📊 statistics

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

Il paper propone un modello di volatilità stocastica zero-inflata per analizzare i dati disaggregati sull'inflazione contenenti zeri esatti, dimostrando attraverso un campionatore Gibbs personalizzato che tale approccio fornisce stime più accurate e previsioni migliori rispetto ai modelli tradizionali applicati a quattro economie avanzate.

Autori originali: Geonhee Han, Kaoru Irie

Pubblicato 2026-03-04

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Geonhee Han, Kaoru Irie

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

🛒 Il Mistero dei Prezzi che "Non Si Muovono": Una Nuova Lente per Guardare l'Inflazione

Immagina di essere un detective che deve capire quanto sta crescendo il prezzo delle cose in un paese (l'inflazione). Di solito, guardi i dati mensili o trimestrali e noti che i prezzi salgono, scendono o rimangono stabili.

Ma c'è un problema: nei dati dettagliati (come il prezzo delle mele in un singolo negozio o delle bollette della luce), succede spesso che il prezzo non cambi affatto per mesi. Nei grafici statistici, questo appare come un "zero esatto".

Il problema è che i modelli statistici tradizionali usati dagli economisti sono come fotocamere vecchie: sono fatti per foto in movimento continuo. Se vedono una foto dove tutto è fermo (zero), pensano che la macchina sia rotta o che il movimento sia davvero nullo, e spesso sbagliano a calcolare quanto sia "vivo" il mercato.

Gli autori di questo studio, Han e Irie, hanno creato una nuova fotocamera speciale chiamata Modello Stocastico a Volatilità con "Zero Inflati" (Z-UCSV). Ecco come funziona, spiegato con metafore semplici:

1. Il Problema: Il "Silenzio" dei Prezzi

Immagina di ascoltare il traffico in una città.

I modelli vecchi pensano: "Se non sento il rumore di un'auto passare per 10 minuti, significa che non ci sono auto e che il traffico è morto".
La realtà: Le auto ci sono, ma sono ferme al semaforo o parcheggiate. Il rumore è zero, ma il potenziale di movimento c'è.

Nei dati economici, molti prezzi (come le tasse scolastiche, le tariffe dei trasporti pubblici o alcuni generi alimentari) non cambiano spesso perché sono bloccati da regole, contratti o abitudini. Questo crea tanti "zeri" nei dati. I modelli vecchi, vedendo questi zeri, pensano che l'inflazione sia zero e che il mercato sia calmo, sottostimando il vero pericolo o il vero movimento nascosto.

2. La Soluzione: La Lente Magica

Gli autori hanno creato un modello che distingue due cose:

Il "Rumore" vero (Prezzo che cambia): Quando il prezzo si muove, il modello lo misura con precisione.
Il "Silenzio" (Prezzo fermo): Il modello si chiede: "È fermo perché non c'è nulla, o perché è bloccato da un semaforo?"

Usano una tecnica matematica (chiamata Pólya–Gamma) che funziona come un traduttore intelligente. Invece di dire "zero = niente", dice: "C'è una probabilità che il prezzo sia fermo per un motivo specifico, e una probabilità che stia per scattare".

L'analogia del Meteo:
Immagina di guardare il cielo.

Modello vecchio: Se non piove da 3 giorni, dice: "Non ci sono nuvole, il cielo è sereno e stabile".
Modello nuovo: Guarda le nuvole basse e dice: "Non sta piovendo ora, ma c'è un'alta probabilità di pioggia tra un'ora. La pressione atmosferica è alta, anche se l'acqua non tocca terra".
Il modello nuovo riesce a vedere l'umidità nascosta (l'inflazione latente) anche quando non piove (quando i prezzi non cambiano).

3. Cosa hanno scoperto?

Hanno applicato questa "lente magica" ai dati di USA, Regno Unito, Germania e Giappone.

Risultato Sorprendente: Nei paesi dove i prezzi si aggiornano raramente (come in Giappone per le bollette della luce), i modelli vecchi dicevano che l'inflazione era quasi zero e molto stabile. Il nuovo modello ha invece rivelato che c'era molta più pressione inflazionistica nascosta di quanto pensassimo.
Previsioni Migliori: Quando hanno provato a prevedere il futuro, il nuovo modello ha fatto meno errori. È come se avesse imparato a non farsi ingannare dal silenzio. Quando i prezzi sono fermi, il nuovo modello sa che potrebbero esplodere in movimento improvviso, mentre il vecchio modello rimaneva tranquillo e sbagliava.

