Zero-inflated stochastic volatility model for disaggregated inflation data with exact zeros

A continuación presento un resumen técnico detallado del artículo "Zero-inflated stochastic volatility model for disaggregated inflation data with exact zeros" (Modelo de volatilidad estocástica con inflación de ceros para datos de inflación desagregada con ceros exactos), escrito por Geonhee Han y Kaoru Irie.

1. Planteamiento del Problema

El análisis de series temporales de inflación, específicamente los datos del Índice de Precios al Consumidor (IPC) desagregados, presenta un desafío metodológico significativo: la presencia frecuente de ceros exactos en las tasas de cambio de precios.

• Origen de los ceros: Estos ceros no son necesariamente errores de medición, sino que surgen de características estructurales en la recolección de datos (precios estancados, productos discontinuados, ajustes administrativos infrecuentes en servicios regulados como electricidad o salud).
• Limitación de los modelos actuales: Los modelos de volatilidad estocástica (SV) y componentes no observados con SV (UCSV) estándar, ampliamente utilizados para la inflación agregada, asumen que las observaciones siguen una distribución continua (normal). Cuando se aplican a datos desagregados con ceros, estos modelos:
  1. Sesgan las estimaciones de la tendencia hacia cero.
  2. Subestiman la volatilidad condicional.
  3. Fallan en capturar la dinámica real de la inflación latente, tratando los ceros como si fueran ruido gaussiano en lugar de un proceso de generación distinto.
• Necesidad: Se requiere un modelo que pueda manejar series temporales multivariadas, no estacionarias y de valor real que contengan una mezcla de observaciones continuas y una masa de probabilidad en cero (inflación de ceros), permitiendo estimar tanto la tendencia como la volatilidad de manera precisa.

2. Metodología Propuesta

Los autores proponen un Modelo de Volatilidad Estocástica con Inflación de Ceros (Z-UCSV y Z-MUCSV), basado en un Marco de Modelo Lineal Generalizado Dinámico (DGLM).

Estructura del Modelo

El modelo descompone el proceso de observación en dos componentes latentes:

1. Proceso de generación de valores no nulos: Sigue una estructura UCSV estándar.
   • $y^*_t = \theta_t + \epsilon^{(y)}_t$, donde $\theta_t$ es la tendencia latente y $\epsilon^{(y)}_t$ tiene una varianza estocástica $h_t$.
   • Tanto la tendencia ($\theta_t$) como el logaritmo de la volatilidad ($h_t$) evolucionan como caminatas aleatorias.
2. Proceso de generación de ceros: Se modela mediante un modelo logístico dinámico latente.
   • Se introduce una probabilidad latente $p_t$ de que la observación sea cero.
   • $p_t = \text{logit}^{-1}(\pi_t)$, donde $\pi_t$ sigue una caminata aleatoria.
   • La observación final $y_t$ es una mezcla: con probabilidad $p_t$ es cero, y con probabilidad $1-p_t$ es el valor continuo $y^*_t$.

Inferencia Bayesiana y Muestreo

Dado que la verosimilitud binomial con enlace logístico hace que la distribución posterior condicional sea intratable analíticamente, los autores desarrollan un Muestreador de Gibbs eficiente utilizando la Aumentación de Polya-Gamma:

• Se introduce una variable auxiliar de distribución Polya-Gamma ($\omega_t$) para reestructurar la parte no lineal del modelo logístico en una forma condicionalmente gaussiana y lineal.
• Esto permite utilizar el algoritmo de Filtrado Hacia Adelante y Muestreo Hacia Atrás (FFBS) para muestrear conjuntamente las trayectorias de los estados latentes ($\theta_t, h_t, \pi_t$) de manera exacta y eficiente, evitando aproximaciones costosas o métodos de Monte Carlo basados en gradientes (como HMC) que son difíciles de escalar en dimensiones altas.

