KAIRÓS, Vol. (9) No. 17, pp. 93 - 117, julio - diciembre 2026  
ISSN No. 2631-2743  
MODELOS DE PREDICCIÓN  
ECONÓMICA UTILIZANDO  
APRENDIZAJE AUTOMÁTICO  
Estéfany A. Orbe-Rosario  
eaorbe2@espe.edu.ec  
Universidad de las Fuerzas  
Armadas ESPE  
(Quito - Ecuador)  
ECONOMIC PREDICTION  
MODELS USING MACHINE  
LEARNING  
Tatiana L. Palacios-Sinchi  
tlpalacios@espe.edu.ec  
Universidad de las Fuerzas  
Armadas ESPE  
(Quito - Ecuador)  
Pablo Gaibor Costta  
pagaibor@espe.edu.ec  
Universidad de las Fuerzas  
Armadas ESPE  
DOI:  
https://doi.org/10.37135/kai.03.17.05  
(Quito - Ecuador)  
Recibido: 08/12/2025  
Aceptado: 15/06/2026  
FACULTAD DE  
CIENCIAS POLÍTICAS Y  
ADMINISTRATIVAS  
UNIVERSIDAD NACIONAL DE CHIMBORAZO  
KAIRÓS, Vol. (9) No. 17, pp. 93 - 117, julio - diciembre 2026  
ISSN No. 2631-2743  
Resumen  
Este estudio analiza la capacidad predictiva de modelos  
econométricos y de aprendizaje automático para estimar el PIB  
real del Ecuador, con datos trimestrales de 2008-2022 e inflación  
y tasa de interés como variables explicativas. Se estimaron  
regresiones lineales múltiples mediante Mínimos Cuadrados  
Generalizados, modelos de rezagos distribuidos, Random  
Forest y redes neuronales LSTM. El desempeño predictivo se  
evaluó con métricas de error fuera de muestra, RMSE y MAE.  
Los resultados muestran que, en el contexto de alta volatilidad  
de 2022, el modelo de rezagos distribuidos optimizado obtuvo  
el menor error, mientras que en un escenario más estable el  
LSTM logró mayor precisión. Se concluye que la efectividad  
predictiva depende del modelo y del contexto económico, y  
que los enfoques econométricos tradicionales y las técnicas de  
aprendizaje automático pueden ser complementarios para la  
predicción macroeconómica en economías dolarizadas.  
Palabras clave: pronósticos, series de tiempo,  
macroeconomía, econometría, redes neuronales  
MODELOS DE PREDICCIÓN  
ECONÓMICA UTILIZANDO  
APRENDIZAJE AUTOMÁTICO  
ECONOMIC PREDICTION  
MODELS USING MACHINE  
LEARNING  
Abstract  
This study analyzes the predictive capacity of econometric  
and machine learning models to estimate Ecuador’s real GDP,  
using quarterly data for 2008-2022 and considering inflation  
and the interest rate as explanatory variables. Multiple linear  
regression models were estimated through Generalized Least  
Squares, along with distributed lag models, Random Forest,  
and Long Short-Term Memory (LSTM) neural networks.  
Predictive performance was assessed using out-of-sample error  
metrics, namely RMSE and MAE. The results show that, in  
the highly volatile context of 2022, the optimized distributed  
lag model achieved the lowest prediction error, whereas in a  
more stable macroeconomic scenario the LSTM model reached  
higher relative accuracy. The study concludes that predictive  
effectiveness depends on both the model specification and the  
economic context, and that traditional econometric approaches  
and machine learning techniques may be complementary for  
macroeconomic forecasting in dollarized economies.  
DOI:  
https://doi.org/10.37135/kai.03.17.05  
Keywords: forecasting, time series, macroeconomics,  
econometrics, neural networks  
Modelos de predicción económica utilizando aprendizaje automático  
Introducción  
La predicción de variables macroeconómicas constituye una herramienta  
fundamental para la formulación de políticas públicas, la planificación  
económica y la toma de decisiones en el sector privado. Indicadores como el  
Producto Interno Bruto (PIB), la inflación y las tasas de interés permiten anticipar  
escenarios económicos, evaluar riesgos y diseñar estrategias que mitiguen los  
efectos de ciclos adversos o crisis económicas. En economías dolarizadas como  
la ecuatoriana, donde la política monetaria es limitada, la capacidad de anticipar  
el comportamiento de estas variables adquiere especial relevancia.  
Tradicionalmente, la predicción económica ha sido abordada mediante  
modelos econométricos clásicos, basados en relaciones causales y supuestos  
lineales. No obstante, la creciente complejidad de los sistemas económicos ha  
evidenciado limitaciones en estos enfoques para capturar dinámicas no lineales  
y patrones cambiantes en los datos. En este contexto, el desarrollo tecnológico  
ha ampliado las posibilidades de análisis. El auge de las redes y aplicaciones  
informáticas ha permitido optimizar procesos y proponer soluciones a problemas  
complejos mediante herramientas computacionales (Dariel & Rainiero, 2019).  
Estas herramientas pueden aprender a partir de los datos, identificar patrones  
decomportamientoyestimarrelacionesentrevariables,reduciendoladependencia  
de análisis puramente intuitivos que podrían carecer de respaldo empírico  
(Espino, Martínez, & Daradoumis, 2017). En el caso ecuatoriano, la volatilidad  
observada en distintos periodos económicos y las limitaciones estructurales de  
una economía dolarizada refuerzan la necesidad de contar con herramientas de  
predicción confiables. Sin embargo, la evidencia empírica comparativa entre  
modelos econométricos tradicionales y modelos de aprendizaje automático en  
el contexto nacional sigue siendo limitada, lo que evidencia una brecha en la  
literatura aplicada.  
A diferencia de estudios previos centrados exclusivamente en la  
comparación entre modelos econométricos y técnicas de aprendizaje automático,  
la presente investigación incorpora un análisis diferenciado según el contexto  
macroeconómico, evaluando el desempeño predictivo de los modelos tanto en  
periodos de estabilidad como en escenarios de alta incertidumbre económica.  
Aplicado al caso ecuatoriano, caracterizado por una economía dolarizada y  
vulnerable a choques externos, este enfoque permite analizar cómo las condiciones  
macroeconómicasafectanlaprecisiónrelativadelosdistintosmodelospredictivos.  
De esta manera, el estudio aporta evidencia empírica relevante para la predicción  
macroeconómica en economías emergentes y dolarizadas.  
En consecuencia, resulta pertinente desarrollar herramientas que permitan  
predecir el comportamiento de variables macroeconómicas como el PIB, la  
inflación y las tasas de interés, indicadores clave para la toma de decisiones tanto  
en el ámbito público como privado. Con ello, se busca proveer a los hacedores  
de política y planificadores económicos una herramienta empírica robusta que  
reduzca el sesgo de proyección en entornos de eventos extraordinarios.  
El presente trabajo se enfoca en el desarrollo y aplicación de modelos  
econométricos clásicos y modelos de aprendizaje automático supervisado con el  
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 9(17), pp. 93-117. Segundo Semestre de 2026  
(Ecuador). ISSN 2631-2743. DOI: https:/10.37135/kai.03.17.05  
95  
Estéfany A. Orbe-Rosario, Tatiana L. Palacios-Sinchi, Pablo Gaibor Costta  
fin de evaluar su desempeño en la predicción de variables macroeconómicas. En  
particular, la investigación busca responder a la siguiente pregunta central: ¿Qué  
tipos de modelos son más precisos para predecir el comportamiento de variables  
macroeconómicas?  
El análisis se realiza considerando dos escenarios diferenciados: un periodo  
de relativa estabilidad macroeconómica y un periodo que incorpora episodios de  
alta incertidumbre, con el fin de evaluar la robustez predictiva de cada enfoque.  
Asimismo, se examinan ventajas y limitaciones de los modelos en el contexto  
ecuatoriano, de manera que los resultados puedan servir como referencia para  
futuros estudios en economías dolarizadas con características similares.  
Metodología  
Fuentes y técnicas de recolección de datos  
La investigación se fundamenta en datos secundarios de carácter cuantitativo,  
provenientes de fuentes oficiales nacionales e internacionales. En particular, se  
utilizaron datos de las siguientes fuentes:  
• El Banco Central del Ecuador (BCE), principal fuente de datos  
macroeconómicos nacionales.  
• El Instituto Nacional de Estadística y Censos (INEC), que proporciona  
información sociodemográfica y económica complementaria,  
• Organismos internacionales como el Fondo Monetario Internacional (FMI)  
y el Banco Mundial, que ofrecen datos macroeconómicos estandarizados a  
nivel global.  
