Pronóstico de la tasa de desempleo en Colombia: aplicación del índice de base móvil en modelos clásicos de series de tiempo
El desempleo es un fenómeno socioeconómico que impacta negativamente en el desarrollo económico de un país y en la calidad de vida de su población. En Colombia, pronosticar la tasa de desempleo se ha convertido en una necesidad por el gran porcentaje de personas sin empleo y con pocas oportunidades...
- Autores:
-
Coronado Teran, Jefferson
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2025
- Institución:
- Universidad de Córdoba
- Repositorio:
- Repositorio Institucional Unicórdoba
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unicordoba.edu.co:ucordoba/9236
- Acceso en línea:
- https://repositorio.unicordoba.edu.co/handle/ucordoba/9236
https://repositorio.unicordoba.edu.co/
- Palabra clave:
- Tasa de desempleo
Pronóstico
Series de tiempo
Indice de base móvil
Validación cruzada
Unemployment rate
Forecast
Time Series
Moving base index
Cross validation
- Rights
- embargoedAccess
- License
- Copyright Universidad de Córdoba, 2025
| id |
UCORDOBA2_f36a6e73004a9d2c679714976f2d007f |
|---|---|
| oai_identifier_str |
oai:repositorio.unicordoba.edu.co:ucordoba/9236 |
| network_acronym_str |
UCORDOBA2 |
| network_name_str |
Repositorio Institucional Unicórdoba |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Pronóstico de la tasa de desempleo en Colombia: aplicación del índice de base móvil en modelos clásicos de series de tiempo |
| dc.title.eng.fl_str_mv |
Unemployment Rate Forecast in Colombia: Application of the Moving Base Index in Classical Time Series Models |
| title |
Pronóstico de la tasa de desempleo en Colombia: aplicación del índice de base móvil en modelos clásicos de series de tiempo |
| spellingShingle |
Pronóstico de la tasa de desempleo en Colombia: aplicación del índice de base móvil en modelos clásicos de series de tiempo Tasa de desempleo Pronóstico Series de tiempo Indice de base móvil Validación cruzada Unemployment rate Forecast Time Series Moving base index Cross validation |
| title_short |
Pronóstico de la tasa de desempleo en Colombia: aplicación del índice de base móvil en modelos clásicos de series de tiempo |
| title_full |
Pronóstico de la tasa de desempleo en Colombia: aplicación del índice de base móvil en modelos clásicos de series de tiempo |
| title_fullStr |
Pronóstico de la tasa de desempleo en Colombia: aplicación del índice de base móvil en modelos clásicos de series de tiempo |
| title_full_unstemmed |
Pronóstico de la tasa de desempleo en Colombia: aplicación del índice de base móvil en modelos clásicos de series de tiempo |
| title_sort |
Pronóstico de la tasa de desempleo en Colombia: aplicación del índice de base móvil en modelos clásicos de series de tiempo |
| dc.creator.fl_str_mv |
Coronado Teran, Jefferson |
| dc.contributor.advisor.none.fl_str_mv |
Cogollo Flórez, Myladis Rocío |
| dc.contributor.author.none.fl_str_mv |
Coronado Teran, Jefferson |
| dc.contributor.jury.none.fl_str_mv |
ROBLES GONZALEZ, JUANA RAQUEL Treco Hernández, Manuel |
| dc.subject.proposal.spa.fl_str_mv |
Tasa de desempleo Pronóstico Series de tiempo Indice de base móvil Validación cruzada |
| topic |
Tasa de desempleo Pronóstico Series de tiempo Indice de base móvil Validación cruzada Unemployment rate Forecast Time Series Moving base index Cross validation |
| dc.subject.keywords.eng.fl_str_mv |
Unemployment rate Forecast Time Series Moving base index Cross validation |
| description |
