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.