La base de datos empleada fue consolidada mediante procesos de extracción,  
depuración y organización de información proveniente de estas fuentes. Esta base  
constituye el insumo principal para el entrenamiento y evaluación de los modelos  
predictivos. El periodo de análisis comprende los años 2008 – 2022, lo que permite  
abarcar distintas fases del ciclo económico ecuatoriano, incluyendo episodios de  
estabilidad y de alta incertidumbre macroeconómica. La frecuencia de los datos  
es trimestral, seleccionada en función de su disponibilidad y de la necesidad de  
contar con suficiente granularidad para el modelado de series temporales.  
Desdeelpuntodevistadelpropósito, setratadeunainvestigaciónexplicativa,  
correlacional y predictiva. Es explicativa porque pretende identificar causas  
y efectos dentro de fenómenos económicos complejos, como los factores que  
inciden en la variación del PIB. Es correlacional porque busca medir la relación  
entre variables económicas como las tasas de interés y la inflación, y cómo estas  
influyen entre sí. Por último, es predictiva puesto que uno de los principales  
objetivos es desarrollar modelos que puedan anticipar el comportamiento futuro  
de variables económicas, a partir de patrones históricos.  
En cuanto al diseño metodológico, se trata de un estudio de tipo cuantitativo,  
ya que se aplicaron diferentes técnicas de modelado y simulación para analizar  
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 9(17), pp. 93-117. Segundo Semestre de 2026  
(Ecuador). ISSN 2631-2743. DOI: https:/10.37135/kai.03.17.05  
96  
Modelos de predicción económica utilizando aprendizaje automático  
el efecto de distintas combinaciones de variables independientes sobre el  
comportamiento de la variable dependiente. Este estudio se realizará mediante la  
construcción y prueba de modelos predictivos utilizando métodos econométricos,  
estadísticos y de aprendizaje automático. A través de esta aproximación se  
busca simular escenarios, evaluar hipótesis y seleccionar los modelos con mejor  
capacidad explicativa y predictiva.  
El enfoque se considera longitudinal, ya que se analiza información a lo  
largo del tiempo, permitiendo observar tendencias y cambios estructurales.  
También se considera observacional en el sentido de que los datos utilizados no  
son generados artificialmente, sino que provienen de fuentes oficiales y reflejan  
fenómenos reales. El marco metodológico que sustenta el presente trabajo se basa  
en una combinación entre los principios de la teoría económica clásica y moderna,  
junto con los métodos contemporáneos de la ciencia de datos, como la estadística  
avanzada, el modelado matemático y el aprendizaje automático.  
Variables  
Variable dependiente  
LaprincipalvariablequesebuscapredecireselPIBreal,portratarsedeunode  
los indicadores más representativos del desempeño macroeconómico. De manera  
complementaria, se estiman modelos para otras variables macroeconómicas  
relevantes.  
Variables independientes  
Las variables incorporadas en los modelos corresponden a indicadores  
macroeconómicos seleccionados por su relevancia teórica y empírica para  
explicar el comportamiento del PIB. En particular, se consideraron la inflación y  
la tasa de interés activa referencial, así como los rezagos del PIB y de las variables  
explicativas en aquellas especificaciones donde la estructura del modelo lo  
requirió. Estas variables se seleccionan por su capacidad para capturar dinámicas  
temporales que contribuyan a mejorar la precisión predictiva de los modelos, más  
que por su interpretación causal directa (Hyndman & Athanasopoulos, 2021).  
La selección de variables respondió tanto a criterios teóricos como  
a restricciones de disponibilidad y consistencia estadística de las series  
trimestrales. La inflación y la tasa de interés fueron priorizadas debido a su  
relevancia macroeconómica y a su capacidad para capturar dinámicas monetarias  
y financieras asociadas al comportamiento del PIB en economías dolarizadas  
como la ecuatoriana. Si bien existen otros factores relevantes para la economía  
ecuatoriana, como el gasto público, el comercio exterior, la inversión, el consumo  
interno o los precios del petróleo, su incorporación no fue considerada dentro  
de esta investigación debido al enfoque parsimonioso del modelo y con el  
propósito de evitar incrementos innecesarios en la complejidad, problemas de  
multicolinealidad y posibles riesgos de sobreajuste.  
Adicionalmente, la incorporación de rezagos permitió capturar efectos  
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 9(17), pp. 93-117. Segundo Semestre de 2026  
(Ecuador). ISSN 2631-2743. DOI: https:/10.37135/kai.03.17.05  
97  
Estéfany A. Orbe-Rosario, Tatiana L. Palacios-Sinchi, Pablo Gaibor Costta  
dinámicos e intertemporales relevantes para la predicción económica.  
Preparación y procesamiento de datos  
El tratamiento de los datos constituye una etapa fundamental del estudio,  
ya que la calidad del conjunto de datos afecta directamente la precisión de los  
modelos predictivos. La base principal proviene del Banco Central de Ecuador,  
y abarca el período comprendido entre los años 2008 y 2022, con frecuencia  
trimestral. Esta fuente se complementa con una base de datos interna consolidada  
por el equipo de investigación.  
Conelpropósitodeevaluarlaestabilidadyrobustezpredictivadelosmodelos  
bajo distintos contextos macroeconómicos, el estudio consideró dos escenarios de  
análisis diferenciados. El primero corresponde a un periodo de relativa estabilidad  
económica, utilizando información de entrenamiento entre 2008 y 2018 y datos  
de prueba para el año 2019. El segundo escenario incorpora un contexto de  
disrupciones económicas asociado a la pandemia y al paro nacional, utilizando  
datos de entrenamiento entre 2008 y 2021 y evaluación fuera de muestra para  
el año 2022. Esta estrategia permitió comparar el desempeño de los distintos  
modelos tanto en entornos estables como en escenarios de alta volatilidad.  
La primera etapa del procesamiento consistió en la depuración de la base  
de datos, incluyendo la revisión de valores faltantes y atípicos. En presencia de  
datos faltantes se emplearon técnicas de interpolación temporal para preservar la  
continuidad de las series (Hyndman & Athanasopoulos, 2021).  
Posteriormente, se realizó un proceso de ingeniería de características (feature  
engineering), generando rezagos temporales y transformaciones logarítmicas de  
las variables. Estas transformaciones permiten capturar dinámicas intertemporales  
y estabilizar la varianza de las series, lo cual resulta útil en modelos de series de  
tiempo (Brownlee, 2020).  
Para los modelos de aprendizaje automático (Random Forest y LSTM) se  
aplicó normalización Min-Max, con el fin de evitar que las diferencias de escala  
entre variables afecten el proceso de entrenamiento. En contraste, en los modelos  
econométricos se emplearon transformaciones logarítmicas y especificaciones  
dinámicas sin requerir escalamiento previo.  
Se efectuó un análisis exploratorio mediante gráficos de series de tiempo  
y análisis de correlación, con el propósito de identificar tendencias, posibles  
cambios estructurales y relaciones preliminares entre variables.  
Finalmente, para validar la consistencia estadística de los modelos  
econométricos se aplicaron pruebas complementarias. El test de Breusch-Pagan  
se utilizó para detectar posibles problemas de heterocedasticidad, mientras que  
el estadístico Durbin-Watson permitió evaluar la presencia de autocorrelación  
en los residuos. Asimismo, se empleó el factor de inflación de la varianza (VIF)  
para identificar problemas de multicolinealidad entre variables explicativas.  
Finalmente, el desempeño predictivo de los modelos se comparó mediante las  
métricas RMSE (Root Mean Squared Error) y MAE (Mean Absolute Error), las  
cuales permiten cuantificar la magnitud promedio de los errores de predicción  
fuera de muestra.  
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 9(17), pp. 93-117. Segundo Semestre de 2026  
(Ecuador). ISSN 2631-2743. DOI: https:/10.37135/kai.03.17.05  
98  
Modelos de predicción económica utilizando aprendizaje automático  
Modelos econométricos utilizados  
A fin de analizar las variables macroeconómicas y evaluar su capacidad  
predictiva, el presente trabajo incorpora modelos de predicción econométricos  
tradicionales, así como técnicas modernas de aprendizaje automático.  
Particularmente se emplea la regresión lineal múltiple MCO, un modelo de  
regresión dinámica denominado Autorregresivo de Rezagos distribuidos ARDL  
y en cuanto a los modelos de aprendizaje automático, se utiliza bosque aleatorio,  
conocido en inglés como Random Forest Regressor, y modelos de redes de  
memoria de corto y largo plazo, conocidas como LSTM (Long Short-Term  
Memory).  
Lacombinacióndelosmodelosmencionadospermitiráevaluarlaprecisiónde  
las variables macroeconómicas, PIB, inflación y tasas de interés, así como analizar  
diferencias en cuanto a la interpretabilidad, complejidad, y su adaptabilidad de  
los distintos modelos a los datos temporales.  
