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

Sintesi Tecnica: Previsione dell'Inflazione Headline in Etiopia basata sul Machine Learning

Problematica
L'inflazione rimane un determinante critico del benessere nazionale e una sfida economica significativa in Etiopia, dove l'inflazione headline ha recentemente superato il 30%, spinta da fattori quali la siccità, i conflitti interni e gli shock dell'offerta globale. I modelli econometrici e di serie temporali tradizionali (ad esempio, ARIMA, VAR, VECM) sono stati storicamente utilizzati per prevedere l'inflazione in Etiopia. Tuttavia, questi modelli lineari spesso faticano a mantenere l'accuratezza a causa della natura complessa e non lineare dei dati sull'inflazione e della loro incapacità di catturare adeguatamente le interruzioni strutturali, le asimmetrie e le interazioni multifaccettate delle variabili macroeconomiche. Inoltre, studi precedenti nella regione si sono frequentemente basati su dati aggregati dell'Indice dei Prezzi al Consumo (CPI) senza tenere adeguatamente conto di determinanti specifici o senza utilizzare tecniche avanzate di machine learning (ML) per migliorare la precisione delle previsioni.

Metodologia
Questo studio impiega un approccio di apprendimento supervisionato (supervised machine learning) per modellare e prevedere l'inflazione headline in Etiopia utilizzando dati trimestrali che spaziano dal 2000 al 2023. I dati sono stati estratti dal Central Statistics Service, dalla National Bank of Ethiopia, dalla Ethiopian National Meteorological Agency e dalla Banca Mondiale.

• Pre-elaborazione dei dati: Il dataset è stato pulito, trasformato e suddiviso in un set di addestramento (training set) dell'80% e un set di test del 20%. La variabile risposta, l'Inflazione Headline ($HI_t$), è stata calcolata come il logaritmo naturale della variazione percentuale anno su anno dell'Indice dei Prezzi al Consumo.
• Variabili Predittive: Lo studio ha incorporato una vasta gamma di variabili esogene, tra cui l'inflazione alimentare e non alimentare, l'offerta di moneta, i tassi di cambio, il PIL, i deficit di bilancio governativo, gli investimenti diretti esteri, le precipitazioni, i prezzi del petrolio e dei prodotti alimentari, la stabilità politica, i dati sui trasporti (numero di veicoli) e i tassi di disoccupazione.
• Approcci di Modellazione: Lo studio ha confrontato diversi algoritmi di apprendimento supervisionato rispetto ai benchmark tradizionali:
  • Modelli Lineari Penalizzati: Regressione Ridge, LASSO (Least Absolute Shrinkage and Selection Operator) ed Elastic Net per affrontare la multicollinearità e per la selezione delle variabili.
  • Modelli di Machine Learning Non Lineari: Random Forest, Multi-Layer Perceptron (MLP) e Neural Network Autoregression (NNAR).
  • Benchmark: Modelli SARIMA univariati sono stati utilizzati come base per il confronto.
• Metriche di Valutazione: Le prestazioni del modello sono state valutate utilizzando l'Errore Quadratico Medio (RMSE), l'Errore Assoluto Medio (MAE) e l'Errore Percentuale Assoluto Medio (MAPE) sia per i dati in-sample (addestramento) che out-of-sample (test).
• Orizzonte di Previsione: Il modello ottimale selezionato è stato utilizzato per prevedere l'inflazione headline per un orizzonte di cinque anni (2024–2028).

Risultati Chiave

• Importanza delle Caratteristiche (Feature Importance): In tutti i modelli, l'inflazione alimentare è stata identificata come il predittore più critico. Altre variabili principali includevano l'inflazione non alimentare, i prezzi delle esportazioni, i consumi governativi, gli investimenti fissi lordi e il numero di veicoli. Notevolmente, il modello LASSO ha identificato la "stabilità politica" e il "numero di veicoli" come fattori significativi, con quest'ultimo che mostra una correlazione negativa con l'inflazione, suggerendo che un miglioramento dell'efficienza dei trasporti possa alleviare le pressioni sui prezzi.
• Prestazioni del Modello:
  • Modelli Lineari: La regressione LASSO ha affrontato efficacemente la multicollinearità, ottenendo risultati solidi con un RMSE in-sample di 0,110 e un RMSE out-of-sample di 0,172. Ha superato i modelli Ridge ed Elastic Net nelle previsioni out-of-sample.
  • Modelli Non Lineari: Il modello di Autoregresione di Reti Neurali (NNAR), specificamente l'NNAR(5, 2, 10) con variabili esogene, ha superato tutti gli altri modelli. Ha raggiunto un'accuratezza in-sample perfetta (RMSE = 0,000) e l'errore out-of-sample più basso (RMSE = 0,128; MAE = 0,067; MAPE = 10,576).
  • Confronto: Il modello NNAR ha dimostrato capacità di generalizzazione superiori rispetto a SARIMA, MLP, Random Forest e ai modelli di contrazione lineare. L'inclusione di variabili esogene ha migliorato significativamente l'accuratezza della previsione rispetto agli approcci univariati.
• Esito della Previsione: Il modello NNAR ha previsto che l'inflazione headline sarebbe rimasta relativamente bassa nel 2024 e nel 2025, aumentando gradualmente a partire dal 2026, raggiungendo un picco di circa il 36% nel secondo trimestre del 2027, per poi iniziare un declino graduale entro il quarto trimestre del 2028.
• Diagnostica: L'analisi dei residui (istogrammi e grafici ACF) e i test di Ljung-Box hanno confermato che i residui del modello NNAR erano distribuiti normalmente e privi di una significativa correlazione seriale, indicando che il modello ha catturato adeguatamente la struttura sottostante dei dati.

Significatività e Contributi
Lo studio sostiene di essere il primo in Etiopia a utilizzare approcci di machine learning specificamente per la previsione dell'inflazione headline. I suoi principali contributi includono:

1. Superiorità Metodologica: Dimostrare che i modelli di machine learning non lineari, in particolare l'NNAR, offrono prestazioni di previsione superiori rispetto ai modelli econometrici lineari tradizionali e ai metodi di serie temporali univariati nel contesto dell'ambiente inflattivo volatile dell'Etiopia.
2. Identificazione delle Variabili: Validare l'importanza di diversi predittori, inclusi la stabilità politica e le infrastrutture di trasporto (numero di veicoli), che sono spesso trascurati nella modellazione tradizionale dell'inflazione. L'identificazione dell'accesso ai veicoli come fattore che riduce la pressione inflazionistica è presentata come un risultato innovativo.
3. Rilevanza Politica: Fornendo previsioni più accurate e identificando i driver chiave, lo studio offre strumenti migliori per la pianificazione economica e il processo decisionale della politica monetaria, aiutando la National Bank of Ethiopia nel suo obiettivo di mantenere la stabilità dei prezzi.
4. Robustezza: Lo studio conferma che l'integrazione di variabili esogene nei modelli di ML migliora significativamente l'accuratezza della previsione, affrontando i limiti dei modelli che si basano esclusivamente sui dati storici dell'inflazione.