Machine Learning-Based Forecasting of Headline Inflation in Ethiopia: an Empirical Comparative Study

Technisches Resümee: Maschinelles Lernen zur Prognose der Kopfinflation in Äthiopien

Problemstellung
Die Inflation bleibt ein entscheidender Faktor für das nationale Wohlergehen und eine erhebliche wirtschaftliche Herausforderung in Äthiopien, wo die Kopfinflation kürzlich infolge von Faktoren wie Dürre, internen Konflikten und globalen Angebotsschocks 30 % überschritten hat. Traditionelle ökonometrische und Zeitreihenmodelle (z. B. ARIMA, VAR, VECM) wurden historisch zur Inflationsprognose in Äthiopien verwendet. Diese linearen Modelle stoßen jedoch aufgrund der komplexen, nichtlinearen Natur der Inflationsdaten oft an ihre Grenzen und sind nicht in der Lage, strukturelle Brüche, Asymmetrien und die vielfältigen Interaktionen makroökonomischer Variablen adäquat zu erfassen. Darüber hinaus stützten sich frühere Studien in der Region häufig auf aggregierte Verbraucherpreisindex-Daten (CPI), ohne spezifische Determinanten ausreichend zu berücksichtigen oder fortschrittliche Techniken des maschinellen Lernens (ML) einzusetzen, um die Präzision der Prognosen zu verbessern.

Methodik
Diese Studie verwendet einen überwachten maschinellen Lernansatz, um die Kopfinflation in Äthiopien unter Verwendung von Quartalsdaten aus dem Zeitraum von 2000 bis 2023 zu modellieren und zu prognostizieren. Die Daten wurden von der Central Statistics Service, der National Bank of Ethiopia, der Ethiopian National Meteorological Agency und der Weltbank bezogen.

• Datenvorverarbeitung: Der Datensatz wurde bereinigt, transformiert und in einen Trainingsdatensatz von 80 % und einen Testdatensatz von 20 % aufgeteilt. Die Zielvariable, die Kopfinflation ($HI_t$), wurde als der natürliche Logarithmus der jährlichen prozentualen Veränderung des Verbraucherpreisindex berechnet.
• Prädiktorvariablen: Die Studie bezog eine breite Palette exogener Variablen ein, darunter Lebensmittel- und Nichtlebensmittelinflation, Geldmenge, Wechselkurse, BIP, Staatsdefizite, ausländische Direktinvestitionen, Niederschlag, Öl- und Lebensmittelpreise, politische Stabilität, Transportdaten (Anzahl der Fahrzeuge) sowie Arbeitslosenquoten.
• Modellierungsansätze: Die Studie verglich mehrere Algorithmen des überwachten Lernens mit traditionellen Benchmarks:
  • Penalisierte lineare Modelle: Ridge-Regression, LASSO (Least Absolute Shrinkage and Selection Operator) und Elastic Net zur Adressierung von Multikollinearität und zur Durchführung der Variablenselektion.
  • Nichtlineare Machine-Learning-Modelle: Random Forest, Multi-Layer Perceptron (MLP) und Neural Network Autoregression (NNAR).
  • Benchmark: Univariate SARIMA-Modelle wurden als Basis für den Vergleich verwendet.
• Evaluationsmetriken: Die Modellleistung wurde mittels Root Mean Squared Error (RMSE), Mean Absolute Error (MAE) und Mean Absolute Percentage Error (MAPE) sowohl für die In-Sample- (Trainings-) als auch für die Out-of-Sample-Daten (Testdaten) bewertet.
• Prognosehorizont: Das ausgewählte optimale Modell wurde verwendet, um die Kopfinflation für einen Fünfjahreshorizont (2024–2028) zu prognostizieren.