Regresión lineal múltiple  
“La regresión lineal múltiple trata de ajustar modelos lineales entre una  
variable dependiente y más de una variable independiente. En este tipo de  
modelos es importante testar la heterocedasticidad, la multicolinealidad y la  
especificación”, dicho modelo es el más simple (Montero, 2016). La ecuación  
general del modelo se expresa como:  
Yᵢ = β₁ + β₂ X₂ᵢ + β₃ X₃ᵢ + uᵢ  
(1)  
En la ecuación Yi representa la variable dependiente del estudio, mientras  
que X2i, X3i, … Xki las variables explicativas. En este contexto, las variables a  
estimar son el PIB, inflación y tasas de interés respectivamente, por otro lado  
es el término constante o conocido también como intercepto, y coeficientes  
regresión parcial que indican el cambio esperado en la variable dependiente ante  
un cambio unitario en cada uno de los coeficiente de regresión, manteniendo  
constante la influencia del otro, por último como el término de perturbación  
estocástica, que para efectos del estudio se sustituye por para denotar series de  
tiempo obteniendo como ecuación final la siguiente (Gujarati & Porter, 2010).  
Yᵢ = β₁ + β₂ X₂ₜ + β₃ X₃ₜ + uₜ  
Modelo de rezagos distribuidos  
(2)  
El modelo de regresión dinámica con rezagos considera datos actuales y  
pasados de las variables explicativas, y en algunos casos, los valores rezagados  
de la variable dependiente. Este modelo es comúnmente usado en econometría  
para modelar series temporales, que permitan capturar los efectos retardados de  
las variables explicativas y también la inercia de la variable dependiente en el  
tiempo (Gujarati & Porter, 2010). La ecuación general del modelo de rezagos  
distribuidos es:  
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 9(17), pp. 93-117. Segundo Semestre de 2026  
(Ecuador). ISSN 2631-2743. DOI: https:/10.37135/kai.03.17.05  
99  
Estéfany A. Orbe-Rosario, Tatiana L. Palacios-Sinchi, Pablo Gaibor Costta  
Yₜ = α + β₀ Xₜ + β₁ X₍ₜ₋₁₎ + + βₖ X₍ₜ₋ₖ₎ + μₜ  
(3)  
Donde Yₜ representa la variable dependiente en el tiempo, Xₜ, Xₜ₋₁ … Xₜ₋ₖ  
los valores actuales y rezagados de la variable explicativa, por otro lado β₀, β₁, …  
βₖ son los coeficientes que miden el impacto de los valores actuales y rezagados  
de X; α es un intercepto y μₜ el término de error del modelo (Gujarati & Porter,  
2010). Cuando el modelo incluye rezagos de la variable dependiente se denomina  
modelo autorregresivo, y adopta la siguiente estructura (Gujarati & Porter, 2010).  
Yₜ = α + β Xₜ + γ Y₍ₜ₋₁₎ + μₜ  
(4)  
En este caso captura la dependencia de con respecto a su valor pasado  
Yₜ₋₁, este , este modelo combina elementos de una regresión lineal estándar  
con características dinámicas, lo cual lo hace adecuado para modelar efectos  
económicos con retrasos temporales (Gujarati & Porter, 2010). En el contexto  
del presente estudio, el modelo propuesto incluye tanto rezagos de las variables  
explicativas, así como de la variable dependiente, permitiendo analizar los efectos  
a corto y largo plazo.  
Si bien la especificación inicial de los modelos se basa en el enfoque de  
Mínimos Cuadrados Ordinarios (MCO), durante la fase de estimación se  
identificaron posibles problemas de heterocedasticidad, autocorrelación y  
endogeneidad, frecuentes en series macroeconómicas. Por esta razón, tras la  
evaluacióndelossupuestosdelmodeloclásicoderegresiónlineal,lasestimaciones  
finales se realizaron mediante un enfoque de Mínimos Cuadrados Generalizados  
(GLS), asumiendo una estructura de autocorrelación de primer orden AR (1) en  
los errores.  
Este procedimiento permite obtener estimadores más eficientes en presencia  
de autocorrelación serial, situación común en series de tiempo macroeconómicas  
como el PIB, la inflación y las tasas de interés.  
Modelos de machine learning  
Random forest  
Es un método de aprendizaje automático basado en la combinación de  
múltiples árboles de decisión mediante técnicas de bagging y selección aleatoria  
de variables (Breiman, 2001). El bagging consiste en entrenar cada árbol con  
muestras Bootstrap del conjunto de datos, es decir, selecciones aleatorias con  
reemplazo. Esto implica que algunas observaciones pueden repetirse mientras  
que otras quedan fuera de la muestra de entrenamiento de cada árbol, conocidas  
como observaciones out-of-bag (OOB), las cuales pueden emplearse para estimar  
el error del modelo.  
Adicionalmente, en cada nodo del árbol se selecciona de forma aleatoria un  
subconjunto de variables explicativas para determinar la mejor partición. Este  
procesoreducelacorrelaciónentreárbolesymejoralacapacidaddegeneralización  
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 9(17), pp. 93-117. Segundo Semestre de 2026  
(Ecuador). ISSN 2631-2743. DOI: https:/10.37135/kai.03.17.05  
100  
Modelos de predicción económica utilizando aprendizaje automático  
del modelo. En términos generales, la predicción del modelo se expresa como:  
Ŷ = 1/B ∑₍ᵇ₌₁₎ᴮ Tᵦ(X)  
(5)  
Donde: Tb (X) representa la predicción del árbol b-ésimo construido a partir  
de una muestra aleatoria del conjunto de datos y un subconjunto de variables  
explicativas (Breiman, 2001).  
Para la implementación del modelo en esta investigación, se utilizó una  
partición temporal de los datos: el periodo 2008 – 2018 se destinó al entrenamiento  
y el año 2019 a la evaluación fuera de muestra. El modelo se estimó con 500  
árboles y selección aleatoria de predictores en cada nodo. El desempeño predictivo  
se evaluó mediante RMSE y MAE, seleccionando el modelo con menor error  
fuera de muestra. Los hiperparámetros utilizados, particularmente el número de  
árboles (ntree=500) y la cantidad de variables seleccionadas aleatoriamente en  
cada partición (mtry=2), fueron definidos con base en pruebas experimentales  
y recomendaciones frecuentes en la literatura especializada, priorizando  
configuraciones que redujeran el error fuera de muestra y minimizaran riesgos de  
sobreajuste.  
Long short-term memory (LSTM)  
Las redes LSTM, o redes de memoria de corto y largo plazo, constituyen una  
variación avanzada de las redes neuronales recurrentes (RNN), diseñadas para  
modelar dependencias temporales de largo plazo en datos secuenciales. Estas  
redes permiten superar el problema del desvanecimiento del gradiente, frecuente  
en RNN tradicionales, lo que favorece un aprendizaje más estable de patrones  
complejos en series temporales (DataScientest, 2024).  
El problema del desvanecimiento del gradiente surge durante la  
retropropagación a través del tiempo, cuando los gradientes tienden a disminuir  
exponencialmente a medida que se transmiten hacia periodos anteriores,  
generando variaciones mínimas en los pesos de las capas iniciales y dificultando  
el aprendizaje de relaciones de largo plazo (DataScientest, 2024).  
Para mitigar este fenómeno, las LSTM incorporan celdas de memoria  
controladas por compuertas que regulan qué información se conserva, se descarta  
o se transmite en el tiempo. Este mecanismo permite preservar información  
relevante durante múltiples periodos y mejorar la capacidad del modelo para  
capturar dinámicas intertemporales en series económicas (DataScientest, 2024).  
En esta investigación, el modelo LSTM se empleó para capturar relaciones  
no lineales y patrones dinámicos entre el PIB, la inflación y la tasa de interés activa  
referencial. Previamente al entrenamiento, las variables fueron normalizadas  
mediante escalamiento Min-Max con el fin de mejorar la estabilidad del proceso  
de aprendizaje. Se construyeron secuencias temporales de cuatro rezagos  
(n_steps = 4), de modo que cada observación de entrada contiene información de  
los cuatro trimestres previos del PIB, la inflación y la tasa de interés.  
El modelo se configuró con una capa LSTM de 50 unidades ocultas, función  
de pérdida de error cuadrático medio (MSE), optimizador Adam con tasa de  
aprendizaje de 0.01 y 300 épocas de entrenamiento.  
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 9(17), pp. 93-117. Segundo Semestre de 2026  
(Ecuador). ISSN 2631-2743. DOI: https:/10.37135/kai.03.17.05  
101  
Estéfany A. Orbe-Rosario, Tatiana L. Palacios-Sinchi, Pablo Gaibor Costta  
La muestra se dividió en conjunto de entrenamiento (periodo 2008 -  
2021) y conjunto de prueba (2022). Para generar las secuencias del conjunto de  
prueba se utilizaron adicionalmente los últimos cuatro trimestres del periodo de  
entrenamiento, garantizando la continuidad temporal requerida por el modelo.  
