📈 economics

Evaluating Machine Learning and Econometric Models for Inflation Forecasting: Evidence from a Sub-Saharan African Panel

Este estudio evalúa diversos modelos de aprendizaje automático y econométricos para la previsión de la inflación en ocho economías del África subsahariana y encuentra que, debido a las rupturas estructurales y la alta volatilidad, ningún modelo complejo supera estadísticamente a un modelo base de persistencia ingenuo, lo que sugiere que los responsables de la política regional deberían mantener modelos simples como referentes activos.

Autores originales: Baffour Osei, Abigail Boatemaa, Isaac Nyame, Gabriel Osei Forkuo

Publicado 2026-07-16

📖 8 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Baffour Osei, Abigail Boatemaa, Isaac Nyame, Gabriel Osei Forkuo

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La Gran Carrera de las Predicciones: Por qué la suposición más simple suele ganar

Imagina que estás tratando de adivinar el clima para el próximo martes. Podrías sacar una supercomputadora, analizar imágenes satelitales, medir la velocidad del viento y ejecutar complejos modelos climáticos. O, podrías simplemente mirar por la ventana y decir: "Será aproximadamente igual a como es hoy". En el mundo de la economía, este es el enfrentamiento definitivo entre la complejidad de alta tecnología y el sentido común simple. Los economistas han pasado décadas construiendo modelos masivos e intrincados para predecir la inflación —la tasa a la que suben los precios de cosas como el pan, el combustible y el alquiler—. Utilizan matemáticas sofisticadas y aprendizaje automático, con la esperanza de encontrar patrones ocultos que ayuden a los gobiernos a establecer las tasas de interés y evitar que las familias pierdan sus ahorros. Pero hay un rival viejo y obstinado en esta carrera: el "paseo aleatorio" (random walk). Esta es la idea de que la mejor suposición para el precio de mañana es simplemente el precio de hoy. Suena tonto, como adivinar el lanzamiento de una moneda, pero la historia muestra que este truco simple es increíblemente difícil de vencer, especialmente en lugares donde la economía es salvaje e impredecible.

Este documento se sumerge en esa batalla exacta, pero con un giro: pone a prueba estas ideas en el África subsahariana, una región donde la inflación puede oscilar violentamente como un péndulo. Los investigadores recopilaron datos de ocho países diferentes durante más de 50 años, creando un enorme patio de recreo digital para ver si las computadoras "inteligentes" modernas (Aprendizaje Automático y Aprendizaje Profundo) podrían finalmente superar al método simple de "mirar el ayer". No se limitaron a observar quién tenía el número de error más bajo; utilizaron pruebas estadísticas estrictas para ver si algún modelo sofisticado era realmente mejor, o si solo habían tenido suerte.

La Carrera: Alta Tecnología vs. La Estrategia del "Ayer"

Los autores organizaron un gran experimento que involucró a ocho economías del África subsahariana: Ghana, Nigeria, Kenia, Costa de Marfil, Sudáfrica, Senegal, Tanzania y Uganda. Construyeron un conjunto de datos de 424 instantáneas de la vida económica, que se extienden desde 1972 hasta 2024. Piensen en esto como un gigantesco campamento de entrenamiento donde enseñaron a ocho "entrenadores" diferentes cómo predecir la inflación.

Los entrenadores eran una mezcla de lo tradicional y lo moderno:

El Entrenador Ingenuo (Paseo Aleatorio): Este entrenador no tiene cerebro. Solo dice: "La inflación del próximo año será exactamente la de este año".
Los Entrenadores Econométricos: Estos son los expertos tradicionales que utilizan ecuaciones lineales y reglas fijas basadas en la teoría económica.
Los Entrenadores de Aprendizaje Automático: Estos son los magos de alta tecnología. Incluyen Random Forest (un equipo de árboles de decisión), XGBoost (un potenciador de árboles súper optimizado) y Elastic Net (un filtro inteligente que selecciona las mejores pistas).
El Entrenador de Aprendizaje Profundo (LSTM): Este es el más complejo, un tipo de inteligencia artificial diseñada para recordar secuencias largas de eventos, como un humano recordando una historia.

Los investigadores dividieron sus datos en tres partes: un conjunto de entrenamiento (para enseñar a los entrenadores), un conjunto de validación (para ajustarlos) y un conjunto de prueba (el examen final de 2018 a 2024). Querían ver si la IA sofisticada podía vencer al simple entrenador de "mirar el ayer".