4. Perché è importante per te?

Immagina che tu sia una banca centrale (come la Banca d'Italia o la BCE) che deve decidere i tassi di interesse.

Se usi il vecchio modello, potresti pensare: "Tutto calmo, non serve alzare i tassi".
Se usi il nuovo modello, potresti vedere: "Attenzione! Molti prezzi sono fermi, ma c'è una forte pressione nascosta. Se non agiamo, quando i prezzi si sbloccheranno, l'inflazione potrebbe schizzare alle stelle".

Il nuovo modello aiuta a non farsi prendere alla sprovvista. È come avere un sensore di fumo che avvisa anche se non vedi ancora le fiamme, ma senti l'odore del calore.

In Sintesi

Questo studio ci dice che non tutto ciò che è zero è uguale a zero. A volte, lo zero è solo un "pausa" nel movimento. Usando un modello statistico più intelligente che sa distinguere tra "niente movimento" e "movimento bloccato", possiamo capire meglio l'economia reale, prevedere meglio il futuro e prendere decisioni più sagge per proteggere il nostro portafoglio.

1. Il Problema e il Contesto

L'analisi delle serie temporali dell'Indice dei Prezzi al Consumo (CPI) disaggregato rivela una caratteristica empirica critica spesso ignorata dai modelli macroeconomici standard: la presenza frequente di cambiamenti di prezzo esattamente nulli (zero esatti).

Origine degli Zeri: Questi non sono necessariamente segnali di assenza di inflazione, ma derivano da caratteristiche strutturali della raccolta dati (es. prezzi "stagnanti" o price staleness dovuti a contratti amministrativi, revisioni tariffarie rare, o imputazione di dati mancanti con l'ultimo valore disponibile).
Limiti dei Modelli Attuali: I modelli Stocastici di Volatilità (SV) e i modelli a componenti non osservate con volatilità stocastica (UCSV), ampiamente utilizzati per l'inflazione aggregata, assumono distribuzioni continue (tipicamente Gaussiane). Quando applicati a dati disaggregati con molti zeri, questi modelli tendono a:
- Sottostimare la volatilità condizionata.
- Produrre stime di tendenza (trend) distorte verso lo zero.
- Fallire nel distinguere tra l'assenza di variazione osservata e un'inflazione latente sottostante.

2. Metodologia Proposta

Gli autori propongono un Modello Stocastico di Volatilità a Inflazione di Zeri (Zero-Inflated UCSV o Z-UCSV), esteso al caso multivariato (Z-MUCSV).

Struttura del Modello

Il modello combina un processo di generazione dei dati continui (non nulli) con un processo dinamico di generazione degli zeri:

Componente Continua (UCSV): Per le osservazioni non nulle ( $y^*_t$ ), il modello segue la struttura classica UCSV di Stock e Watson (2007), dove l'osservazione è la somma di una tendenza latente ( $\theta_t$ ) e un errore di misura con volatilità stocastica ( $h_t$ ).
Componente di Inflazione di Zeri: Viene introdotta una variabile latente $\pi_t$ $π_{t}$ che governa la probabilità $p_t$ $p_{t}$ che un'osservazione sia esattamente zero.
- $p_t = \text{logit}^{-1}(\pi_t)$ .
- $\pi_t$ segue un processo autoregressivo (random walk), permettendo di catturare la persistenza temporale e l'eterogeneità trasversale nella probabilità di osservare prezzi stagnanti.
Meccanismo di Osservazione: L'osservazione $y_t$ è un mix: con probabilità $p_t$ è zero (massa puntuale), altrimenti è $y^*_t$ .

Inferenza Bayesiana e Algoritmo di Campionamento

La sfida principale risiede nella non linearità introdotta dalla funzione logit e dalla verosimiglianza binomiale associata agli zeri, che rende la distribuzione a posteriori intrattabile analiticamente.

Soluzione: Gli autori derivano un campionatore Gibbs personalizzato basato sull'augmentazione Pólya-Gamma.
Meccanismo: Introducono variabili ausiliarie Pólya-Gamma ( $\omega_t$ ) che permettono di riscrivere la verosimiglianza logistica come una miscela di distribuzioni Gaussiane condizionali.
Vantaggio: Questa trasformazione rende il modello condizionalmente lineare e Gaussiano, permettendo l'uso efficiente dell'algoritmo Forward-Filtering Backward-Sampling (FFBS) per campionare congiuntamente le variabili di stato latenti (trend, volatilità e probabilità di zero) in modo esatto, evitando approssimazioni costose o metodi basati su gradienti (come HMC) poco pratici in spazi ad alta dimensionalità.

