En un estudio innovador sobre la predicción de la dinámica del desempleo en Estados Unidos, se han utilizado avanzadas técnicas de aprendizaje automático en combinación con modelos de regresión para alcanzar predicciones más precisas. La investigación se centra en cómo estas tecnologías pueden mejorar el pronóstico económico brindando a los responsables de políticas y economistas información más rica sobre las tendencias del mercado laboral.
Se compararon siete modelos distintos, incluyendo Regresión Lineal, Regressive de Descomposición en Descomposición, Random Forest, XGBoost, CatBoost, Soporte de Vectores de Regresión (SVR) y una red LSTM, evaluados a través de los errores estándar y su capacidad para predecir la dirección correcta del desempleo.
El método de Random Forest destacaba por su capacidad para capturar interacciones complejas sin sobre-entrenamiento, debido a su característica de agregar bootstrap y selección aleatoria de características. Este enfoque evitó el sobreajuste al trabajar con observaciones limitadas en series macroeconómicas. Xavier GBoost y CatBoost también mostraron predicciones fiables, rodando eficientemente en la muestra.
Por otro lado, las redes LSTM, a menudo famosas por captar dependencias temporales, no aportaron una ventaja adicional debido al limitado tamaño de muestra y la naturaleza suavemente cambiante de los datos de desempleo. Se notaron mejoras en la predicción de tasas de desempleo empleando escalado MaxAbsScaler, que demostró ser la técnica de preprocesamiento más efectiva al preservar el rango natural y las diferencias relativas de los datos sin imponer suposiciones de normalidad o simetría.
La investigación también señaló la importancia de ciertas variables independientes como las reclamaciones continuas de desempleo, el índice de condiciones de negocio de la Fed de Filadelfia, y el índice de optimismo económico, que resultaron ser predictores vitales en todos los modelos utilizados.
En conclusión, la combinación de técnicas de árboles en aumento junto con transformaciones escaladas ha dado lugar una metodología robusta para predecir el desempleo. Este enfoque proporcionará una base estable para futuras exploraciones integrando indicadores en tiempo real y ampliando el uso de modelos híbridos.