El Resultado Sorprendente: El Entrenador Simple Mantiene la Línea

Cuando llegaron los resultados del examen final, el desenlace fue un gran choque para la idea de que "más grande y más inteligente es siempre mejor".

El Entrenador Ingenuo (Paseo Aleatorio) fue estadísticamente invicto. Logró la tasa de error más baja de cualquier modelo, con un RMSE de Prueba (una medida de qué tan lejos estuvo la suposición) de 4.435. Más importante aún, cuando los investigadores realizaron pruebas estadísticas estrictas (llamadas pruebas de Diebold-Mariano) para ver si algún otro modelo era realmente mejor, la respuesta fue un rotundo no. Ninguno de los modelos complejos pudo demostrar ser estadísticamente superior a la simple suposición de "mirar el ayer".

Así fue como les fue a los otros entrenadores:

Los Magos del Aprendizaje Automático (Random Forest y XGBoost): Fueron los mejores de la banda compleja. Random Forest obtuvo un RMSE de Prueba de 4.849, y XGBoost tuvo 5.825. Aunque estuvieron cerca, las pruebas estadísticas mostraron que estaban esencialmente empatados con el Entrenador Ingenuo. No perdieron, pero tampoco ganaron; lograron la paridad estadística. Random Forest fue el único modelo que pudo reclamar un empate estadístico con la línea base simple, pero no la superó.
Los Expertos Tradicionales (OLS Agrupado y Efectos Fijos de Panel): Estos modelos lineales de la vieja escuela lo hicieron mal. Fueron significativamente superados por el Entrenador Ingenuo, con errores de 6.781 y 6.612 respectivamente. El documento sugiere que intentar forzar una relación de línea recta sobre una economía volátil y desordenada simplemente no funciona.
La Estrella del Aprendizaje Profundo (LSTM): Esta fue la historia más dramática. Cuando la IA fue entrenada durante demasiado tiempo (350 épocas) sin un freno de seguridad, sufrió de "sobreajuste" (overfitting). Memorizó los datos de entrenamiento tan perfectamente que falló en la prueba, obteniendo un terrible 7.741. Sin embargo, cuando los investigadores añadieron el "parada temprana" (una técnica para detener el entrenamiento antes de que la IA se confunda demasiado), su puntuación mejoró a 6.162. Esto fue una gran mejora, pero aun así no venció al simple Entrenador Ingenuo. Solo se volvió "estadísticamente indistinguible" de él, lo que significa que fue lo suficientemente bueno para empatar, pero no lo suficientemente bueno para ganar.

¿Por qué Fallaron los Modelos Inteligentes?

Los autores ofrecen algunas razones por las cuales los modelos de alta tecnología no pudieron descifrar el código en esta región específica.

Primero, los datos son demasiado pequeños y ruidosos. El conjunto de entrenamiento tenía solo 304 observaciones. Para una IA supercompleja como una LSTM, eso es como intentar aprender un idioma leyendo solo unas pocas páginas de un diccionario. Los modelos se confunden y comienzan a memorizar el ruido en lugar de aprender las reglas.

Segundo, la economía cambia las reglas constantemente. El período de prueba (2018–2024) incluyó choques masivos como la pandemia de COVID-19 y picos en los precios mundiales de las materias primas. El modelo "simple" solo mira el número más reciente, lo que le permite adaptarse instantáneamente a estos choques. Los modelos complejos, sin embargo, intentan encontrar un patrón basado en el pasado (datos previos a 2009), el cual ya no aplica cuando el mundo cambia repentinamente. Es como intentar navegar en una tormenta usando un mapa de un día soleado; el mapa es demasiado detallado, pero es el mapa equivocado.

Tercero, las "pistas" podrían no ser tan útiles. Los modelos fueron alimentados con datos como tasas de interés, gasto gubernamental y precios del petróleo. Pero en estas economías, la inflación parece ser impulsada principalmente por su propio impulso y por los tipos de cambio, lo que hace que las otras pistas sean menos útiles. El modelo simple ignora todas esas pistas adicionales y simplemente sigue el impulso, lo que resulta ser la estrategia ganadora.

Lo Que Esto Significa para el Futuro

El documento concluye que, para los responsables de la política económica en el África subsahariana, el mensaje es claro: No desechen las herramientas simples solo porque tengan herramientas nuevas y sofisticadas.

