La predicción de la recaudación por el impuesto sobre sociedades: La incidencia de los indicadores adelantados y los indicadores cualitativos en el marco de las series temporales
DOI:
https://doi.org/10.51302/rcyt.2019.3827Palabras clave:
modelos ARX, predicción impositiva, impuesto sobre sociedadesResumen
Este trabajo de investigación contribuye a la literatura empírica en el desarrollo y la estimación de un modelo de predicción para la recaudación del impuesto sobre sociedades (IS) basándose en el análisis de indicadores macroeconómicos. El estudio que proponemos utiliza un conjunto de predictores que incluye datos de la Central de Balances Trimestral del Banco de España y diversos indicadores opináticos, además de varias variables macroeconómicas relativas a la demanda nacional y al sector exterior, reuniendo un total de 43 variables trimestrales. Para solucionar el problema de la multicolinealidad inherente a estas variables utilizamos una combinación de métodos estadísticos como el análisis de componentes principales y la función de transferencia (modelos autorregresivos con regresores exógenos, ARX). Los resultados del ejercicio de predicción en el intervalo de validación (backtesting) muestran la capacidad predictiva del modelo con esta combinación de técnicas e ilustran su utilidad como herramienta de predicción a corto plazo del impuesto.
Descargas
Citas
Auerbach, A. J. (1999). On the performance and use of government revenue forecasts. National Tax Journal, 767-782.
Bayer, O. (2015). Relevance of Input Data Time Series for Tax Revenue Forecasting. Procedia Economics and Finance, 25, 518-529.
Bischoff, I. y Gohout, W. (2010). The political economy of tax projections. International Tax and Public Finance, 17(2), 133-150.
Boylan, J. E.; Syntetos, A. A. y Karakostas, G. C. (2008). Classification for forecasting and stock control: a case study. Journal of the operational research society, 59(4), 473-481.
Bretschneider, S. I.; Gorr, W. L.; Grizzle, G. y Klay, E. (1989). Political and organizational influences on the accuracy of forecasting state government revenues. International Journal of Forecasting, 5(3), 307-319.
Buettner, T. y Kauder, B. (2010). Revenue forecasting practices: differences across countries and consequences for forecasting performance. Fiscal Studies, 31(3), 313-340.
Cassidy, G.; Kamlet, M. S. y Nagin, D. S. (1989). An empirical examination of bias in revenue forecasts by state governments. International Journal of Forecasting, 5(3), 321-331.
Chatagny, F. (2015). Incentive effects of fiscal rules on the finance minister’s behavior: Evidence from revenue projections in Swiss Cantons. European Journal of Political Economy, 39, 184-200.
Cooley, W. W. y Lohnes, P. R. (1971). Multivariate data analysis. J. Wiley.
Danninger, M. S. (2005). Revenue Forecasts as Performance Targets (EPub) (No. 5-14). International Monetary Fund.
Feenberg, D. R.; Gentry, W. M.; Gilroy, D. y Rosen, H. S. (1988). Testing the rationality of state revenue forecasts.
Gnanadesikan, R.; Kettenring, J. R. y Landwehr, J. M. (1977). Interpreting and assessing the results of cluster analyses. Bulletin of the International Statistical Institute, 47(2), 451-463.
Hotelling, H. (1933). Analysis of a complex of statistical variables into principal components. Journal of educational psychology, 24(6), 417.
Jochimsen, B. y Lehmann, R. (2017). On the political economy of national tax revenue forecasts: evidence from OECD countries. Public Choice, 170(3-4), 211-230.
Keene, M. y Thomson, P. (2007). An analysis of tax revenue forecast errors (No. 07/02). New Zealand Treasury.
Koester, G. B. y Priesmeier, C. (2017). Revenue elasticities in euro area countries. An analysis of long-run and short-run dynamics. ECB working paper No. 1989.
Kshirsagar, A. (1972). Likelihood ratio tests; optimality of principal components. Multivariate analysis, Marcel Dekker Inc. New-York.
Kyobe, A. y Danninger, M. S. (2005). Revenue forecasting: how is it done? Results from a survey of low-income countries (No. 5-24). International Monetary Fund.
Leal, T.; Pérez, J. J.; Tujula, M. y Vidal, J. P. (2008). Fiscal forecasting: lessons from the literature and challenges. Fiscal Studies, 29(3), 347-386.
Mardia, K. V.; Kent, J. T. y Bibby, J. M. (1979). Multivariate analysis, Probability and Mathematical Statistics: A Series of Monographs and Textbooks. Academic Press, Harcourt Brace Jovanovich Publishers.
Mikesell, J. L. y Ross, J. M. (2014). State revenue forecasts and political acceptance: The value of consensus forecasting in the budget process. Public Administration Review, 74(2), 188-203.
Morrison, D. G. (1976). Measurement problems in cluster analysis. Management science, 13(12), B-775.
Paleologou, S. M. (2005). Political manoeuvrings as sources of measurement errors in forecasts. Journal of Forecasting, 24(5), 311-324.
Pearson, K. (1901). Principal components analysis. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 6(2), 559.
Pike, T. y Savage, D. (1998). Forecasting the public finances in the Treasury. Fiscal Studies, 19(1), 49-62.
Rao, C. R. (1964). The use and interpretation of principal component analysis in applied research. Sankhya: The Indian Journal of Statistics, Series A, 329-358.
Wolswijk, G. (2007). Short-and long-run tax elasticities: the case of the Netherlands. ECB working paper No. 763.