El desempleo es un fenómeno socioeconómico que impacta negativamente en el desarrollo económico de un país y en la calidad de vida de su población. En Colombia, pronosticar la tasa de desempleo se ha convertido en una necesidad por el gran porcentaje de personas sin empleo y con pocas oportunidades de mejorar su calidad de vida. Este trabajo propone un enfoque metodológico flexible para modelar series temporales con alta variabilidad y tendencia, utilizando un índice de base móvil como nueva variable de análisis. Esta variable permite evitar transformaciones y diferenciaciones adicionales en los modelos, facilitando el procesamiento y mejorando la interpretación de los datos. El estudio incluye la construcción de la variable de base móvil, el ajuste de modelos clásicos de series de tiempo. Los resultados demuestran que el uso del índice de base móvil mejora significativamente el desempeño de los modelos clásicos y ofrece resultados comparables con las redes neuronales. Se concluye que el índice de base móvil constituye una herramienta eficiente para modelar y pronosticar la tasa de desempleo, aportando ventajas como la reducción de transformaciones previas y una interpretación más sencilla de la dinámica de la serie. |
| publishDate |
2025 |
| dc.date.accessioned.none.fl_str_mv |
2025-06-28T18:54:31Z |
| dc.date.available.none.fl_str_mv |
2025-06-28T18:54:31Z |
| dc.date.issued.none.fl_str_mv |
2025-06-27 |
| dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.none.fl_str_mv |
Text |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unicordoba.edu.co/handle/ucordoba/9236 |
| dc.identifier.instname.none.fl_str_mv |
Universidad de Córdoba |
| dc.identifier.reponame.none.fl_str_mv |
Repositorio Universidad de Córdoba |
| dc.identifier.repourl.none.fl_str_mv |
https://repositorio.unicordoba.edu.co/ |
| url |
https://repositorio.unicordoba.edu.co/handle/ucordoba/9236 https://repositorio.unicordoba.edu.co/ |
| identifier_str_mv |
Universidad de Córdoba Repositorio Universidad de Córdoba |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.none.fl_str_mv |
Ballesteros López, F. (2021). Aplicación de modelos ARIMA y redes neuronales artificiales en la predicción de series de tiempo financieras [Trabajo de grado, Universidad Nacional Abierta y a Distancia (UNAD)]. Box, G. E. P., Jenkins, G. M., & Reinsel, G. C. (2008). Time Series Analysis: Forecasting and Control (4th ed.). Wiley. Box, G. E. P., & Jenkins, G. M. (1970). Time series analysis: Forecasting and control. Holden-Day. Brockwell, P. J., & Davis, R. A. (2016). Introduction to time series and forecasting (3rd ed.). Springer. Cárdenas Rodríguez, J. D., García Pinto, O. L., & Rocha Useche, L. M. (2021). Aplicación de técnicas estadísticas y de aprendizaje automático para el análisis de indicadores económicos en Colombia. Revista Colombiana de Estadística, 44(1), 103–134. https://doi.org/10.15446/rce.v44n1.846791 Cardona, L. F., & Rojas, J. A. (2025). Pronósticos para la tasa de desempleo en Colombia a partir de Google Trends (Informe No. 468). Departamento Nacional de Planeación. https://colaboracion.dnp.gov.co/CDT/Estudios%20Econmicos/468.pdf Costa, E. A., Silva, M. E., & Galvão, A. B. (2024). Real-time nowcasting the monthly unemployment rates with daily Google Trends data. Socio-Economic Planning Sciences, 95, 101963. https://doi.org/10.1016/j.seps.2024.101963 DANE. (2025). Gran Encuesta Integrada de Hogares (GEIH). https://www.dane.gov.co/index.php/estadisticas-por-tema/mercado-laboral/empleo-y-desempleo Departamento Administrativo Nacional de Estadística (DANE). (2024). Gran Encuesta Integrada de Hogares (GEIH): Series empalmadas 2001–2024 [Banco de la República - Gerencia Técnica - Información extraída de la bodega de datos - Serankua, consultada el 27 de agosto de 2024]. Dorin, F., Perrotti, D., & Goldszier, P. (2018). Los