Si bien los modelos complejos (como Random Forest y el LSTM corregido) son impresionantes y pueden igualar el rendimiento del modelo simple, no han demostrado que puedan superarlo. De hecho, el modelo de "persistencia" simple es tan robusto que debe seguir siendo el "estándar de oro" o la "línea base" que todos los nuevos modelos deben vencer antes de ser confiables.

Los autores sugieren que, si los bancos centrales desean utilizar estas herramientas de IA sofisticadas, deben hacerlo con cautela. Recomiendan mantener el modelo simple funcionando en segundo plano como una verificación de la realidad. Si un modelo complejo no puede demostrar estadísticamente que es mejor que simplemente suponer que "mañana será como hoy", entonces probablemente no valga la pena el costo y la complejidad adicionales.

Al final, este estudio añade un capítulo más al misterio de larga data en la economía: en un mundo lleno de caos y cambios repentinos, a veces lo más inteligente que puedes hacer es simplemente mirar lo que sucedió ayer y asumir que volverá a suceder. Lo "simple" no siempre es lo mejor, pero en los mercados volátiles del África subsahariana, es actualmente el campeón.

Resumen Técnico: Evaluación de Modelos de Aprendizaje Automático y Econométricos para la Previsión de la Inflación en el África Subsahariana

Planteamiento del Problema
Los responsables de la formulación de políticas en el África subsahariana (ASS) enfrentan una presión creciente para adoptar métodos de aprendizaje automático (ML) y aprendizaje profundo (DL) para la previsión de la inflación. Sin embargo, la literatura regional rara vez evalúa estos enfoques complejos frente a modelos de persistencia simples (caminatas aleatorias). Además, los estudios existentes suelen depender de series temporales de un solo país con tamaños de muestra limitados (aprox. 50 observaciones anuales), los cuales son insuficientes para entrenar modelos de alta capacidad sin un sobreajuste severo. Existe una brecha crítica en la comprensión de si el aumento de la complejidad del modelo genera ganancias estadísticamente defendibles en entornos de ASS, caracterizados por la escasez de datos y la alta volatilidad, cuando se comparan rigurosamente con un punto de referencia ingenuo (naive baseline).

Metodología
El estudio construye un conjunto de datos de panel anual reproducible que abarca ocho economías del ASS (Ghana, Nigeria, Kenia, Costa de Marfil, Sudáfrica, Senegal, Tanzania y Uganda) desde 1972 hasta 2024 ( $N=424$ ). Los datos fueron extraídos programáticamente mediante APIs de la Organización Mundial del Banco (WDI) y FRED para garantizar la auditabilidad.

Preprocesamiento de Datos: El flujo de trabajo evita estrictamente la fuga de datos transversales (cross-sectional data leakage). La imputación (llenado hacia adelante/atrás) y la generación de rezagos (de primer y segundo orden) se realizaron dentro de los grupos de países antes de la división cronológica. Las características fueron estandarizadas utilizando únicamente las estadísticas del conjunto de entrenamiento.
Suite de Modelos: Se evaluaron ocho enfoques de previsión:
1. Referencia Ingenua (Naive Benchmark): Un modelo de persistencia de caminata aleatoria específico por país (Atkeson-Ohanian).
2. Econometría Lineal: OLS agrupado (Pooled OLS) y Efectos Fijos de Panel (estimador within).
3. Aprendizaje Automático: Elastic Net (regularización L1/L2), Random Forest y XGBoost.
4. Aprendizaje Profundo: Un Panel LSTM (Red Neuronal Recurrente) evaluado con y sin parada temprana (early stopping).
Marco de Evaluación: Los modelos se entrenaron mediante una división cronológica estricta (Entrenamiento: $\le$ 2009; Validación: 2010–2017; Prueba: 2018–2024). La precisión predictiva se evaluó mediante RMSE y MAE, pero la significancia estadística se determinó mediante pruebas de Diebold-Mariano (DM) por pares sobre diferenciales de pérdida de error cuadrático.
Pruebas de Robustez: El estudio empleó estimadores de varianza corregidos por HAC-Newey-West/Harvey-Leybourne-Newbold (HLN), ajustes de Holm-Bonferroni para comparaciones múltiples, especificaciones de variables estrictamente rezagadas (eliminando variables exógenas contemporáneas), reestimación recursiva de ventana expansiva y análisis de sensibilidad de la longitud de la secuencia de la LSTM.

