Nowcasting Inflation Using Online Prices

Resumen Técnico: Nowcasting de la Inflación mediante Precios en Línea

Planteamiento del Problema
Las tasas de inflación oficiales, como el Índice de Precios al Consumidor (IPC), se publican típicamente con un desfase significativo (aproximadamente un mes), dependiendo en gran medida de encuestas de campo presenciales tradicionales y datos de escáner. Aunque el gasto en línea es un componente creciente del gasto total, las oficinas de estadística oficial han sido reticentes a integrar los precios en línea en sus fuentes de datos debido a los desafíos de la recopilación y clasificación de datos. Los obstáculos principales incluyen la inestabilidad de las estructuras de los sitios web, la falta de estandarización en la categorización de productos por parte de los minoristas y la dificultad de mapear con precisión grandes volúios de datos de productos en línea no estructurados hacia las categorías estadísticas oficiales. Además, los métodos de clasificación automatizados existentes suelen depender de búsquedas básicas de palabras clave o reglas manuales, que son propensas a errores (por ejemplo, clasificar erróneamente "filtros para café" como "café") y requieren una intervención manual frecuente cuando los diseños de los sitios web cambian.

Metodología
Los autores proponen un marco robusto y automatizado para construir un índice diario de precios de alimentos en línea y utilizarlo para realizar el nowcasting de las tasas de inflación oficiales. La metodología consta de tres componentes principales:

1. Recopilación y Preprocesamiento de Datos:

   • Fuente: Se recopilaron datos diarios extraídos de la web de cinco grandes cadenas minoristas en línea turcas (Migros, Carrefour, Mopaş, MarketPaketi y Şok) desde julio de 2018 hasta diciembre de 2025.
   • Volumen: El conjunto de datos comprende aproximadamente entre 50,000 y 70,000 entradas diarias, sumando cerca de 150 millones de puntos de datos.
   • Estandarización: Los precios se estandarizaron a unidades comunes (por ejemplo, gramos, centilitros) utilizando expresiones regulares. Se aplicó un código de modificación para unificar las estructuras de denominación categórica entre las diferentes tiendas.

2. Clasificación Basada en NLP (Procesamiento de Lenguaje Natural):

   • Modelo: En lugar de depender de las categorías proporcionadas por los minoristas o de búsquedas simples de palabras clave, los autores emplearon un modelo BERT-Base-Turkish-Cased (BERTurk) ajustado (fine-tuned). Este modelo basado en transformers fue elegido por su capacidad para manejar la compleja morfología aglutinante de la lengua turca.
   • Entrenamiento: El modelo fue entrenado con un conjunto de datos clasificado manualmente de 149,509 entradas de productos. Para abordar el desequilibrio de clases, se aplicó el Muestreo de Sobremuestreo Aleatorio (Random Over Sampling) a las categorías subrepresentadas.
   • Desempeño: El modelo alcanzó una tasa de precisión del 95.57% en la asignación de productos a las 132 categorías de alimentos definidas por el Instituto de Estadística de Turquía (TurkStat).
   • Gestión de Valores Atípicos: Para mitigar la clasificación errónea y las entradas de precios erróneas (por ejemplo, fallos técnicos), se aplicó una tasa de recorte del 10% para excluir los precios más altos y más bajos en cada categoría durante el cálculo del índice.

3. Construcción del Índice y Nowcasting:

   • Construcción del Índice: Se construyó un índice diario de precios de alimentos en línea calculando el promedio geométrico de los precios dentro de cada categoría y agregándolos utilizando los pesos de gasto oficiales de TurkStat. Los puntos de datos diarios faltantes se gestionaron mediante interpolación lineal.
   • Marco de Nowcasting: El índice diario en línea se utilizó para predecir la tasa mensual de inflación de alimentos. Los autores emplearon un enfoque de muestra fuera de la muestra (pseudo out-of-sample) con una ventana expansiva (periodo de entrenamiento: agosto 2018–diciembre 2021; evaluación: enero 2022–diciembre 2025).
   • Modelos: Se probó una batería de modelos de aprendizaje automático, incluyendo Bagging, Elastic Net, Lasso, Random Forest, Ridge y Extreme Gradient Boosting, junto con un benchmark de promedio de ensamble (AVERAGE).
   • Predictores: Los modelos utilizaron las tasas de inflación de alimentos en línea diarias junto con un conjunto de indicadores económicos y financieros (por ejemplo, tipos de cambio, rendimientos de bonos, gastos con tarjeta de crédito, expectativas de inflación).

Resultados Clave

• Correlación del Índice: El índice de precios de alimentos en línea siguió de cerca el índice oficial de TurkStat durante periodos de baja y estable inflación. Sin embargo, surgió una divergencia significativa a partir de mediados de 2021, coincidiendo con un cambio hacia una política monetaria no convencional y un aumento en las tasas de inflación anual (alcanzando hasta el 85%). Durante los periodos de alta inflación, los dos índices divergieron, lo que sugiere que los precios en línea pueden capturar la variabilidad de los precios de manera diferente a los métodos de recolección tradicionales.
• Desempeño del Nowcasting:
  • Corto plazo (día 2 del mes): La inclusión de la inflación de alimentos en línea no mejoró sistemáticamente la precisión del nowcasting; en muchas especificaciones, aumentó el Error Absoluto Medio (MAE), probablemente debido al ruido de alta frecuencia o a una alineación insuficiente con la formación de precios mensual a principios del mes.
  • Horizonte de medio a largo plazo (días 15 y 22 del mes): El índice en línea se volvió significativamente más informativo. En el horizonte del día 22, la incorporación de datos en línea redujo el MAE del ensamble de 2.950 a 2.784.
  • Robustez del Modelo: La mejora se observó en varios de los modelos lineales centrales (Lasso, Ridge, ElasticNet) y en el promedio del ensamble, lo que indica que el índice en línea proporciona contenido predictivo complementario que es más relevante más tarde en el mes, cuando hay más datos disponibles dentro del mismo mes.
  • Referencia (Benchmarking): Todos los modelos econométricos y de aprendizaje automático superaron significativamente al benchmark de paseo aleatorio (random walk).

Significancia y Reivindicaciones
El artículo sostiene que su principal contribución es el desarrollo y la validación de un esquema de clasificación basado en NLP capaz de categorizar con precisión volúmenes masivos de datos de ventas minoristas en línea no estructurados en categorías estadísticas oficiales. Esto aborda un cuello de botella crítico en la utilización de Big Data para las estadísticas económicas.

Los autores afirman que, si bien los precios en línea pueden servir como indicadores tempranos efectivos, su utilidad depende del horizonte temporal. El estudio concluye que los datos en línea mejoran la precisión del nowcasting de las tasas de inflación oficiales, particularmente en los horizontes de medio a largo plazo (más tarde en el mes). La divergencia observada durante los periodos de alta inflación sugiere que las oficinas de estadística podrían beneficiarse de la incorporación de una mayor proporción de precios en línea en sus fuentes de datos para capturar mejor la variabilidad de los precios durante tiempos económicos volátiles. El documento no pretende que los datos en línea reemplacen por completo los métodos oficiales, sino que ofrecen un valor incremental significativo para el monitoreo oportuno de la inflación, especialmente cuando se combinan con técnicas de aprendizaje automático.