números índices y su relación con la economía (Metodologías de la CEPAL N° 1). Comisión Económica para América Latina y el Caribe (CEPAL). https://www.cepal.org/es/publicaciones/43840-numeros-indices-su-relacion-economia Engle, R. F. (1982). Autoregressive conditional heteroskedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50(4), 987–1007. Espinosa, H. A., & Poveda, J. A. (2019). Aplicación de técnicas estadísticas para la predicción de series temporales en el sector económico colombiano. Gaspar Marroquín Martínez, & Chalita Tovar, L. E. (2011). Aplicación de la metodología Box-Jenkins para pronóstico de precios en jitomate. Revista Mexicana de Ciencias Agrícolas, 2(4), 573–577. Gonzalo Ríos. (2008). Series de Tiempo. Universidad de Chile, Facultad de Ciencias Físicas y Matemáticas, Departamento de Ciencias de la Computación. Curso: Tópicos en Minería de Datos. Hajirahimi, Z., & Khashei, M. (2022). A novel parallel hybrid model based on series hybrid models of ARIMA and ANN models. Neural Processing Letters, 1–19. Springer. Herrera, J. (2021). Fundamentos de Data Mining. Bookdown. https://bookdown.org/jorherre/FDATAMINING/ Hyndman, R. J. (2018). Forecasting: Principles and Practice (2nd ed.). OTexts. https://otexts.com/fpp3/nnetar.html Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.). OTexts. https://otexts.com/fpp3/ Kumbure, M. M., Lohrmann, C., Luukka, P., & Porras, J. (2022). Machine learning techniques and data for stock market forecasting: A literature review. Expert Systems with Applications, 197, 116659. https://doi.org/10.1016/j.eswa.2022.116659 Lasso-Valderrama, F., & Zárate-Solano, H. M. (2019). Forecasting the Colombian Unemployment Rate Using Labour Force Flows (Borrador de Economía No. 1073). Banco de la República de Colombia. https://repositorio.banrep.gov.co/handle/20.500.12134/9337 Leonie, M. (2022). Time Series — Interpreting ACF and PACF. Kaggle. https://www.kaggle.com/code/iamleonie/time-series-interpreting-acf-and-pacf Ljung, G. M., & Box, G. E. P. (1978). On a measure of lack of fit in time series models. Biometrika, 65(2), 297–303. Luis-Rojas, S., García-Sánchez, R. C., García-Mata, R., Arana-Coronado, O. A., & González-Estrada, A. (2019). Metodología Box - Jenkins para pronosticar los precios de huevo blanco pagados al productor en México. Agrociencia, 53, 911–925. Magazzino, C., Mele, M., & Mutascu, M. (2024). An artificial neural network experiment on the prediction of the unemployment rate. Journal of Policy Modeling. https://doi.org/10.1016/j.jpolmod.2024.10.004 Manrique Tabares, C. A. (2022). Metodología Box-Jenkins para la tasa de desempleo armonizada de la población económicamente activa en Colombia. https://www.researchgate.net/publication/362489700 Organización Internacional del Trabajo. (2024, enero). La tasa de desempleo mundial aumentará en 2024, mientras que las crecientes desigualdades sociales son motivo de preocupación, según un informe de la OIT. https://www.ilo.org/es/resource/news/la-tasa-de-desempleo-mundial-aumentar%C3%A1-en-2024-mientras-que-las-crecientes Parra, F. (2005). Econometría Aplicada II (pp. 6–19). Ediciones Pirámide. Parra, C., & Parra, F. (2021). Series de Tiempo. Ediciones Pirámide. Real Statistics Using Excel. (s.f.). Correlogram. https://real-statistics.com/time-series-analysis/stochastic-processes/correlogram/ Shumway, R. H., & Stoffer, D. S. (2023). Time series analysis and its applications: With R examples (5th ed.). Springer. https://doi.org/10.1007/978-3-031-21109-6 Torres Becerra, Á. D., & Téllez Rodríguez, M. F. (2022). Nowcasting de la tasa de desempleo de Colombia por medio de Machine Learning y pronóstico de la inflación y representación por medio de la curva de Phillips proyectada [Trabajo de grado, Universidad Piloto de Colombia]. Vicente, M. R., López-Menéndez, A. J., & Pérez, R. (2015). Forecasting unemployment with internet search data: Does it help to improve predictions when job destruction is skyrocketing? Technological Forecasting and Social Change, 92, 132–139. https://doi.org/10.1016/j.techfore.2014.12.005 |