Posteriormente, las predicciones fueron desnormalizadas para su interpretación  
en niveles originales. El desempeño del modelo se evaluó mediante el RMSE  
fuera de muestra.  
La selección de las variables explicativas responde a su relevancia teórica  
y empírica en la determinación del PIB. En particular, la inflación y la tasa de  
interés activa referencial fueron consideradas debido a su incidencia directa  
sobre el consumo, la inversión y las condiciones de financiamiento en economías  
dolarizadas, donde la política monetaria presenta restricciones estructurales.  
En cuanto a los modelos utilizados, la inclusión de regresiones lineales  
múltiples permite capturar relaciones contemporáneas entre variables  
macroeconómicas, mientras que los modelos de rezagos distribuidos incorporan  
efectos dinámicos y retardados en la evolución del PIB. Por su parte, la  
incorporación de algoritmos de aprendizaje automático, como Random Forest  
y redes neuronales LSTM, responde a su capacidad para modelar relaciones no  
lineales y patrones complejos en series temporales, lo que permite contrastar su  
desempeño frente a enfoques econométricos tradicionales.  
Los hiperparámetros de los modelos de aprendizaje automático fueron  
definidos mediante criterios experimentales y revisión de literatura especializada,  
priorizando configuraciones parsimoniosas acordes con el tamaño de la muestra  
disponible.EnelmodeloRandomForestseutilizaron500árboles(ntree=500)ydos  
variables por partición (mtry=2), mientras que el modelo LSTM fue configurado  
con 50 unidades ocultas, secuencias de cuatro rezagos y un entrenamiento de 300  
iteraciones completas sobre el conjunto de entrenamiento.  
Estas configuraciones permitieron controlar la complejidad de los modelos y  
reducir riesgos de sobreajuste en presencia de una muestra relativamente limitada.  
Asimismo, se aplicó una validación temporal mediante separación entrenamiento-  
prueba, evitando utilizar información futura durante el entrenamiento y  
preservando la secuencia cronológica de las series. Finalmente, la división del  
análisis en distintos contextos económicos permite evaluar la robustez de los  
modelos bajo diferentes condiciones macroeconómicas, fortaleciendo la validez  
de los resultados obtenidos.  
Tabla de con iguración metodológica  
Con el propósito de resumir la configuración aplicada en la estimación de  
los modelos predictivos, la Tabla 1 presenta los periodos de entrenamiento y  
prueba, variables utilizadas, métricas de evaluación y los principales parámetros  
considerados en cada especificación.  
Tabla 1.  
Configuración metodológica de los modelos predictivos  
Periodo entrenamiento /  
Modelo  
Parámetros principales  
prueba  
Estimación por MCO y ajuste  
mediante GLS con estructura  
AR(1).  
Regresión  
(Modelos 1, 2 y 3)  
lineal  
múltiple  
2008-2021 / 2022  
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 9(17), pp. 93-117. Segundo Semestre de 2026  
(Ecuador). ISSN 2631-2743. DOI: https:/10.37135/kai.03.17.05  
102  
Modelos de predicción económica utilizando aprendizaje automático  
Inclusión de rezagos trimestrales;  
Modelo 5 como especificación  
optimizada.  
Modelos de rezagos distribuidos  
(Modelos 4 y 5)  
2008-2021 / 2022  
500 árboles (ntree=500) y dos  
variables por partición (mtry=2).  
Random Forest (Modelo 6)  
2008-2021 / 2022  
2008-2021 / 2022  
50  
unidades  
ocultas,  
cuatro  
LSTM (Modelo 7)  
rezagos, optimizador Adam, tasa  
de aprendizaje 0.01 y 300 épocas.  
Fuente: elaboración propia.  
Resultados  
El análisis y proyección del PIB constituyen una herramienta fundamental  
en el estudio macroeconómico, ya que permiten evaluar la evolución de los  
ciclos económicos agregados y comprender los determinantes del crecimiento  
económico. Anticipar su comportamiento facilita la evaluación de la capacidad  
productiva de la economía y la identificación de posibles escenarios de crisis o  
expansión.  
El presente estudio emplea un enfoque cuantitativo para modelar y predecir  
el comportamiento del PIB del Ecuador para el año 2022 utilizando técnicas  
econométricas tradicionales y métodos de aprendizaje automático. La base de  
datos empleada cubre el periodo comprendido entre el primer trimestre del año  
2008 al cuarto trimestre del año 2021, para tal efecto, el PIB será predicho en  
función de las variables explicativas, inflación y tasas de interés.  
La metodología contempla la especificación de modelos de regresión  
lineal múltiple en distintas formas funcionales (lineal, log-lineal y con variables  
dummy para eventos atípicos, como la pandemia de 2020). Si bien la formulación  
inicial se plantea bajo el enfoque de Mínimos Cuadrados Ordinarios (MCO), las  
estimaciones finales se realizan mediante Mínimos Cuadrados Generalizados  
(GLS), incorporando una estructura autorregresiva de orden uno AR (1) en los  
errores, con el fin de corregir problemas de autocorrelación detectados en las  
pruebas diagnósticas. Asimismo, se incorporan modelos de rezagos distribuidos  
para captar efectos retardados.  
Regresión lineal múltiple  
Luego de un análisis de correlación, se construyeron 3 modelos de regresión  
lineal múltiple tradicional, bajo la metodología de mínimos cuadrados ordinarios,  
en los cuales se mantiene la misma estructura funcional: la variable dependiente  
es el PIB real (PIBc), y las variables explicativas, la inflación trimestral (inflación)  
y la tasa de interés (tiarv), resultando el siguiente modelo:  
pib₍c₎ = β₀ + β₁ * inflación + β₂ * tiarv + μ  
(6)  
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 9(17), pp. 93-117. Segundo Semestre de 2026  
(Ecuador). ISSN 2631-2743. DOI: https:/10.37135/kai.03.17.05  
103  
Estéfany A. Orbe-Rosario, Tatiana L. Palacios-Sinchi, Pablo Gaibor Costta  
Estos modelos se entrenaron con los datos de los años comprendidos entre  
2008 y 2021, posteriormente se creó un modelo de prueba (test) con base en el año  
2022, es decir las 4 observaciones que se excluyeron de la base de entrenamiento,  
con la finalidad de comparar si los valores predichos se asemejan a los valores  
reales.  
Los modelos se ajustaron mediante mínimos cuadrados ordinarios, se  
evaluaron los supuestos del modelo clásico de regresión lineal haciendo énfasis  
en los posibles problemas de heteroscedasticidad y autocorrelación de los errores.  
Para todos los modelos, en el primer caso no se rechazó la hipótesis nula del test  
de Breusch-Pagan, concluyendo que los errores son homocedásticos. También se  
detectó autocorrelación mediante el test de Durbin Watson. En respuesta a esto,  
se generó un modelo con una estructura de mínimos cuadrados generalizados,  
asumiendo que los errores tienen una estructura de autocorrelación de grado 1  
AR (1). Posteriormente se evaluó los coeficientes resultantes de cada modelo que  
se pueden visualizar en la Tabla 2.  
Tabla 2.  
Coeficientes de los modelos de regresión lineal múltiple de los 3 modelos aplicados  
Variables  
Modelo 1  
34666.47  
(431444.2)  
- 19980.47  
(31230.1)z  
- 1237.15**  
(495.7)  
Modelo 2  
11.9292  
Modelo 3  
34681.54  
(12563)  
19534.24**  
(31230.6)  
-1238.24**  
(495.6)  
Intercepto  
Inflación  
(1856.55)  
0.007818 **  
(0.0039)  
0. 826568**  
Tasa de interés  
Pandemia  
(0. 2772)  
-480.13  
-
-
(478.0)  
Observaciones  
AIC  
56  
44  
56  
844.11  
- 147.93  
830.926  
Nota. Nivel de significancia al 1% (***p<0.01), 5% (**p<0.05), 10% (*p<0.1). Los errores estándar robustos se  
muestran en paréntesis. La variable dependiente corresponde al PIB.  
Fuente: elaboración propia.  
Luego de haber estimado los modelos econométricos, se procedió a generar  
las predicciones del PIB correspondiente al año 2022. Para ello se utilizaron las  
funciones de predicción aplicadas sobre el conjunto de prueba, obteniendo así los  
valores esperados del PIB, bajo cada enfoque, que se pueden observar en la Tabla 3.  
Tabla 3.  
Trimestre  
Comparación entre PIB real y PIB predicho de los modelos aplicados.  
