Thesis: Revisión del impacto del desarrollo financiero en el consumo de energías renovables: Comparación entre algoritmos de Machine Learning y datos de panel
| datacite.subject.fos | Social sciences::Economics and Business::Economics | |
| dc.contributor.correferente | Escudero Barros, Felipe Andres | |
| dc.contributor.department | Departamento de Industrias | |
| dc.contributor.guia | Kristjanpoller Rodriguez, Werner David | |
| dc.coverage.spatial | Campus Casa Central Valparaíso | |
| dc.creator | Alfaro Suazo, Alexis | |
| dc.date.accessioned | 2025-08-07T13:40:54Z | |
| dc.date.available | 2025-08-07T13:40:54Z | |
| dc.date.issued | 2025-07-24 | |
| dc.description.abstract | Este estudio examina la relación entre el desarrollo financiero y el consumo de energías renovables, integrando métodos econométricos dinámicos con técnicas interpretables de aprendizaje automático (ML). Utilizando un panel de 83 países entre 2004 y 2021, todas las variables son expresadas en diferencias logarítmicas para asegurar estacionariedad y capturar las dinámicas de crecimiento. El análisis evalúa nueve índices de desarrollo financiero, junto con un conjunto exhaustivo de controles económicos y ambientales. Mientras que la estimación System-GMM revela efectos lineales acotados, particularmente a través de la profundidad de instituciones financieras, los modelos de ML permiten descubrir patrones no lineales complejos, incluyendo formas en U y U invertida en el vínculo entre las finanzas y las energías limpias. Se implementan seis algoritmos de ML (CNN, SVR, \textit{Random Forest}, \textit{LightGBM}, \textit{XGBoost}, \textit{NGBoost}) bajo validación cruzada (\textit{GroupKFold}) y ajuste de hiperparámetros (\textit{GridSearchCV}), seleccionando los mejores modelos mediante el procedimiento \textit{Model Confidence Set} (MCS). \textit{Random Forest} y \textit{LightGBM} presentan consistentemente el mejor desempeño predictivo, superando a la estimación econométrica tanto en el error cuadrático medio (ECM) como en el error absoluto medio (EAM). Para garantizar interpretabilidad, se utilizan valores SHAP, generando gráficos de enjambre y de dependencia que permiten revelar efectos heterogéneos entre componentes financieros, destacando el rol positivo de la eficiencia institucional y de mercado. Complementariamente, las pruebas de causalidad de Granger para datos de panel muestran una relación bidireccional generalizada entre desarrollo financiero y consumo de energías renovables, reforzando la existencia de un vínculo recíproco que debe ser considerado en el diseño de políticas públicas. El estudio concluye con recomendaciones orientadas a promover una macroeconomía estable y un fortalecimiento gradual del sistema financiero como mecanismos para facilitar la transición energética. | es |
| dc.description.abstract | This study examines the relationship between financial development and renewable energy consumption, integrating dynamic econometric methods with interpretable machine learning (ML) techniques. Using a panel of 83 countries from 2004 to 2021, all variables are expressed in log-differences to ensure stationarity and capture growth dynamics. The analysis evaluates nine financial development indices, along with a comprehensive set of economic and environmental controls. While System-GMM estimation reveals bounded linear effects, particularly through the depth of financial institutions, ML models uncover complex nonlinear patterns, including U- and inverted-U shapes, in the finance-clean energy nexus. Six ML algorithms (CNN, SVR, \textit{Random Forest}, \textit{LightGBM}, \textit{XGBoost}, \textit{NGBoost}) are implemented under cross-validation (\textit{GroupKFold}) and hyperparameter tuning (\textit{GridSearchCV}), selecting the best models through the \textit{Model Confidence Set} (MCS) procedure. \textit{Random Forest} and \textit{LightGBM} consistently present the best predictive performance, outperforming econometric estimation in both the mean squared error (MSE) and the mean absolute error (MEE). To ensure interpretability, SHAP values are used, generating swarm and dependency graphs that reveal heterogeneous effects between financial components, highlighting the positive role of institutional and market efficiency. Additionally, Granger causality tests for panel data show a generalized bidirectional relationship between financial development and renewable energy consumption, reinforcing the existence of a reciprocal link that should be considered in public policy design. The study concludes with recommendations aimed at promoting a stable macroeconomy and a gradual strengthening of the financial system as mechanisms to facilitate the energy transition. | en_US |
| dc.description.degree | Magíster en Ciencias de la Ingeniería Industrial | |
| dc.driver | info:eu-repo/semantics/masterThesis | |
| dc.format.extent | 88 páginas | |
| dc.identifier.doi | 10.71959/2rd6-wz22 | |
| dc.identifier.uri | https://cris.usm.cl/handle/123456789/3931 | |
| dc.identifier.uri | https://doi.org/10.71959/2rd6-wz22 | |
| dc.language.iso | es | |
| dc.publisher | Universidad Técnica Federico Santa María | |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Consumo de Energías Renovables | |
| dc.subject | System-GMM | |
| dc.subject | Análisis de Causalidad | |
| dc.subject | Estimación Machine Learning | |
| dc.subject | Financial Desarrollo Financiero | |
| dc.subject | SHapley Additive exPlanations | |
| dc.subject.ods | 7 Energía asequible y no contaminante | |
| dc.title | Revisión del impacto del desarrollo financiero en el consumo de energías renovables: Comparación entre algoritmos de Machine Learning y datos de panel | |
| dspace.entity.type | Tesis |
Política de Privacidad 
