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

Resumen Técnico: Pronóstico de la Inflación de Referencia en Etiopía Basado en Aprendizaje Automático

Planteamiento del Problema
La inflación sigue siendo un determinante crítico del bienestar nacional y un desafío económico significativo en Etiopía, donde la inflación de referencia ha superado recientemente el 30%, impulsada por factores como la sequía, los conflictos internos y los choques de oferta globales. Históricamente, se han utilizado modelos econométricos y de series temporales tradicionales (p. ej., ARIMA, VAR, VECM) para pronosticar la inflación en Etiopía. Sin embargo, estos modelos lineales suelen tener dificultades con la precisión debido a la naturaleza compleja y no lineal de los datos de inflación y su incapacidad para capturar adecuadamente las rupturas estructurales, las asimetrías y las interacciones multifacéticas de las variables macroeconómicas. Además, estudios previos en la región se han basado frecuentemente en datos agregados del Índice de Precios al Consumidor (IPC) sin contabilizar suficientemente los determinantes específicos o sin utilizar técnicas avanzadas de aprendizaje automático (ML) para mejorar la precisión del pronóstico.

Metodología
Este estudio emplea un enfoque de aprendizaje automático supervisado para modelar y pronosticar la inflación de referencia en Etiopía utilizando datos trimestrales que abarcan desde el año 2000 hasta el 2023. Los datos fueron obtenidos de la Central Statistics Service, el Banco Nacional de Etiopía, la Agencia Nacional de Meteorología de Etiopía y el Banco Mundial.

• Preprocesamiento de Datos: El conjunto de datos fue limpiado, transformado y dividido en un conjunto de entrenamiento del 80% y un conjunto de prueba del 20%. La variable de respuesta, la Inflación de Referencia ($HI_t$), se calculó como el logaritmo natural del cambio porcentual interanual en el Índice de Precios al Consumidor.
• Variables Predictoras: El estudio incorporó una amplia gama de variables exógenas, incluyendo la inflación de alimentos y de productos no alimentarios, la masa monetaria, los tipos de cambio, el PIB, el déficit del presupuesto gubernamental, la inversión extranjera directa, la pluviosidad, los precios del petróleo y de los alimentos, la estabilidad política, los datos de transporte (número de vehículos) y las tasas de desempleo.
• Enfoques de Modelado: El estudio comparó varios algoritmos de aprendizaje supervisado frente a referentes tradicionales:
  • Modelos Lineales Penalizados: Regresión Ridge, LASSO (Least Absolute Shrinkage and Selection Operator) y Elastic Net para abordar la multicolinealidad y realizar la selección de variables.
  • Modelos de Aprendizaje Automático No Lineales: Random Forest, Perceptrón Multicapa (MLP) y Autorregresión de Redes Neuronales (NNAR).
  • Referente (Benchmark): Se utilizaron modelos SARIMA univariantes como base para la comparación.
• Métricas de Evaluación: El desempeño del modelo se evaluó utilizando el Error Cuadrático Medio (RMSE), el Error Absoluto Medio (MAE) y el Error Porcentual Absoluto Medio (MAPE) tanto para los datos de la muestra interna (entrenamiento) como para los de la muestra externa (prueba).
• Horizonte de Pronóstico: El modelo óptimo seleccionado se utilizó para pronosticar la inflación de referencia para un horizonte de cinco años (2024–2028).

Resultados Clave

• Importancia de las Características: En todos los modelos, la inflación de alimentos fue identificada como el predictor más crítico. Otras variables principales incluyeron la inflación de productos no alimentarios, los precios de exportación, el consumo gubernamental, la inversión fija bruta y el número de vehículos. Notablemente, el modelo LASSO identificó la "estabilidad política" y el "número de vehículos" como factores significativos, mostrando este último una correlación negativa con la inflación, lo que sugiere que una mejor eficiencia en el transporte puede mitigar las presiones de precios.
• Desempeño de los Modelos:
  • Modelos Lineales: La regresión LASSO abordó eficazmente la multicolinealidad, logrando resultados sólidos con un RMSE intra-muestra de 0.110 y un RMSE fuera de la muestra de 0.172. Superó a los modelos Ridge y Elastic Net en el pronóstico fuera de la muestra.
  • Modelos No Lineales: El modelo de Autorregresión de Redes Neuronales (NNAR), específicamente el NNAR(5, 2, 10) con variables exógenas, superó a todos los demás modelos. Logró una precisión perfecta en la muestra (RMSE = 0.000) y el error más bajo fuera de la muestra (RMSE = 0.128; MAE = 0.067; MAPE = 10.576).
  • Comparación: El modelo NNAR demostró capacidades de generalización superiores en comparación con SARIMA, MLP, Random Forest y los modelos de contracción lineal. La inclusión de variables exógenas mejoró significativamente la precisión del pronóstico en comparación con los enfoques univariantes.
• Resultado del Pronóstico: El modelo NNAR predijo que la inflación de referencia se mantendría relativamente baja en 2024 y 2025, aumentaría gradualmente a partir de 2026, alcanzaría un pico de aproximadamente el 36% en el segundo trimestre de 2027 y luego comenzaría un descenso gradual hacia el cuarto trimestre de 2028.
• Diagnósticos: El análisis de residuos (histogramas y gráficos ACF) y las pruebas de Ljung-Box confirmaron que los residuos del modelo NNAR se distribuyeron normalmente sin correlación serial significativa, lo que indica que el modelo capturó adecuadamente la estructura subyacente de los datos.

Significancia y Contribuciones
El estudio afirma ser el primero en Etiopía en utilizar enfoques de aprendizaje automático específicamente para el pronóstico de la inflación de referencia. Sus principales contribuciones incluyen:

1. Superioridad Metodológica: Demostrar que los modelos de aprendizaje automático no lineales, particularmente NNAR, ofrecen un desempeño de pronóstico superior a los modelos econométricos lineales tradicionales y a los métodos de series temporales univariantes en el contexto del entorno inflacionario volátil de Etiopía.
2. Identificación de Variables: Validar la importancia de diversos predictores, incluyendo la estabilidad política y la infraestructura de transporte (número de vehículos), que a menudo se pasan por alto en el modelado tradicional de la inflación. La identificación del acceso a vehículos como un factor que reduce la presión inflacionaria se presenta como un hallazgo novedoso.
3. Relevancia de Política: Al proporcionar pronósticos más precisos e identificar los impulsores clave, el estudio ofrece mejores herramientas para la planificación económica y la toma de decisiones de política monetaria, ayudando al Banco Nacional de Etiopía en su objetivo de mantener la estabilidad de precios.
4. Robustez: El estudio confirma que la incorporación de variables exógenas en los modelos de ML mejora significativamente la precisión del pronóstico, abordando las limitaciones de los modelos que dependen únicamente de los datos históricos de inflación.