RESUMEN Para hacer predicciones de económicas y financiaras usualmente se dispone de bases de datos extensas que ofrecen la posibilidad de hacer más preciso el pronóstico de las variables relevantes. Con el objeto de tratar con esta gran cantidad de información se han desarrollado diversas aproximaciones multivariadas, siendo los modelos factoriales una de las más utilizadas. La noción básica detrás de este enfoque, es que el conjunto de variables a estudiar puede estar siendo impulsado por un pequeño número de factores comunes no observables, que al ser extraídos, resuelven el problema de dimensionalidad que enfrentan los métodos de estimación tradicional ofreciendo una forma efectiva de sintetizar la información. Una rama de creciente interés dentro de esta literatura consiste en examinar como el tamaño y la composición de las bases de información afecta el desempeño del pronóstico; ya que, incrementar el número de variables indefinidamente no generará necesariamente una mejora en los resultados. Los factores estimados dependen del panel de información elegido y por lo tanto, las variables que se incorporan en él pueden optimizar o empeorar la eficiencia del pronóstico. El documento “Mínimos Cuadrados Parciales Sparse en Series de Tiempo para Pronóstico Macroeconómico” explora la utilidad de las técnicas de mínimos cuadrados parciales y se concentra en la elección de los predictores apropiados o informativos, dentro del conjunto disponible, para predecir una variable determinada; considerando el proceso de selección de variables como un posible refinamiento dentro la metodología factorial (Fuentes, Julieta et al, 2012).. La introducción del trabajo de Chun y Keles (2010) al análisis económico, constituye el punto de partida para la realización del proceso de reducción de variables, el cual es extendido a diferentes aproximaciones dinámicas para el pronóstico de series macroeconómicas. Se utiliza la extensa y reconocida base de datos de Stock y Watson, para comparar las estimaciones arrojadas por la aproximación propuesta. En la investigación se elaboran proyecciones de corto y mediano plazo para las variables Inflación (IPC), Índice de Producción Industrial (IP) y Empleo (EMT) para la economía estadunidense mostrando un buen desempeño comparativo respecto a los modelos tradicionales y otras referencias específicas, sugiriendo que existe espacio para mejorar el pronóstico derivado de los modelos factoriales. Los hallazgos arrojan evidencia a favor de la importancia de la elección de un subconjunto útil o informativo de predictores, para extraer las variables latentes, para generar predicciones más precisas a partir de los métodos factoriales. La metodología propuesta (SPLS) introduce flexibilidad a la estimación al permitir elegir las variables más relevantes período a período para el pronóstico de un objetivo dado y dar seguimiento a las variables elegidas que entran y salen del modelo, por lo que también este proceso se puede utilizar como una herramienta de exploración.