| dc.rights.none.fl_str_mv |
Copyright Universidad de Córdoba, 2025 |
| dc.rights.uri.none.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.license.none.fl_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/embargoedAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_f1cf |
| rights_invalid_str_mv |
Copyright Universidad de Córdoba, 2025 https://creativecommons.org/licenses/by-nc-nd/4.0/ Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) http://purl.org/coar/access_right/c_f1cf |
| eu_rights_str_mv |
embargoedAccess |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad de Córdoba |
| dc.publisher.faculty.none.fl_str_mv |
Facultad de Ciencias Básicas |
| dc.publisher.place.none.fl_str_mv |
Montería, Córdoba, Colombia |
| dc.publisher.program.none.fl_str_mv |
Estadística |
| publisher.none.fl_str_mv |
Universidad de Córdoba |
| institution |
Universidad de Córdoba |
| bitstream.url.fl_str_mv |
https://repositorio.unicordoba.edu.co/bitstreams/5587799b-1d8a-4977-9951-661bb3165c66/download https://repositorio.unicordoba.edu.co/bitstreams/0e52c73d-3cdf-4a82-aa2b-ef9361e1c11b/download https://repositorio.unicordoba.edu.co/bitstreams/ce35c805-00d8-4d02-80fe-defa2017458b/download https://repositorio.unicordoba.edu.co/bitstreams/c55c2452-729a-4e1c-b347-c5e2048a9065/download https://repositorio.unicordoba.edu.co/bitstreams/2f9bf0bd-80b6-4ed5-a07d-168fdb14097c/download https://repositorio.unicordoba.edu.co/bitstreams/241b4c3f-848b-4b2a-89fb-4d8bd606cf5c/download https://repositorio.unicordoba.edu.co/bitstreams/32bbb68f-d494-434c-9ba6-43bd107a5a61/download |
| bitstream.checksum.fl_str_mv |
73a5432e0b76442b22b026844140d683 ef35ceac23c0c127e5e8bc03108c4935 b4f60bb2882eade2661e932cf2282ca9 f0c66a99165fcb74a664027174ac0d87 252433f3cad6b6f59bfbf0266ca9f557 aa89663c4e0a3ef8c64101c9535bb73b 1c78ab3c8f7ac15737473324e33423fb |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Universidad de Córdoba |
| repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
| _version_ |
1839636007383728128 |
| spelling |
Cogollo Flórez, Myladis Rocíoe6184f6d-0bdc-425a-8929-20104418ccdf600Coronado Teran, Jefferson5a8de840-eb53-4816-8444-25b35c6241ff-1ROBLES GONZALEZ, JUANA RAQUELf7c987ae-101b-491a-b847-9cdf4c3f1de7600Treco Hernández, Manuel7937b3ab-380c-460c-aedb-10faaccab95e6002025-06-28T18:54:31Z2025-06-28T18:54:31Z2025-06-27https://repositorio.unicordoba.edu.co/handle/ucordoba/9236Universidad de CórdobaRepositorio Universidad de Córdobahttps://repositorio.unicordoba.edu.co/El desempleo es un fenómeno socioeconómico que impacta negativamente en el desarrollo económico de un país y en la calidad de vida de su población. En Colombia, pronosticar la tasa de desempleo se ha convertido en una necesidad por el gran porcentaje de personas sin empleo y con pocas oportunidades de mejorar su calidad de vida. Este trabajo propone un enfoque metodológico flexible para modelar series temporales con alta variabilidad y tendencia, utilizando un índice de base móvil como nueva variable de análisis. Esta variable permite evitar transformaciones y diferenciaciones adicionales en los modelos, facilitando el procesamiento y mejorando la interpretación de los datos. El estudio incluye la construcción de la variable