorian economic data. It is well known that many traditional statistical models rely on the assumption of normality, where the data to be analyzed follows a normal distribution; in contrast, the proposed hybrid approach adequately handles the non-linear, seasonal and non-stationary nature of unemployment data. In this hybrid model, Long Short-Term Memory (LSTM) networks are combined with Genetic Algorithm (GA) allowing to tune the hyperparameters of window size and LSTM hidden units of the model to capture the temporal and sequential patterns of the data series. Unlike other predictive models that rely on assumptions of data normality, the proposed approach adequately handles the non-linear, seasonal and non-stationary nature of unemployment data. Long Short-Term Memory (LSTM) networks, known for their ability to capture temporal and sequential patterns, are optimized in this research using a Genetic Algorithm (GA), which allows fine-tuning the model hyperparameters, such as the time window size and the number of LSTM units, thus maximizing prediction accuracy. The methodology used included the stages of economic data collection and preprocessing, Exploratory Data Analysis (EDA), the construction of a hybrid GA-LSTM model and the reference models, and finally the evaluation of the prediction accuracy of the developed models. The careful execution of the methodology allowed the hybrid model to capture the trends and fluctuations of the Ecuadorian unemployment rate. The comparison techniques between the models using the MSE, MAE and MAPE metrics and the paired t statistical test were used to evaluate the performance. Comparison techniques were used in the different models to analyze the performance of GA-LSTM in comparison with the types of Recurrent Neural Networks (RNNs), Bidirectional Long Short-Term Memory (BiLSTM) and Gated Recurrent Unit (GRU); additionally, the paired t-test was used to validate the effectiveness of the models. The experimental results show that the hybrid GA-LSTM model is more accurate than the BiLSTM and GRU models in estimating the unemployment rate in Ecuador. This improvement highlights how effective the combined models are for the analysis and prediction of complex and changing data, offering a tool to predict unemployment trends in Ecuador. The contribution is a new approach to economic prediction using intelligent methods such as AI and CE. In addition to predicting unemployment, the new model has the power to be applied to other economic indicators, becoming a key tool for those responsible for making strategic government decisions in Ecuador.