Extensión Multivariada (Z-MUCSV)

El modelo se extiende a múltiples series (desagregación del IPC) para capturar:

• Dependencia inter-componente: Se utiliza una parametrización de volatilidad estocástica invariante al orden (basada en una matriz de coeficientes $C$ no triangular) para modelar la covarianza entre los componentes sin depender de la ordenación arbitraria de las series.
• Correlación en ceros: El proceso de probabilidad de ceros ($\pi_t$) también se modela como multivariado, permitiendo que la persistencia de los ceros en un sector (ej. transporte) esté correlacionada con otros.

3. Contribuciones Clave

1. Formulación Teórica: Es el primer modelo que integra explícitamente un proceso de generación de ceros dinámico y latente dentro de un marco de volatilidad estocástica no estacionaria para datos de inflación continuos.
2. Algoritmo de Inferencia: Derivación de un muestreador de Gibbs exacto y computacionalmente eficiente mediante la técnica de Polya-Gamma, resolviendo el problema de la inferencia en modelos logísticos dinámicos con datos faltantes y ceros.
3. Manejo de Heterogeneidad: Capacidad para modelar la heterogeneidad transversal en la propensión a tener ceros (diferentes sectores tienen diferentes frecuencias de precios estancados) y la persistencia temporal de estos ceros.
4. Aplicación Empírica: Implementación y validación en datos trimestrales desagregados de cuatro economías avanzadas (EE. UU., Reino Unido, Alemania y Japón), cubriendo desde 1988 hasta 2024.

4. Resultados Principales

Los autores aplican el modelo a datos del IPC desagregado y comparan los resultados con los modelos UCSV estándar (sin inflación de ceros):

• Estimación de Tendencia:
  • Los modelos estándar tienden a subestimar la inflación latente en componentes con muchos ceros (ej. servicios regulados), arrastrando la tendencia hacia cero.
  • El modelo Z-UCSV recupera una tendencia inflacionaria latente más informativa (ej. llegando al 5% en ciertos componentes alemanes) al distinguir entre la probabilidad de no cambio de precio y la magnitud del cambio cuando ocurre.
• Estimación de Volatilidad:
  • Los modelos estándar producen estimaciones de volatilidad excesivamente bajas y conservadoras en presencia de ceros.
  • El modelo propuesto estima una volatilidad más alta y suave, interpolando correctamente los periodos de estancamiento de precios sin confundirlos con baja volatilidad real.
• Pronóstico (Forecasting):
  • Punto: El modelo Z-MUCSV mejora la precisión de los pronósticos puntuales (menor Error Absoluto Medio - MAE) en componentes con alta prevalencia de ceros.
  • Intervalo: Proporciona intervalos de credibilidad mejor calibrados. Los modelos estándar fallan en cubrir la incertidumbre real cuando hay ceros frecuentes, mientras que el modelo propuesto ajusta la probabilidad de masa en cero, ofreciendo una calibración superior, especialmente en horizontes de 1 y 8 trimestres.
• Agregación: Al agregar las estimaciones de los componentes individuales, el enfoque Z-UCSV produce estimaciones de la tendencia agregada más robustas y menos conservadoras que ajustar el modelo directamente a la serie agregada, evitando la pérdida de información sobre la dinámica de precios estancados.

5. Significado e Implicaciones

• Para la Política Monetaria: El modelo ofrece una herramienta superior para los bancos centrales y formuladores de políticas. Permite detectar presiones inflacionarias latentes que los modelos tradicionales pasarían por alto al interpretar los ceros como "estabilidad de precios" en lugar de "rigidez de precios". Esto es crucial para la toma de decisiones en entornos con bandas de inflación objetivo.
• Robustez ante la Rigidez de Precios: El modelo no requiere flagging manual de precios estancados; aprende automáticamente la dinámica de los ceros, lo cual es vital dado el gran número de componentes en un IPC.
• Generalidad: Aunque diseñado para el IPC, la metodología es aplicable a cualquier serie temporal multivariada no estacionaria con ceros exactos, como datos financieros de alta frecuencia o gastos de hogares.

En conclusión, el artículo demuestra que ignorar la naturaleza de "inflación de ceros" en datos de precios desagregados conduce a inferencias erróneas sobre la tendencia y la volatilidad de la inflación, y que la propuesta de un modelo bayesiano con aumento de Polya-Gamma ofrece una solución técnica robusta y empíricamente superior.