Resumen de Temporal disaggregation: an alternative multivariate methodology

Jorge Hurtado, Luis Fernando Melo

• español

  En este artículo se propone una nueva extensión de la metodología multivariada de desagregación temporal de Di-Fonzo (1990), la cual supone que los errores de las series de alta frecuencia siguen un modelo VAR(1) en lugar de un proceso ruido blanco. Adicionalmente, se realiza una reseña de diferentes métodos de desagregación, tanto univariados como multivariados, incluyendo sus principales ventajas y desventajas. Finalmente, se lleva a cabo una aplicación multivariada para obtener las cuentas nacionales colombianas mensuales a partir de datos trimestrales. Los resultados bajo la metodología propuesta son similares a los obtenidos por el método de Di-Fonzo, pero son menos volátiles. 

• English

  In this paper we propose a new extension of Di-Fonzo (1990)’s methodology for multivariate temporal disaggregation. We assume that the errors of the high-frequency series follow a VAR(1) model instead of a white noise process. Additionally, an extensive review of different univariate and multivariate disaggregation methods is presented. Finally, we carry out a multivariate application to obtain Colombia’s monthly national accounts from quarterly data. The results obtained using the proposed methodology are similar to those with Di-Fonzo’s method. However, our resulting series are less volatile.Keywords: Temporal disaggregation, temporal and contemporaneous aggregation constraints.

• français

  Cet article présente une nouvelle extension de la méthodologie désagrégation temporelle multivariée proposée par Di-Fonzo(1990). Cette méthodologie suppose que les erreurs de la série à haute fréquence suivent un modèle VAR(1), au lieu d’un processus bruit blanc. Nous examinons les différentes méthodes de désagrégation aussi bien univariée que multivariée, ainsi que leurs principaux avantages et inconvénients. Enfin, nous avons appliqué la méthodologie multivariée afin d’obtenir les comptes nationaux colombiens mensuels à partir de données trimestrielles. Les résultats obtenus sont similaires à ceux obtenus par la méthode de Di-Fonzo mais ils sont moins volatiles.