de base móvil, el ajuste de modelos clásicos de series de tiempo. Los resultados demuestran que el uso del índice de base móvil mejora significativamente el desempeño de los modelos clásicos y ofrece resultados comparables con las redes neuronales. Se concluye que el índice de base móvil constituye una herramienta eficiente para modelar y pronosticar la tasa de desempleo, aportando ventajas como la reducción de transformaciones previas y una interpretación más sencilla de la dinámica de la serie.Unemployment is a socioeconomic phenomenon that negatively impacts a country's economic development and the quality of life of its population. In Colombia, forecasting the unemployment rate has become necessary due to the large percentage of unemployed people with few opportunities to improve their quality of life. This work proposes a flexible and efficient methodological approach for modeling time series with high variability and trend, using a moving base index as a new analysis variable. This variable avoids additional transformations and differentiations in the models, facilitating processing and improving data interpretation. The study includes the construction of the moving base variable, the fitting of classical time series models, and comparison with artificial neural networks. The results demonstrate that the use of the moving base index significantly improves the performance of classical models and offers results comparable with those of neural networks. It is concluded that the moving base index is an efficient tool for modeling and forecasting the unemployment rate, providing advantages such as reducing the need for prior transformations and simplifying the interpretation of the series' dynamics.ResumenAgradecimientosIntroducción1. Marco teórico1.1. Tasa de desempleo1.2. Índices1.3. Análisis de series temporales1.4. Metodología Box-Jenkins1.5. Modelo ARIMA1.6. Modelo SARIMACapítulo 11.7. Redes neuronales artificiales1.8. Diagnóstico del modelo1.9. Métricas de desempeñoCapítulo 22. AntecedentesCapítulo 33. Materiales y métodos3.1. Descripción de los datos3.2. Tipo de estudio3.3. Propuesta para el modelado de la tasa de desempleo3.4. Comparación con otros métodos de pronósticosCapítulo 44. Resultado4.1. Construcción de la variable de interés4.2. Análisis preliminar4.3. Validación cruzada simple4.4. Modelado de la nueva variable4.5. Pronóstico a partir de la información histórica4.6. Comparación con otros métodos de pronósticoConslucionesBibliografíaApéndicePregradoEstadístico(a)Trabajos de Investigación y/o Extensiónapplication/pdfspaUniversidad de CórdobaFacultad de Ciencias BásicasMontería, Córdoba, ColombiaEstadísticaCopyright Universidad de Córdoba, 2025https://creativecommons.org/licenses/by-nc-nd/4.0/Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)info:eu-repo/semantics/embargoedAccesshttp://purl.org/coar/access_right/c_f1cfPronóstico de la tasa de desempleo en Colombia: aplicación del índice de base móvil en modelos clásicos de series de tiempoUnemployment Rate Forecast in Colombia: Application of the Moving Base Index in Classical Time Series ModelsTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/acceptedVersionTextBallesteros López, F. (2021). Aplicación de modelos ARIMA y redes neuronales artificiales en la predicción de series de tiempo financieras [Trabajo de grado, Universidad Nacional Abierta y a Distancia (UNAD)].Box, G. E. P., Jenkins, G. M., & Reinsel, G. C. (2008). Time Series Analysis: Forecasting and Control (4th ed.). Wiley.Box, G. E. P., & Jenkins, G. M. (1970). Time series analysis: Forecasting and control. Holden-Day.Brockwell, P. J., & Davis, R. A. (2016). Introduction