Resultados Clave
El análisis empírico arroja un resultado definitivo del "rompecabezas de la caminata aleatoria" (random-walk puzzle) para el contexto de ASS:

Dominio de la Referencia Ingenua: Ningún modelo estimado (econométrico, ML o DL) logró una mejora estadísticamente significativa en la precisión de la previsión fuera de la muestra respecto al modelo de persistencia ingenuo. El modelo ingenuo alcanzó el RMSE de prueba (4.435) y el MAE (2.510) de estimación puntual más bajos.
Desempeño de los Conjuntos de Árboles: Random Forest y XGBoost alcanzaron la paridad estadística con la caminata aleatoria (valores p de DM de 0.538 y 0.130, respectivamente), pero no la superaron. Notablemente, Random Forest superó significativamente a XGBoost en el panel completo, una reversión de las tendencias observadas en análisis intermedios más pequeños.
Fallo de los Modelos Lineales y de DL no Corregidos: Los modelos lineales tradicionales (Pooled OLS y Efectos Fijos de Panel) y la LSTM no corregida (entrenada durante 350 épocas sin parada temprana) fueron significativamente dominados por la referencia ingenua al nivel del 5%.
Impacto de la Parada Temprana: La implementación de la parada temprana en la LSTM redujo el RMSE de prueba en un 20.4% (de 7.741 a 6.162), pasando de ser significativamente peor que la referencia a ser estadísticamente indistinguible de ella. Sin embargo, no generó una ventaja competitiva sobre los conjuntos de árboles.
Robustez: Estos hallazgos se mantuvieron bajo la estimación de varianza más estricta de HAC-HLN y las correcciones de Holm-Bonferroni (donde solo la diferencia entre la referencia ingenua y los Efectos Fijos de Panel permaneció significativa). Los resultados también fueron consistentes cuando se utilizó un conjunto de características estrictamente rezagadas, confirmando que los hallazgos no son artefactos del uso de información contemporánea no disponible en el origen de la previsión.

Contribuciones Clave

Benchmarking Empírico: Este es uno de los primeros estudios que incluye sistemáticamente la referencia de persistencia ingenua en la previsión de la inflación específica de ASS, desafiando la suposición de que los modelos complejos superan inherentemente a los modelos simples en esta región.
Flujo de Trabajo Reproducible: El estudio proporciona un flujo de trabajo de extracción y preprocesamiento de datos totalmente auditable y basado en API que evita la fuga transversal, estableciendo un estándar de transparencia para el trabajo macroeconométrico aplicado en entornos con escasez de datos.
Expansión de la Clase de Modelos: Extiende la literatura del "rompecabezas de la caminata aleatoria" más allá de los modelos de la curva de Phillips y VAR para incluir conjuntos de árboles modernos y redes neuronales recurrentes, demostando que el rompecabezas persiste incluso con estas arquitecturas avanzadas en datos anuales de ASS.
Rigor Metodológico: La aplicación de pruebas de Diebold-Mariano formales con correcciones de comparación múltiple y pruebas de robustez (reestimación recursiva, especificaciones de solo rezagos) proporciona un marco de evaluación más riguroso que las comparaciones de estimación puntual por sí solas.

Significancia y Reivindicaciones
El artículo afirma que sus hallaz mostrados se alinean con el bien documentado "rompecabezas de la caminata aleatoria" en la previsión de la inflación global, sugiriendo que las rupturas estructurales, la alta volatilidad y los tamaños de muestra modestos plantean desafíos sustanciales para las arquitectas de previsión altamente parametrizadas en ASS.

Los autores concluyen que los bancos centrales y los ministerios de finanzas regionales deben mantener los modelos de persistencia simples como bases de referencia activas al evaluar las inversiones en infraestructura de previsión compleja. El estudio desaconseja la inversión excesiva en modelos complejos sin demostrar primero que superan el bajo umbral establecido por la persistencia. Sugiere que, si bien los conjuntos de árboles pueden alcanzar la paridad con los modelos simples, no ofrecen una superioridad estadísticamente significativa en este régimen de datos específico. En consecuencia, las instituciones deben priorizar las pruebas de precisión predictiva por pares (como Diebold-Mariano) sobre las métricas de estimación puntual al validar nuevas herramientas de previsión.