La predicción de variables macroeconómicas es esencial para la macroeconomía, la economía financiera y el análisis de política monetaria. Debido a la alta dimensionalidad del conjunto de datos macroeconómicos, es un desafío prever de manera eficiente y precisa. Por lo tanto, este estudio proporciona un análisis exhaustivo de la predicción de variables macroeconómicas al comparar varios modelos vectoriales autorregresivos seguidos de diferentes técnicas de estimación. Para abordar esto, este documento propone un nuevo modelo híbrido basado en un método de estimación de desviación absoluta suavemente recortada y un modelo de autorregresión vectorial que combate la maldición de la dimensionalidad y produce simultáneamente pronósticos confiables. El modelo híbrido propuesto se aplica a los datos macroeconómicos trimestrales de EE. UU. desde el primer trimestre de 1959 hasta el cuarto trimestre de 2023, lo que produce pronósticos de varios pasos adelante (uno, tres y seis pasos adelante). Los resultados de pronóstico fuera de muestra de varios pasos adelante (error cuadrático medio y error absoluto medio) para los datos considerados sugieren que el modelo híbrido propuesto produce una ganancia altamente precisa y eficiente. Además, se demuestra que los modelos propuestos superan a los modelos de referencia. Finalmente, los autores creen que el modelo híbrido propuesto puede ampliarse a otros países para evaluar su eficacia y precisión.