to time series and forecasting (3rd ed.). Springer.Cárdenas Rodríguez, J. D., García Pinto, O. L., & Rocha Useche, L. M. (2021). Aplicación de técnicas estadísticas y de aprendizaje automático para el análisis de indicadores económicos en Colombia. Revista Colombiana de Estadística, 44(1), 103–134. https://doi.org/10.15446/rce.v44n1.846791Cardona, L. F., & Rojas, J. A. (2025). Pronósticos para la tasa de desempleo en Colombia a partir de Google Trends (Informe No. 468). Departamento Nacional de Planeación. https://colaboracion.dnp.gov.co/CDT/Estudios%20Econmicos/468.pdfCosta, E. A., Silva, M. E., & Galvão, A. B. (2024). Real-time nowcasting the monthly unemployment rates with daily Google Trends data. Socio-Economic Planning Sciences, 95, 101963. https://doi.org/10.1016/j.seps.2024.101963DANE. (2025). Gran Encuesta Integrada de Hogares (GEIH). https://www.dane.gov.co/index.php/estadisticas-por-tema/mercado-laboral/empleo-y-desempleoDepartamento Administrativo Nacional de Estadística (DANE). (2024). Gran Encuesta Integrada de Hogares (GEIH): Series empalmadas 2001–2024 [Banco de la República - Gerencia Técnica - Información extraída de la bodega de datos - Serankua, consultada el 27 de agosto de 2024].Dorin, F., Perrotti, D., & Goldszier, P. (2018). Los números índices y su relación con la economía (Metodologías de la CEPAL N° 1). Comisión Económica para América Latina y el Caribe (CEPAL). https://www.cepal.org/es/publicaciones/43840-numeros-indices-su-relacion-economiaEngle, R. F. (1982). Autoregressive conditional heteroskedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50(4), 987–1007.Espinosa, H. A., & Poveda, J. A. (2019). Aplicación de técnicas estadísticas para la predicción de series temporales en el sector económico colombiano.Gaspar Marroquín Martínez, & Chalita Tovar, L. E. (2011). Aplicación de la metodología Box-Jenkins para pronóstico de precios en jitomate. Revista Mexicana de Ciencias Agrícolas, 2(4), 573–577.Gonzalo Ríos. (2008). Series de Tiempo. Universidad de Chile, Facultad de Ciencias Físicas y Matemáticas, Departamento de Ciencias de la Computación. Curso: Tópicos en Minería de Datos.Hajirahimi, Z., & Khashei, M. (2022). A novel parallel hybrid model based on series hybrid models of ARIMA and ANN models. Neural Processing Letters, 1–19. Springer.Herrera, J. (2021). Fundamentos de Data Mining. Bookdown. https://bookdown.org/jorherre/FDATAMINING/Hyndman, R. J. (2018). Forecasting: Principles and Practice (2nd ed.). OTexts. https://otexts.com/fpp3/nnetar.htmlHyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.). OTexts. https://otexts.com/fpp3/Kumbure, M. M., Lohrmann, C., Luukka, P., & Porras, J. (2022). Machine learning techniques and data for stock market forecasting: A literature review. Expert Systems with Applications, 197, 116659. https://doi.org/10.1016/j.eswa.2022.116659Lasso-Valderrama, F., & Zárate-Solano, H. M. (2019). Forecasting the Colombian Unemployment Rate Using Labour Force Flows (Borrador de Economía No. 1073). Banco de la República de Colombia. https://repositorio.banrep.gov.co/handle/20.500.12134/9337Leonie, M. (2022). Time Series — Interpreting ACF and PACF. Kaggle. https://www.kaggle.com/code/iamleonie/time-series-interpreting-acf-and-pacfLjung, G. M., & Box, G. E. P. (1978). On a measure of lack of fit in time series models. Biometrika, 65(2), 297–303.Luis-Rojas, S., García-Sánchez, R. C., García-Mata, R., Arana-Coronado, O. A., & González-Estrada, A. (2019). Metodología Box - Jenkins para pronosticar los precios de huevo blanco pagados al productor en México. Agrociencia, 53, 911–925.Magazzino, C., Mele, M., & Mutascu, M. (2024). An artificial