PIB Predicho  
Modelo 1.  
PIB Predicho  
Modelo 2.  
PIB Predicho  
Modelo 3.  
PIB Real  
2022I  
2022II  
2022III  
2022IV  
28198  
18558  
28685  
29607  
22910  
23207  
23309  
23228  
22451  
22942  
23035  
22805  
22913  
23209  
23313  
23233  
Fuente: elaboración propia.  
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 9(17), pp. 93-117. Segundo Semestre de 2026  
(Ecuador). ISSN 2631-2743. DOI: https:/10.37135/kai.03.17.05  
104  
Modelos de predicción económica utilizando aprendizaje automático  
Como se puede observar en la Tabla 3 las predicciones generadas por los  
tres modelos para los trimestres del año 2022 muestran diferencias importantes  
respecto a los valores reales del PIB. En general, los modelos tienden a subestimar  
el PIB en la mayoría de los trimestres, con excepción del segundo trimestre,  
donde se produce una sobreestimación. En el caso del modelo 1, las predicciones  
se mantienen relativamente estables alrededor de los 23 mil puntos, sin lograr  
capturar la variabilidad observada en el PIB real. Esto evidencia limitaciones del  
modelo para adaptarse a fluctuaciones pronunciadas en el periodo de evaluación.  
En el modelo 2, estimado en forma logarítmica, presenta desviaciones  
aún mayores en varios trimestres. Si bien la transformación logarítmica puede  
mejorar la estabilidad en ciertos contextos, en este caso no se traduce en una  
mejora de la precisión predictiva, mostrando errores considerables frente a los  
valores reales. Por su parte, el modelo 3, que incorpora una variable dummy  
para capturar efectos estructurales, exhibe predicciones muy similares al modelo  
1, pero con errores ligeramente menores en la mayoría de los trimestres. Esto  
sugiere que la inclusión del componente estructural aporta cierta mejora marginal  
en la capacidad predictiva.  
Tabla 4.  
Métricas de precisión  
Modelo 1.  
Modelo 2.  
Modelo 3.  
RMSE  
MAE  
5458.07  
5710.15  
5455.37  
5422.84  
5645.43  
5420.39  
Fuente: elaboración propia.  
Como se puede observar en la Tabla 3 las predicciones generadas por los  
tres modelos para los trimestres del año 2022 muestran diferencias importantes  
respecto a los valores reales del PIB. En general, los modelos tienden a subestimar  
el PIB en la mayoría de los trimestres, con excepción del segundo trimestre,  
donde se produce una sobreestimación. En el caso del modelo 1, las predicciones  
se mantienen relativamente estables alrededor de los 23 mil puntos, sin lograr  
capturar la variabilidad observada en el PIB real. Esto evidencia limitaciones del  
modelo para adaptarse a fluctuaciones pronunciadas en el periodo de evaluación.  
En el modelo 2, estimado en forma logarítmica, presenta desviaciones  
aún mayores en varios trimestres. Si bien la transformación logarítmica puede  
mejorar la estabilidad en ciertos contextos, en este caso no se traduce en una  
mejora de la precisión predictiva, mostrando errores considerables frente a los  
valores reales. Por su parte, el modelo 3, que incorpora una variable dummy  
para capturar efectos estructurales, exhibe predicciones muy similares al modelo  
1, pero con errores ligeramente menores en la mayoría de los trimestres. Esto  
sugiere que la inclusión del componente estructural aporta cierta mejora marginal  
en la capacidad predictiva.  
Al comparar el rendimiento mediante métricas de error, se observa que el  
modelo 3 presenta el mejor desempeño predictivo, al registrar los valores más  
bajos tanto en RMSE (5455.37) como en MAE (5420.39). El modelo 1 muestra un  
desempeño muy cercano, con diferencias marginales respecto al modelo 3, lo que  
indica que ambos modelos poseen una capacidad predictiva similar. En contraste,  
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 9(17), pp. 93-117. Segundo Semestre de 2026  
(Ecuador). ISSN 2631-2743. DOI: https:/10.37135/kai.03.17.05  
105  
Estéfany A. Orbe-Rosario, Tatiana L. Palacios-Sinchi, Pablo Gaibor Costta  
el modelo 2 reporta los mayores errores (RMSE de 5710.15 y MAE de 5645.43),  
evidenciando una menor precisión en sus estimaciones. Estos resultados sugieren  
que la inclusión de la variable dummy aporta una mejora leve en la precisión del  
modelo. Dichos valores se detallan a continuación.  
Figura 3.  
Comparación de la predicción del PIB real vs el PIB predicho del modelo 1.  
Fuente: elaboración propia  
Figura 4.  
Comparación de la predicción del PIB real vs el PIB predicho del modelo 2  
Fuente: elaboración propia.  
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 9(17), pp. 93-117. Segundo Semestre de 2026  
(Ecuador). ISSN 2631-2743. DOI: https:/10.37135/kai.03.17.05  
106  
Modelos de predicción económica utilizando aprendizaje automático  
Figura 5.  
Comparación de la predicción del PIB real vs el PIB predicho del modelo 3.  
Fuente: elaboración propia.  
Modelos de rezagos distribuidos  
Con el objetivo de capturar de manera más precisa la dinámica temporal  
del PIB y los posibles efectos retardados de las variables macroeconómicas, se  
incorporó un modelo de regresión lineal múltiple con rezagos distribuidos, lo que  
permite evaluar no solo el impacto de los factores explicativos, sino también su  
influencia a lo largo de varios periodos anteriores, estimándose diez variables  
explicativas sobre el PIB trimestral.  
pibc = α + β₀ * in aciónₜ + β₁ * in aciónₜ₋₁ + β₂ * in aciónₜ₋₂ + β₃ * in aciónₜ₋₃  
+ β₄ * in aciónₜ₋₄ + γ₀ * tiarvₜ + γ₁ * tiarvₜ₋₁ + γ₂ * tiarvₜ₋₂ + γ₃ * tiarvₜ₋₃ + γ₄  
* tiarvₜ₋₄ + μₜ  
(7)  
A su vez con el objetivo de identificar el modelo más preciso y confiable, se  
llevó a cabo un proceso de evaluación exhaustiva, en el cual se iteraron todas las  
posibles combinaciones de las variables independientes incluidas en el modelo 4.  
Como resultado, se determinó que la mejor combinación de variables corresponde  
al modelo 5, que se puede observar a continuación.  
pibc = α + β₀ * in aciónₜ + γ₂ * tiarvₜ₋₂ + μₜ  
(8)  
De igual manera se pueden visualizar los resultados de la aplicación de los  
modelos en la siguiente tabla.  
Tabla 5.  
Coeficientes de los modelos.  
Variables  
Modelo 4  
41363***  
(18399)  
Modelo 5  
74572***  
11308  
Intercepto  
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 9(17), pp. 93-117. Segundo Semestre de 2026  
(Ecuador). ISSN 2631-2743. DOI: https:/10.37135/kai.03.17.05  
107  
Estéfany A. Orbe-Rosario, Tatiana L. Palacios-Sinchi, Pablo Gaibor Costta  
-41733  
(208599)  
3288  
(3536)  
-224321  
(186678)  
-297372  
(201327)  
-302716  
(200094)  
-367856  
-446900  
Inflación  
184907*  
-
-
-
-
-
-
-
-
-
tiarv  
Inflación_lag 1  
Inflación_lag 2  
Inflación_lag 3  
Inflación_lag 4  
tiarv_lag1  
(212317)  
-
-
-
-2002  
(4786)  
50  
-4740  
tiarv_lag2  
(4931)  
1070***  
-1706  
(4783)  
-1060  
(2739)  
0.56  
-
-
-
tiarv_lag3  
tiarv_lag4  
R2  
-
0.42  
Nota: Nivel de significancia al 1% (***p<0.01), 5% (**p<0.05), 10% (*p<0.1). Los errores estándar  
robustos se muestran en paréntesis. La variable dependiente corresponde al PIB.  
El modelo 4 constituye una especificación amplia con hasta cuatro rezagos  
de las variables explicativas, acorde con la periodicidad trimestral de los datos.  
Sin embargo, los resultados muestran que, a excepción del intercepto, ninguno  
de los coeficientes asociados a inflación, tasa de interés ni sus rezagos presenta  
significancia estadística.  
Este resultado puede explicarse por la presencia de multicolinealidad, lo cual  
se confirma en la Tabla 7. En particular, los factores de inflación de la varianza  
(VIF) para los rezagos de la tasa de interés alcanzan valores elevados (superiores  
a 10 e incluso cercanos a 18), superando ampliamente los umbrales comúnmente  
aceptados. Esta situación genera estimadores inestables y reduce la precisión  
estadística de los coeficientes, aun cuando el modelo presenta un de 0.56, lo que  
indica una capacidad explicativa moderada en términos globales.  
