Predicciones PIB LATAM 2026: Un Modelo Independiente

En SIKURI construimos un modelo de regresión Ridge por país para predecir el crecimiento del PIB 2026 de 18 economías latinoamericanas. La premisa fue simple pero exigente: ninguna variable de PIB ni proyecciones del FMI como predictors. Solo variables estructurales de fuentes abiertas: CEPALSTAT, IDB LMW, QoG/WGI, World Bank y WB Pink Sheet.

Arquitectura del modelo

No usamos un panel pooling todos los países juntos. Cada país tiene su propio modelo Ridge, su propia selección de variables y su propia validación. Esto es crucial porque las economías latinoamericanas son estructuralmente heterogéneas: México sigue el ciclo de EE.UU., Chile y Perú dependen de commodities, Argentina tiene dinámicas idiosincráticas.

Fuentes de datos

Selección de variables

Agrupamos las variables en 5 pools teóricos: fiscal (ingreso y gasto público), real (inversión, consumo, exportaciones), financial (tipo de cambio, remesas, inflación), institucional (calidad regulatoria, rule of law), commodities (precios según perfil exportador de cada país). A esto se suman 3 variables globales: crecimiento mundial, de EE.UU. y de China.

Para cada país, seleccionamos las variables usando datos hasta 2025. Ningún dato de 2026 se usó para entrenar — las predicciones son genuinamente out-of-sample.

Ridge regression con TimeSeries CV

Usamos Ridge con alpha mínimo de 1 para evitar overfitting cuando p ≈ n. La validación cruzada es temporal expandiente (expanding window), no aleatoria: entrenamos con ventanas crecientes de 2010 a 2024 y validamos en cada año siguiente. Esto respeta la estructura temporal de los datos.

El modelo Ridge se usó cuando ganó al menos la mitad de las comparaciones contra un ensemble de 5 modelos naive por país, con una mejora mínima de -50%. En 11 de 18 países el Ridge fue superior; en los 7 restantes usamos el mejor naive.

Resultados principales

¿Qué tan bueno es el modelo?

El MAE promedio de 2.26pp es comparable a la precisión del FMI WEO para LATAM (2.0-2.5pp históricamente). Pero hay una diferencia importante: nuestro modelo no tuvo acceso a ninguna proyección del FMI ni a variables de PIB como predictors. Esto sugiere que el crecimiento de LATAM está fuertemente determinado por condiciones externas y variables estructurales.

Para confirmar esta hipótesis, corrimos un test con solo las 3 variables globales (World, US, China growth). El MAE fue 2.42pp — solo 0.16pp peor que el modelo completo con 30+ variables. Las economías latinoamericanas son small open: su crecimiento depende más del ciclo global que de cualquier variable doméstica.

Hallazgos clave

• Argentina (+1.0%) es el caso más divergente: el modelo no capta el efecto Milei. Las variables disponibles (previas a 2024) reflejan la economía pre-reforma. Esto es una limitación estructural del modelo, no un error.
• Chile (+2.2%), México (+1.9%) y Colombia (+3.3%) tienen confianza ALTA, con MAE entre 1.33 y 2.08pp. Son las predicciones más robustas del conjunto.
• Brasil (Naive +2.4%) coincide exactamente con la última revisión del FMI de julio 2026. El modelo naive (promedio histórico) fue mejor que Ridge para Brasil.
• Bolivia (+2.5%) es el caso donde más nos alejamos del FMI (-3.3%). El modelo rechaza la contracción que proyecta el FMI, alineándose más con CEPAL (+4.3%).
• Guatemala (+4.0%) tiene la predicción más precisa (MAE 0.98pp, σ 0.83pp). Es la economía más estable y predecible de la región según nuestro modelo.

Monte Carlo: incertidumbre por país

Corrimos 5,000 simulaciones variando los valores de las features 2026 (para las cuales tenemos proyecciones de múltiples fuentes). Las distribuciones resultantes son simétricas (skew ≈ 0), lo que valida el supuesto de normalidad de los errores.

¿Qué pasaría si...?

Construimos un explorador de escenarios interactivo en nuestro Lab que permite simular shocks en variables globales y ver el impacto estimado en cada país. Los coeficientes se obtuvieron de los betas del modelo Ridge de cada país:

• México es el más sensible a EE.UU. (coeficiente 1.28): un shock de -1pp en crecimiento de EE.UU. reduce la predicción de México en ~1.3pp.
• Brasil y Perú son los más sensibles a China (coeficientes 0.89 y 0.72 respectivamente).
• Chile y Perú tienen la mayor sensibilidad a commodities (0.61 y 0.44), coherente con sus perfiles mineros.
• Guatemala y Costa Rica son las economías menos sensibles a shocks globales, lo que explica su menor incertidumbre predictiva.

Limitaciones

1. Argentina: El modelo no capta reformas estructurales no reflejadas en datos históricos. La predicción de +1.0% es conservadora.
2. Venezuela: Los datos CEPALSTAT muestran -17% (estimación CEPAL) vs IMF +4.0%. Nuestro naive da +1.5%, pero el MAE de 5.88pp indica confianza muy baja.
3. Frecuencia anual: Trabajamos con datos anuales. Un modelo trimestral captaría mejor la dinámica de 2026.
4. Sin variables de PIB: La restricción autoimpuesta de excluir variables GDP (nominal, per cápita, etc.) como predictors puede dejar fuera información útil.
5. Causalidad vs correlación: Ridge captura correlaciones parciales, no relaciones causales. Los escenarios what-if son lineales y no captan efectos de retroalimentación.

Próximos pasos

• Incorporar datos de reformas estructurales (especialmente para Argentina)
• Modelo trimestral con nowcasting
• Incorporar machine learning no lineal (XGBoost, Random Forest) como alternativa a Ridge
• Dashboard interactivo en tiempo real conectado a fuentes API
• Extender cobertura a Centroamérica y el Caribe