📊 Cuando varios modelos pronostican una serie temporal, las métricas tradicionales como MSE o RMSE a veces no separan claramente cuál es mejor. El autor propone mirar el problema desde otra perspectiva: la teoría de la información.
En lugar de medir únicamente la distancia entre predicciones y valores reales, el enfoque analiza la entropía de los residuos. Si los residuos se parecen al ruido blanco, el modelo habría capturado buena parte de la información predecible. Esta medida puede distinguir modelos que parecen iguales con métricas de error convencionales.
El artículo aplica la idea a pronósticos de inflación y combina modelos mediante un ensemble ponderado por entropía. También usa redes causales de Granger para entender relaciones entre IPC, precios al productor, ahorro e inventarios.
⚖️ El resultado no es una solución definitiva: el experimento es preliminar, depende de umbrales elegidos por el usuario y necesita más modelos y optimización. Pero demuestra que cambiar la métrica o la geometría del problema puede revelar diferencias ocultas.
💡 Explicación en pocas palabras#
Un ensemble combina varias opiniones para obtener un pronóstico más robusto. La entropía funciona como una medida de cuánta información queda sin explicar en los errores. Si una nueva forma de medir encuentra señales que MSE no ve, puede ayudar a asignar mejores pesos a cada modelo.
Más información en el link 👇