Por su parte, el modelo 5 presenta una especificación más parsimoniosa.  
En este caso, el intercepto mantiene un coeficiente positivo y estadísticamente  
significativo. La inflación contemporánea muestra un coeficiente negativo y  
significancia estadística, sugiriendo una relación inversa entre inflación y PIB,  
consistente con la teoría macroeconómica en contextos de presiones inflacionarias.  
Asimismo, la tasa de interés con dos rezagos resulta estadísticamente significativa  
y con signo negativo, lo que evidencia un efecto contractivo sobre el PIB con  
rezago temporal.  
La tabla 6 confirma que en el modelo 5 los valores VIF disminuyen  
considerablemente (cercanos a 1), lo que indica ausencia de multicolinealidad  
severa. Aunque su (0.42) es menor al del modelo 4, este modelo ofrece  
estimaciones más estables y económicamente interpretables. En este sentido, el  
modelo 5 representa un mejor equilibrio entre parsimonia, consistencia teórica y  
solidez estadística.  
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 9(17), pp. 93-117. Segundo Semestre de 2026  
(Ecuador). ISSN 2631-2743. DOI: https:/10.37135/kai.03.17.05  
108  
Modelos de predicción económica utilizando aprendizaje automático  
Tabla 6.  
Multicolinealidad de los modelos  
Rezagos  
Modelo 4.  
1.71  
Modelo 5.  
inflación  
1.12  
tiarv  
10.88  
1.377  
1.65  
inflacion_lag1  
inflacion_lag2  
inflacion_lag3  
inflación_lag4  
tiarv_lag1  
tiarv_lag2  
tiarv_lag3  
tiarv_lag4  
2.08  
2.93  
18.6  
18.11  
17.88  
8.51  
1.12  
Fuente: elaboración propia.  
Mientras que la prueba de Breusch-Pagan confirmó heterocedasticidad, la  
presencia de este no afecta la validez del modelo ni su capacidad predictiva lo cual  
se puede corroborar en la Tabla 6 mediante las métricas de error de los modelos,  
consolidando al modelo 5 como el más acertado.  
Tabla 7.  
Métricas de error de los modelos aplicados  
Modelo 4  
5654.59  
5582.79  
Modelo 5  
3529.86  
2257.05  
RMSE  
MAE  
Fuente: elaboración propia.  
A continuación, se podrá evidenciar los valores predichos de los dos  
modelos de rezagos distribuidos, en la Tabla 8, así como verificar de forma visual  
la aproximación de cada modelo al PIB real en la figura 6.  
Tabla 8.  
Valores predichos de cada modelo  
PIB Predicho  
Modelo 4  
PIB Predicho  
Modelo 5  
Fecha  
Trimestre  
PIB Real  
2022-01-01  
2022-04-01  
2022I  
2022II  
2022III  
2022IV  
28198  
18558  
28685  
29607  
23668.04  
23416.60  
22302.20  
23047.28  
26444.03  
25389.08  
28436.21  
29801.35  
2022-07-01  
2022-10-01  
Fuente: elaboración propia.  
Random Forest  
En función de los resultados obtenidos mediante la regresión lineal múltiple  
con rezagos distribuidos del modelo 5, se ajustó el modelo Random Forest para  
incorporar exclusivamente las variables que mostraron mayor significancia  
estadística y relevancia económica, la inflación actual y la tasa de interés  
rezagada dos periodos (tiarv_lag2). Este ajuste tuvo como propósito mejorar la  
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 9(17), pp. 93-117. Segundo Semestre de 2026  
(Ecuador). ISSN 2631-2743. DOI: https:/10.37135/kai.03.17.05  
109  
Estéfany A. Orbe-Rosario, Tatiana L. Palacios-Sinchi, Pablo Gaibor Costta  
precisión predictiva del modelo y reducir la complejidad innecesaria, priorizando  
la eficiencia computacional y la interpretabilidad.  
Este modelo se estructuró con 500 árboles de decisión y se seleccionaron  
dos variables aleatorias por nodo (mtry=2). La evaluación de la importancia  
relativa de cada predictor se realizó mediante dos métricas clave de regresión:  
el Incremento porcentual del error cuadrático medio (%IncMSE), el cual indica  
el aumento del error del modelo al permutar aleatoriamente una variable, y el  
Incremento en la calidad de la partición (IncNodePurity), que en el contexto de  
regresión mide la reducción total de la suma de los cuadrados residuales (RSS)  
que resulta de las particiones basadas en dicha variable.  
Los resultados mostraron que tiarv_lag2 fue la variable más influyente en  
las predicciones, con un incremento del 45% en el error al omitirla, seguida de  
la inflación con un impacto del 18,5%. Matemáticamente, la predicción generada  
por este modelo de regresión se representa como el promedio de las predicciones  
de los árboles individuales representa como:  
Ŷₜ = 1/500 ∑ᵦ₌₁⁵⁰⁰ Tᵦ(Xₜ)  
(9)  
En cuanto al desempeño predictivo, el modelo presentó un RMSE de 3867.10  
y un MAE de 3597.85, indicando que existe una buena capacidad de predicción  
general.  
Tabla 9.  
Valores predichos del modelo Random Forest  
Fecha  
Trimestre  
2022I  
PIB Real  
28198  
PIB Predicho 6  
22453  
2022-01-01  
2022-04-01  
2022-07-01  
2022-10-01  
Fuente: elaboración propia.  
2022II  
18558  
22425  
2022III  
2022IV  
28685  
26955  
29607  
26630  
Figura 6.  
Comparación de la predicción del PIB real vs el PIB predicho del modelo  
Fuente: elaboración propia.  
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 9(17), pp. 93-117. Segundo Semestre de 2026  
(Ecuador). ISSN 2631-2743. DOI: https:/10.37135/kai.03.17.05  
110  
Modelos de predicción económica utilizando aprendizaje automático  
Long – Short Term Memory  
Como parte del enfoque comparativo del presente estudio, se incorporó  
un modelo de red neuronal de tipo LSTM. Este modelo se seleccionó por su  
capacidad para capturar relaciones no lineales y dependencias secuenciales en  
series temporales económicas, permitiendo ajustar las predicciones del PIB en  
función de patrones históricos detectados en trimestres anteriores.  
Para esto, se estructuraron los datos como secuencias multivariadas  
de longitud 4 (un año de memoria temporal), considerando como variables  
explicativas el PIB, la inflación y la tasa de interés. Dada la dimensión del conjunto  
de datos (56 observaciones), el modelo se diseñó bajo un enfoque de arquitectura  
parsimoniosa para prevenir el sobreajuste (overfitting).  
Este modelo consta de una capa única LSTM compuesta por 50 unidades  
ocultas. Para compensar la complejidad de la red frente al tamaño de la muestra, se  
incorporaron mecanismos de regularización técnica, incluyendo una penalización  
de pesos (L2) y una tasa de aprendizaje controlada. La salida se procesa a través  
de una capa densa que transforma la información en una única predicción para  
el valor del PIB del siguiente trimestre. El arreglo tridimensional de entrada se  
define como (n_observaciones, 4 trimestres, 3 variables).  
Por cada época, se calcularon los gradientes de error y se actualizó los pesos  
de la red con el fin de reducir la función pérdida. El valor del error se monitoreó  
durante todo el proceso y mostró una tendencia decreciente, indicando que el  
modelo aprende adecuadamente.  
Como resultado del entrenamiento, se obtuvo un modelo capaz de predecir  
el comportamiento del PIB en función de los patrones aprendidos a lo largo del  
período del 2008-2021. En la siguiente tabla se presentan los valores reales del  
PIB frente a los valores predichos del modelo LSTM para los cuatro trimestres  
del año 2022.  
Tabla 10.  
Comparación del PIB real vs PIB predicho  
Fecha  
Trimestre  
2022I  
PIB Real  
PIB Predicho 7  
26837.55  
2022-01-01  
28198  
18558  
28685  
29607  
2022-04-01  
2022II  
27134.57  
2022-07-01  
2022III  
2022IV  
23294.36  
2022-10-01  
25732.34  
Fuente: elaboración propia.  
A continuación, se presenta la representación gráfica de los resultados, lo  
que permite visualizar de forma más clara la precisión del modelo al comparar el  
comportamiento del PIB real y PIB predicho del año 2022.  
Se puede observar que el modelo tiende a subestimar o sobreestimar con  
ciertas variabilidades, especialmente en el segundo trimestre, en el cual el valor  
del PIB real fue considerablemente inferior al valor predicho por el modelo,  
indicando una sobreestimación significativa, y para el primer y cuarto trimestre,  
las predicciones son más cercanas al valor real.  
