Using machine learning in input/output matrices to understand structural evolution in economies

Abstract

Esta tesis explora el uso de Análisis de Componentes Principales (PCA) y el agrupamiento K-means para analizar matrices Input-Output de Leontief, con el objetivo de entender la evolución económica. El principal objetivo es mejorar las capacidades de predicción y la precisión de los modelos económicos en comparación a modelos tradicionales. Se centra en el modelo de Leontief, una herramienta fundamental para el estudio moderno de la economía, que representa las interdependencias entre industrias, relacionando los efectos de los cambio en demanda en la producción industrial. Usando datos de la BLS, Bureau of Labor Satistics, se estudia con el uso de aprendizaje automático en MATLAB, encontrar patrones de comportamiento de producción y posibles agrupaciones debido a ello. PCA permite la reducción de la complejidad de la base de datos al reducirlos a un espacio de dos dimensiones y K-means las agrupa en base a sus cambios en producción debidos a cambios en demanda. Los resultados muestran las interdependencias dentro de la economía encontradas, sugiriendo posibles implicaciones en políticas económicas. Se mociona las limitaciones encontradas en el transcurso del estudio debidas a la complejidad del modelo y posibilidades de trabajos futuros que sorteen estas limitaciones o comprueben la aplicabilidad de las conclusiones a la realidad, a través de herramientas de aprendizaje supervisado.

This thesis explores the use of Principal Component Analysis (PCA) and K-means clustering to analyze Leontief Input-Output matrices, aiming to understand economic evolution. The primary objective is to enhance the predictive capabilities and accuracy of economic models compared to traditional ones. It focuses on the Leontief model, a fundamental tool for modern economic study, which represents the interdependencies between industries, linking the effects of changes in demand to industrial production. Using data from the BLS, Bureau of Labor Statistics, the study applies machine learning in MATLAB to identify production behaviour patterns and potential groupings. PCA reduces the complexity of the database by transforming it into a two-dimensional space, while K-means clusters the data based on production changes due to demand shifts. The results reveal interdependencies within the economy, suggesting possible implications for economic policies. The study also notes the limitations encountered due to the model's complexity and suggests future work to overcome these limitations or verify the applicability of the conclusions through supervised learning tools.