Estensione Multivariata

Il modello è esteso a $K$ serie temporali (componenti del CPI) per catturare le dipendenze incrociate.

Per evitare la dipendenza dall'ordinamento delle variabili (un problema comune nella parametrizzazione di Cholesky della volatilità stocastica), gli autori adottano una parametrizzazione invariante all'ordine per la matrice di covarianza, permettendo una stima robusta delle correlazioni tra i componenti senza dover permutare le serie.

3. Risultati Chiave

Il modello è stato applicato a dati CPI trimestrali disaggregati di quattro economie avanzate: USA, Regno Unito, Germania e Giappone.

Stime In-Sample

Rilevamento della Tendenza Latente: Il modello Z-UCSV riesce a recuperare fluttuazioni informative della tendenza inflazionistica che il modello standard (UCSV) nasconde. Ad esempio, in settori con prezzi amministrati (es. elettricità in Giappone), il modello standard stima un'inflazione vicina allo zero a causa degli zeri osservati, mentre il modello Z-UCSV identifica una pressione inflazionistica latente (fino al 5%) che persiste nonostante l'assenza di cambiamenti di prezzo osservati.
Stima della Volatilità: Il modello Z-UCSV produce stime di volatilità più elevate e lisce, evitando che gli zeri osservati (che sono artefatti di misurazione) vengano interpretati come bassa volatilità reale. Il modello standard tende a sottostimare drasticamente la volatilità in presenza di zeri frequenti.
Probabilità di Zeri: Il modello stima dinamicamente la probabilità di stasi dei prezzi, mostrando eterogeneità significativa tra settori (es. servizi regolamentati vs. beni alimentari) e nel tempo (es. prima e dopo la liberalizzazione energetica in Giappone nel 1995).

Previsioni Out-of-Sample

Punti di Previsione: Il modello Z-UCSV offre previsioni puntuali (mediana) più accurate, specialmente per i componenti con alta frequenza di zeri.
Intervalli di Previsione: Gli intervalli di credibilità del modello Z-UCSV sono meglio calibrati (più vicini alla linea di 45 gradi nella copertura empirica) rispetto al modello standard, riducendo il rischio di intervalli degenerati o troppo stretti.

Aggregazione

Quando le stime dei componenti disaggregati vengono aggregate, il modello Z-UCSV produce stime di inflazione aggregata più robuste e meno conservative rispetto all'applicazione diretta di un modello UCSV sui dati aggregati, che tende a smussare eccessivamente le fluttuazioni reali.

4. Contributi Principali

Modellazione Teorica: Sviluppo di un modello UCSV generalizzato che integra esplicitamente un processo dinamico di generazione degli zeri (tramite un modello logistico dinamico) insieme al processo di volatilità stocastica.
Innovazione Computazionale: Derivazione di un campionatore Gibbs efficiente e scalabile basato sull'augmentazione Pólya-Gamma, che rende fattibile l'inferenza esatta per serie temporali multivariate non stazionarie con zeri.
Applicazione Empirica: Dimostrazione empirica che ignorare l'inflazione di zeri nei dati CPI disaggregati porta a errori sistematici nella stima della tendenza e della volatilità, con implicazioni dirette per la politica monetaria.

5. Significato e Implicazioni

Per la Politica Monetaria: Le banche centrali e gli analisti economici devono distinguere tra l'inflazione attesa (spazio dei dati osservabili) e l'inflazione di tendenza (latente). Ignorare gli zeri strutturali può portare a sottostimare i rischi inflazionistici, specialmente in settori con prezzi rigidi o amministrati.
Gestione del Rischio: Il modello offre una visione più prudente e informata del rischio, rilevando segnali inflazionistici latenti che potrebbero essere persi con approcci tradizionali.
Generalizzabilità: Sebbene sviluppato per il CPI, il framework è applicabile a qualsiasi serie temporale multivariata reale non stazionaria caratterizzata da inflazione di zeri e volatilità variabile nel tempo (es. dati finanziari ad alta frequenza, spese delle famiglie).

In conclusione, l'articolo dimostra che l'adozione di un approccio "zero-inflated" non è solo un miglioramento tecnico, ma una necessità metodologica per ottenere stime affidabili dell'inflazione e della sua volatilità in economie moderne dove la raccolta dati disaggregata è la norma.