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 9(17), pp. 93-117. Segundo Semestre de 2026  
(Ecuador). ISSN 2631-2743. DOI: https:/10.37135/kai.03.17.05  
111  
Estéfany A. Orbe-Rosario, Tatiana L. Palacios-Sinchi, Pablo Gaibor Costta  
Figura 7.  
Comparación de la predicción del PIB real vs el PIB predicho del modelo  
Fuente: elaboración propia.  
Para culminar podemos observar en la Tabla 11 que el modelo no superó en  
precisión a los otros modelos, sin embargo, logró detectar la dinámica no lineal  
de la serie temporal, lo que demuestra la capacidad de las redes neuronales para  
modelar relaciones secuenciales complejas.  
Tabla 11.  
Métricas de error del modelo LSTM.  
Modelo 7  
5465.35  
4800.58  
RMSE  
MAE  
Fuente: elaboración propia.  
En el campo del modelado económicos y el aprendizaje automático, las  
métricas de evaluación desempeñan un papel fundamental para determinar  
la efectividad de los modelos predictivos. Entre las medidas más utilizadas se  
encuentran la Raíz del Error Cuadrático Medio (RMSE) y el ErrorAbsoluto Medio  
(MAE), las cuales permiten cuantificar las diferencias entre los valores reales y  
los valores estimados por cada modelo. Mientras el RMSE penaliza con mayor  
intensidad los errores de gran magnitud, el MAE mide el promedio absoluto de  
las desviaciones. En ambos casos, menores valores indican una mayor precisión  
predictiva.  
Una vez estimados todos los modelos y evaluadas sus métricas de error  
individuales, se procedió a realizar una comparación conjunta de los valores  
predichos, con el fin de concluir cuál modelo reproduce con mayor fidelidad  
el comportamiento real del PIB. La siguiente tabla consolida los resultados de  
predicción de los modelos aplicados, permitiendo una revisión directa de su  
desempeño frente a los datos observados.  
Se observa que el modelo 1, correspondiente a la regresión lineal múltiple,  
presentó un ajuste razonable en los trimestres I y IV, mientras que en los  
trimestres intermedios sus predicciones mostraron una ligera desviación respecto  
al valor real, aunque dentro de márgenes aceptables. En contraste, el modelo 2  
que incorpora transformaciones logarítmicas, sobreestimó el PIB en todos los  
trimestres, evidenciando que esta transformación no aportó una mejora sustancial  
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 9(17), pp. 93-117. Segundo Semestre de 2026  
(Ecuador). ISSN 2631-2743. DOI: https:/10.37135/kai.03.17.05  
112  
Modelos de predicción económica utilizando aprendizaje automático  
a la precisión predictiva, la que se refleja también en sus métricas de error más  
elevadas. Por su parte, el modelo 3, que incluyó una variable dummy para capturar  
posibles efectos de la pandemia, ofreció predicciones similares al modelo 1.  
Tabla 12.  
PIB real vs PIB predichos de los modelos aplicados  
PIB  
PIB  
PIB  
PIB  
PIB  
PIB  
PIB  
PIB  
Real  
Predicho Predicho Predicho Predicho Predicho Predicho Predicho  
1
2
3
4
5
6
7
2022I  
28198  
18558  
28685  
29607  
27104  
27014  
29313  
29460  
29307  
30793  
33028  
32995  
27392.43 23668.04 26444.03 24816.50  
27283.64 23416.60 25389.08 23946.88  
29707.96 22302.20 28436.21 24223.03  
29867.05 23047.28 29801.35 24482.32  
26837.55  
27134.57  
23294.36  
25732.34  
2022II  
2022III  
2022IV  
Fuente: elaboración propia.  
En cuanto al modelo 4, que incorporó rezagos distribuidos, se evidenciaron  
problemas importantes, especialmente en el cuarto trimestre donde la predicción  
fueinusualmenteelevada.Comoresultado,sedesarrollóelmodelo5quesimplificó  
la estructura del modelo anterior y corrigió los problemas detectados, logrando  
predicciones más ajustadas del PIB real en todos los trimestres, especialmente en  
el tercer y cuarto, lo que se consolidó con sus métricas de error más favorables.  
En el ámbito de los modelos no lineales, el modelo 6 basado en Random  
Forest mostró un comportamiento estable, con predicciones moderadamente  
cercanas al PIB real, aunque tendió a subestimar los valores en los trimestres  
intermedios. Finalmente, el modelo 7, implementado mediante redes neuronales  
LSTM, capturó de manera efectiva los patrones secuenciales de las variables,  
generando predicciones ajustadas en los trimestres I y IV con leves desviaciones  
en los trimestres restantes, manteniendo una coherencia general en sus resultados.  
En síntesis, el modelo 5, resultado de un proceso de optimización sobre el  
modelo de rezagos distribuidos, demostró ser el más acertado dentro del escenario  
caracterizado por alta volatilidad económica y presencia de choques exógenos  
durante el periodo de prueba 2022. Al simplificar la estructura inicial del modelo  
4 y conservar únicamente la inflación contemporánea y el rezago de la tasa de  
interés correspondiente a dos trimestres previos, se obtuvo una especificación  
parsimoniosa que redujo significativamente los problemas de multicolinealidad  
y mejoró la capacidad predictiva. Este modelo presentó los menores niveles de  
error dentro de dicho contexto y logró aproximarse de manera consistente al  
comportamiento observado del PIB real.  
No obstante, al evaluar los modelos en un entorno macroeconómico más  
estable, utilizando el periodo 2008-2018 como entrenamiento y 2019 como  
prueba, el modelo LSTM presentó mejor desempeño predictivo. Esto evidencia  
que la efectividad de los modelos depende de las condiciones económicas  
analizadas, ya que los modelos lineales mostraron mayor robustez ante escenarios  
de alteraciones estructurales, mientras que los modelos de aprendizaje automático  
lograron mejores resultados en contextos de mayor estabilidad.  
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 9(17), pp. 93-117. Segundo Semestre de 2026  
(Ecuador). ISSN 2631-2743. DOI: https:/10.37135/kai.03.17.05  
113  
Estéfany A. Orbe-Rosario, Tatiana L. Palacios-Sinchi, Pablo Gaibor Costta  
Evaluación complementaria de modelos predictivos en un entorno económico  
estable (2008-2019)  
Con el fin de realizar una validación adicional y analizar el desempeño de los  
modelosfueradelcontextodealtaincertidumbreobservadoentre(2020–2022), se  
aplicaron los mismos modelos predictivos utilizando un periodo alternativo (2008  
– 2018) como entrenamiento y 2019 como prueba. Este escenario se caracteriza  
por una mayor estabilidad macroeconómica sin eventos exógenos externos, lo  
cual permitió observar el comportamiento de los modelos bajo condiciones más  
normales del ciclo económico.  
Enestecontexto,elmodeloLSTMdemostróunrendimientosignificativamente  
superior, logrando el menor error cuadrático y confirmando su eficacia en la  
predicción del PIB cuando las condiciones económicas no presentan shocks  
inesperados.  
A continuación, se presenta la tabla que resume los resultados obtenidos.  
Tabla 13.  
PIB real vs PIB predichos de los modelos alternos  
PIB  
PIB  
PIB  
PIB  
PIB  
PIB  
PIB  
PIB  
Predicho Predicho Predicho Predicho Predicho Predicho Predicho  
Fecha  
Trimestre Real  
1
2
3
4
5
6
7
1/1/2019  
1/4/2019  
1/7/2019  
2019I  
28198 26795  
27923  
26795  
26429 26964.18 25258  
28512 27467.56 25649  
29042 26984.94 25289  
30197 26794.37 26076  
27036  
2019II 18558 25689  
26226  
26016  
26450  
25689  
25588  
25924  
27077  
27082  
27119  
2019III 28685 25588  
1/10/2019 2019IV 29607 25924  
Fuente: elaboración propia.  
Tabla 14. Métricas de error de los modelos predictivos en un entorno económico estable (2008-2019)  
Modelos  
Modelo 1.  
Modelo 2.  
MAE  
1027.45  
877.06  
1027.45  
1761.12  
217.60  
1458.67  
51.91  
RMSE  
1158.98  
982.13  
1158.98  
2001.20  
258.59  
1487.70  
66.21.  
Modelo 3.  
Modelo 4.  
Modelo 5.  
Modelo 6.  
Modelo 7.  
Fuente: elaboración propia  
Los resultados muestran que el modelo 7 fue el más preciso en un entorno  
económico estable, registrando los menores niveles de error entre todos los  
modelos evaluados. Su capacidad para aprender patrones secuenciales le permitió  
predecir con gran exactitud el comportamiento del PIB, consolidándolo como el  
modelo más eficaz para contextos sin perturbaciones externas.  