Wichtigste Ergebnisse

• Bedeutung der Merkmale (Feature Importance): Über alle Modelle hinweg wurde die Lebensmittelinflation als der kritischste Prädiktor identifiziert. Zu den weiteren Top-Variablen gehörten Nichtlebensmittelinflation, Exportpreise, Staatskonsum, Bruttoanlageinvestitionen und die Anzahl der Fahrzeuge. Bemerkenswerterweise identifizierte das LASSO-Modell „politische Stabilität“ und die „Anzahl der Fahrzeuge“ als signifikante Faktoren, wobei letztere eine negative Korrelation mit der Inflation aufwies, was darauf hindeutet, dass eine verbesserte Transporteffizienz den Preisdruck lindern kann.
• Modellleistung:
  • Lineare Modelle: Die LASSO-Regression adressierte Multikollinearität effektiv und erzielte starke Ergebnisse mit einem In-Sample-RMSE von 0,110 und einem Out-of-Sample-RMSE von 0,172. Sie übertraf die Ridge- und Elastic-Net-Modelle in der Out-of-Sample-Prognose.
  • Nichtlineare Modelle: Das Neural Network Autoregression (NNAR)-Modell, speziell das NNAR(5, 2, 10) mit exogenen Variablen, übertraf alle anderen Modelle. Es erreichte eine perfekte In-Sample-Genauigkeit (RMSE = 0,000) und den niedrigsten Out-of-Sample-Fehler (RMSE = 0,128; MAE = 0,067; MAPE = 10,576).
  • Vergleich: Das NNAR-Modell demonstrierte überlegene Generalisierungsfähigkeiten im Vergleich zu SARIMA, MLP, Random Forest und linearen Shrinkage-Modellen. Die Einbeziehung exogener Variablen verbesserte die Prognosegenauigkeit im Vergleich zu univariaten Ansätzen signifikant.
• Prognoseergebnis: Das NNAR-Modell sagte voraus, dass die Kopfinflation in den Jahren 2024 und 2025 relativ niedrig bleiben würde, ab 2026 allmählich ansteigt, im zweiten Quartal 2027 mit etwa 36 % ihren Höhepunkt erreicht und bis zum vierten Quartal 2028 einen graduellen Rückgang beginnt.
• Diagnostik: Residuenanalysen (Histogramme und ACF-Plots) sowie Ljung-Box-Tests bestätigten, dass die Residuen des NNAR-Modells normalverteilt waren und keine signifikante serielle Korrelation aufwiesen, was darauf hindeutet, dass das Modell die zugrunde liegende Datenstruktur angemessen erfasst hat.

Bedeutung und Beiträge
Die Studie beansprucht für sich, die erste in Äthiopien zu sein, die Machine-Learning-Ansätze spezifisch für die Prognose der Kopfinflation nutzt. Ihre primären Beiträge umfassen:

1. Methodische Überlegenheit: Der Nachweis, dass nichtlineare Machine-Learning-Modelle, insbesondere NNAR, eine überlegene Prognoseleistung gegenüber traditionellen linearen ökonometrischen Modellen und univariaten Zeitreihenmethoden im Kontext des volatilen Inflationsumfelds in Äthiopien bieten.
2. Identifizierung von Variablen: Die Validierung der Bedeutung diverser Prädiktoren, einschließlich politischer Stabilität und Transportinfrastruktur (Anzahl der Fahrzeuge), die in der traditionellen Inflationsmodellierung oft übersehen werden. Die Identifizierung des Fahrzeugzugangs als ein Faktor, der den Inflationsdruck senkt, wird als neuartiger Befund präsentiert.
3. Politische Relevanz: Durch die Bereitstellung genauerer Prognosen und die Identifizierung wichtiger Treiber bietet die Studie bessere Instrumente für die Wirtschaftsplanung und die geldpolitische Entscheidungsfindung, was der National Bank of Ethiopia bei ihrem Ziel der Preisstabilität hilft.
4. Robustheit: Die Studie bestätigt, dass die Integration exogener Variablen in ML-Modelle die Prognosegenauigkeit signifikant erhöht und damit die Einschränkungen von Modellen adressiert, die ausschließlich auf historischen Inflationsdaten basieren.