neural network experiment on the prediction of the unemployment rate. Journal of Policy Modeling. https://doi.org/10.1016/j.jpolmod.2024.10.004Manrique Tabares, C. A. (2022). Metodología Box-Jenkins para la tasa de desempleo armonizada de la población económicamente activa en Colombia. https://www.researchgate.net/publication/362489700Organización Internacional del Trabajo. (2024, enero). La tasa de desempleo mundial aumentará en 2024, mientras que las crecientes desigualdades sociales son motivo de preocupación, según un informe de la OIT. https://www.ilo.org/es/resource/news/la-tasa-de-desempleo-mundial-aumentar%C3%A1-en-2024-mientras-que-las-crecientesParra, F. (2005). Econometría Aplicada II (pp. 6–19). Ediciones Pirámide.Parra, C., & Parra, F. (2021). Series de Tiempo. Ediciones Pirámide.Real Statistics Using Excel. (s.f.). Correlogram. https://real-statistics.com/time-series-analysis/stochastic-processes/correlogram/Shumway, R. H., & Stoffer, D. S. (2023). Time series analysis and its applications: With R examples (5th ed.). Springer. https://doi.org/10.1007/978-3-031-21109-6Torres Becerra, Á. D., & Téllez Rodríguez, M. F. (2022). Nowcasting de la tasa de desempleo de Colombia por medio de Machine Learning y pronóstico de la inflación y representación por medio de la curva de Phillips proyectada [Trabajo de grado, Universidad Piloto de Colombia].Vicente, M. R., López-Menéndez, A. J., & Pérez, R. (2015). Forecasting unemployment with internet search data: Does it help to improve predictions when job destruction is skyrocketing? Technological Forecasting and Social Change, 92, 132–139. https://doi.org/10.1016/j.techfore.2014.12.005Tasa de desempleoPronósticoSeries de tiempoIndice de base móvilValidación cruzadaUnemployment rateForecastTime SeriesMoving base indexCross validationPublicationLICENSElicense.txtlicense.txttext/plain; charset=utf-815543https://repositorio.unicordoba.edu.co/bitstreams/5587799b-1d8a-4977-9951-661bb3165c66/download73a5432e0b76442b22b026844140d683MD51ORIGINALCoronadoTeranJefferson.pdfCoronadoTeranJefferson.pdfapplication/pdf1234616https://repositorio.unicordoba.edu.co/bitstreams/0e52c73d-3cdf-4a82-aa2b-ef9361e1c11b/downloadef35ceac23c0c127e5e8bc03108c4935MD53AutorizaciónPublicación.pdfAutorizaciónPublicación.pdfapplication/pdf567585https://repositorio.unicordoba.edu.co/bitstreams/ce35c805-00d8-4d02-80fe-defa2017458b/downloadb4f60bb2882eade2661e932cf2282ca9MD54TEXTCoronadoTeranJefferson.pdf.txtCoronadoTeranJefferson.pdf.txtExtracted texttext/plain101754https://repositorio.unicordoba.edu.co/bitstreams/c55c2452-729a-4e1c-b347-c5e2048a9065/downloadf0c66a99165fcb74a664027174ac0d87MD55AutorizaciónPublicación.pdf.txtAutorizaciónPublicación.pdf.txtExtracted texttext/plain5795https://repositorio.unicordoba.edu.co/bitstreams/2f9bf0bd-80b6-4ed5-a07d-168fdb14097c/download252433f3cad6b6f59bfbf0266ca9f557MD57THUMBNAILCoronadoTeranJefferson.pdf.jpgCoronadoTeranJefferson.pdf.jpgGenerated Thumbnailimage/jpeg6794https://repositorio.unicordoba.edu.co/bitstreams/241b4c3f-848b-4b2a-89fb-4d8bd606cf5c/downloadaa89663c4e0a3ef8c64101c9535bb73bMD56AutorizaciónPublicación.pdf.jpgAutorizaciónPublicación.pdf.jpgGenerated Thumbnailimage/jpeg14519https://repositorio.unicordoba.edu.co/bitstreams/32bbb68f-d494-434c-9ba6-43bd107a5a61/download1c78ab3c8f7ac15737473324e33423fbMD58ucordoba/9236oai:repositorio.unicordoba.edu.co:ucordoba/92362025-06-29 03:00:17.121https://creativecommons.org/licenses/by-nc-nd/4.0/Copyright Universidad de Córdoba, 2025open.accesshttps://repositorio.unicordoba.edu.coRepositorio Universidad de Córdobabdigital@metabiblioteca.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 |