Limitaciones  
El presente estudio presenta algunas limitaciones que deben ser consideradas.  
En primer lugar, el tamaño de la muestra es relativamente reducido debido a la  
disponibilidad de datos trimestrales para el periodo analizado, lo que restringe la  
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 9(17), pp. 93-117. Segundo Semestre de 2026  
(Ecuador). ISSN 2631-2743. DOI: https:/10.37135/kai.03.17.05  
114  
Modelos de predicción económica utilizando aprendizaje automático  
capacidad de entrenamiento de modelos complejos como LSTM.  
Asimismo, las variables ya habían sido previamente identificadas, mediante  
análisis exploratorios y criterios econométricos como el conjunto de indicadores  
con mayor relevancia predictiva y mayores niveles de correlación respecto al PIB  
dentro de las variables macroeconómicas analizadas. Por ello, no se incorporaron  
variables adicionales, priorizando modelos parsimoniosos con el fin de reducir  
posibles problemas de sobreajuste y multicolinealidad.  
Adicionalmente,conelpropósitodereducirriesgosdesobreajuste,seutilizaron  
particiones temporales separadas para entrenamiento y prueba, respetando la  
estructura cronológica de las series de tiempo. También se priorizaron modelos  
parsimoniosos y configuraciones controladas de hiperparámetros, especialmente  
en los modelos de aprendizaje automático, evitando estructuras excesivamente  
complejas en relación con el tamaño de la muestra disponible.  
Por otro lado, debido a las restricciones de información y al tamaño muestral,  
no fue posible implementar esquemas más complejos de validación cruzada ni  
procesos extensivos de optimización de hiperparámetros. Asimismo, la presencia  
de eventos extraordinarios, como la pandemia de COVID-19 y el paro nacional,  
introdujo cambios estructurales que pueden afectar la estabilidad de los modelos  
y limitar la generalización de los resultados.  
Por último, una limitación adicional radica en la escasez de investigaciones  
previas que integren simultáneamente modelos econométricos tradicionales y  
técnicas de aprendizaje automático aplicadas a economías dolarizadas como la  
ecuatoriana, lo que restringe la posibilidad de realizar comparaciones directas con  
evidencia empírica equivalente. Sin embargo, esta situación también evidencia el  
carácter novedoso del enfoque propuesto y su potencial contribución a la literatura  
sobre predicción macroeconómica en contextos emergentes.  
Discusión y conclusiones  
El presente estudio tuvo como objetivo evaluar la capacidad predictiva  
de distintos modelos aplicados al PIB real del Ecuador, combinando enfoques  
econométricos tradicionales y técnicas de aprendizaje automático. Adiferencia de  
investigaciones centradas en la identificación de relaciones causales, este trabajo  
priorizó la comparación del desempeño predictivo mediante métricas de error  
como el RMSE y el MAE.  
Los resultados evidenciaron que los modelos de regresión lineal múltiple,  
estimados bajo mínimos cuadrados ordinarios y corregidos mediante mínimos  
cuadrados generalizados (GLS) con estructura AR (1) ante la presencia  
de autocorrelación, presentaron un desempeño predictivo competitivo. En  
particular, el Modelo 3 registró los menores valores de RMSE y MAE entre las  
especificaciones de regresión lineal múltiple consideradas, lo que indica un mejor  
desempeño relativo dentro de este grupo de modelos.  
Esto sugiere que la incorporación de componentes estructurales, como  
variables dummy para eventos atípicos, puede contribuir a mejorar la precisión  
de las predicciones en presencia de choques económicos.  
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 9(17), pp. 93-117. Segundo Semestre de 2026  
(Ecuador). ISSN 2631-2743. DOI: https:/10.37135/kai.03.17.05  
115  
Estéfany A. Orbe-Rosario, Tatiana L. Palacios-Sinchi, Pablo Gaibor Costta  
En contextos de alta incertidumbre y presencia de eventos exógenos, como la  
pandemia y el paro nacional, los modelos econométricos mostraron una capacidad  
predictiva robusta. En particular, el Modelo 5, basado en una especificación  
optimizada de rezagos distribuidos, presentó el mejor desempeño en el escenario  
de alta volatilidad correspondiente al periodo de prueba 2022. Esto indica que, bajo  
escenarios de elevada volatilidad, modelos más parsimoniosos y con estructuras  
adecuadamente especificadas pueden ofrecer resultados estables y consistentes.  
Por otro lado, al evaluar los modelos en un entorno relativamente más estable,  
el modelo LSTM mostró un desempeño superior en términos de reducción del  
error de predicción. Este resultado pone de manifiesto que los modelos basados  
en aprendizaje automático pueden capturar de mejor manera patrones no lineales  
y dinámicas intertemporales cuando la estructura de los datos es más estable.  
Enconjunto, loshallazgosconfirmanquenoexisteunmodelouniversalmente  
superior, sino que su desempeño depende del contexto económico y de la  
naturaleza de los datos. La complementariedad entre econometría tradicional  
y aprendizaje automático constituye, por tanto, una estrategia valiosa para la  
predicción económica.  
Finalmente, a pesar de las limitaciones señaladas, este enfoque resulta  
especialmente relevante para economías dolarizadas, como la ecuatoriana, donde  
las herramientas de política monetaria son limitadas.  
La aplicación de modelos predictivos confiables puede contribuir a mejorar  
la planificación fiscal, la evaluación de riesgos macroeconómicos y el diseño de  
políticas públicas. Asimismo, países con regímenes monetarios similares, como  
Panamá o El Salvador, podrían beneficiarse de metodologías comparables para  
anticipar el comportamiento de variables macroeconómicas clave.  
Declaración de contribución de autoría CRediT  
Estéfany A. Orbe-Rosario: Conceptualización, análisis formal, metodología, validación y  
redacción del borrador original.  
Tatiana L. Palacios-Sinchi: Análisis formal, Investigación, metodología, redacción del borrador  
original.  
Pablo Gaibor Costta: Análisis formal, Investigación, metodología, redacción del borrador  
original.  
Declaración de conflictos de interés  
Los autores declaran no tener ningún conflicto de intereses.  
Referencias  
1. Breiman, L. (2001). Random Forests. Recuperado el 13 de junio de 2025, de  
https://www.stat.berkeley.edu/~breiman/randomforest2001.pdf  
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 9(17), pp. 93-117. Segundo Semestre de 2026  
(Ecuador). ISSN 2631-2743. DOI: https:/10.37135/kai.03.17.05  
116  
Modelos de predicción económica utilizando aprendizaje automático  
2. Brownlee, J. (2020). Machine Learning Mastery. (M. L. Mastery, Ed.)  
Recuperado el 14 de junio de 2025, de Machine Learning Mastery: https://  
machinelearningmastery.com/machine-learning-for-time-series-forecasting/  
3 DataScientest. (20 de mayo de 2024). DataScientest. Recuperado el 6 de  
junio de 2025, de DataScientest: https://datascientest.com/es/memoria-a-  
largo-plazo-a-corto-plazo-lstm#:~:text=Fueron%20propuestas%20por%20  
J%C3%BCrgen%20Schmidhuber,espec%C3%ADficamente%20para%20  
superar%20este%20problema.  
4. Espino C, Martínez X, Daradoumis A. Análisis Predictivo: Técnicas y  
Modelos Utilizados y Aplicaciones del mismo—Herramientas Open Source  
que permiten su uso. Trabajo de fin de grado en Ingeniería Informática  
en la Universitat Oberta de Catalunya. 2017. https://api.core.ac.uk/oai/  
oai:openaccess.uoc.edu:10609/59565  
5. Gujarati, D., & Porter, D. (2010). Econometría. México. Recuperado el 6 de  
junio de 2025  
6. Hyndman,R.,&Athanasopoulos,G.(31demayode2021).Otexts.Recuperado  
el 14 de junio de 2025, de Otexts: https://otexts.com/fpp3/  
7. Mejía García, D. D., & Acosta Pérez, B. R. (2023). Avances tecnológicos  
modernos y sus implicaciones en el pensamiento social. AULA Revista de  
Humanidades y Ciencias Sociales, 65(2), 29-37. https://doi.org/10.33413/  
aulahcs.2019.65i2.118  
8 Montero, R. (marzo de 2016). Modelos de regresión lineal multiple.  
Recuperado el 8 de junio de 2025, de Universidad de Granada: https://www.  
ugr.es/~montero/matematicas/regresion_lineal.pdf  
KAIRÓS, revista de ciencias económicas, jurídicas y administrativas, 9(17), pp. 93-117. Segundo Semestre de 2026  
(Ecuador). ISSN 2631-2743. DOI: https:/10.37135/kai.03.17.05  
117