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

Technische Samenvatting: Machine Learning-gebaseerde Voorspelling van de Headline Inflatie in Ethiopië

Probleemstelling
Inflatie blijft een cruciale determinant voor het nationale welzijn en een aanzienlijke economische uitdaging in Ethiopië, waar de headline inflatie onlangs de 30% heeft overschreden, gedreven door factoren zoals droogte, interne conflicten en wereldwijde aanbodschokken. Traditionele econometrische en tijdreeksmodellen (bijv. ARIMA, VAR, VECM) zijn historisch gezien gebruikt om de inflatie in Ethiopië te voorspellen. Deze lineaire modellen hebben echter vaak moeite met nauwkeurigheid vanwege de complexe, niet-lineaire aard van de inflatiedata en hun onvermogen om structurele breuken, asymmetrieën en de veelzijdige interacties van macro-economische variabelen adequaat te vatten. Bovendien hebben eerdere studies in de regio vaak vertrouwd op geaggregeerde Consumentenprijsindex (CPI)-data zonder specifiek rekening te houden met bepaalde determinanten of geavanceerde machine learning (ML) technieken te gebruiken om de precisie van de voorspelling te verbeteren.

Methodologie
Deze studie maakt gebruik van een supervised machine learning-benadering om de headline inflatie in Ethiopië te modelleren en te voorspellen met behulp van kwartaalgegevens die lopen van 2000 tot 2023. De gegevens werden afkomstig van de Central Statistics Service, de National Bank of Ethiopia, de Ethiopian National Meteorological Agency en de Wereldbank.

• Gegevenspreverwerking: De dataset werd opgeschoond, getransformeerd en gesplitst in een trainingsset van 80% en een testset van 20%. De responsvariabele, Headline Inflatie ($HI_t$), werd berekend als de natuurlijke logaritme van de jaar-op-jaar procentuele verandering in de Consumentenprijsindex.
• Predictorvariabelen: De studie incorporeerde een breed scala aan exogene variabelen, waaronder voedsel- en niet-voedselinflatie, geldhoeveelheid, wisselkoersen, BBP, begrotingstekorten van de overheid, buitenlandse directe investeringen, neerslag, olie- en voedselprijzen, politieke stabiliteit, transportgegevens (aantal voertuigen) en werkloosheidspercentages.
• Modelleringsbenaderingen: De studie vergeleek verschillende supervised learning-algoritmen met traditionele benchmarks:
  • Penalized Lineaire Modellen: Ridge Regressie, LASSO (Least Absolute Shrinkage and Selection Operator) en Elastic Net om multicollineariteit aan te pakken en variabeleselectie uit te voeren.
  • Niet-lineaire Machine Learning Modellen: Random Forest, Multi-Layer Perceptron (MLP) en Neural Network Autoregression (NNAR).
  • Benchmark: Univariante SARIMA-modellen werden gebruikt als baseline voor vergelijking.
• Evaluatiemetrieken: De prestaties van de modellen werden beoordeeld met behulp van Root Mean Squared Error (RMSE), Mean Absolute Error (MAE) en Mean Absolute Percentage Error (MAPE) voor zowel in-sample (training) als out-of-sample (test) data.
• Voorspellingshorizon: Het geselecteerde optimale model werd gebruikt om de headline inflatie voor een vijfjarige horizon (2024–2028) te voorspellen.

Belangrijkste Resultaten

• Feature Belangrijkheid: In alle modellen werd voedselinflatie geïdentificeerd als de meest kritieke voorspeller. Andere topvariabelen waren niet-voedselinflatie, exportprijzen, overheidsconsumptie, bruto vaste investeringen en het aantal voertuigen. Opvallend genoeg identificeerde het LASSO-model "politieke stabiliteit" en "aantal voertuigen" als significante factoren, waarbij de laatste een negatieve correlatie met inflatie vertoonde, wat suggereert dat verbeterde transportefficiëntie de prijsdruk kan verlichten.
• Modelprestaties:
  • Lineaire Modellen: LASSO-regressie pakte multicollineariteit effectief aan en behaalde sterke resultaten met een in-sample RMSE van 0,110 en een out-of-sample RMSE van 0,172. Het presteerde beter dan Ridge en Elastic Net modellen in out-of-sample voorspellingen.
  • Niet-lineaire Modellen: Het Neural Network Autoregression (NNAR) model, specifiek het NNAR(5, 2, 10) model met exogene variabelen, presteerde beter dan alle andere modellen. Het bereikte een perfecte in-sample nauwkeurigheid (RMSE = 0,000) en de laagste out-of-sample fout (RMSE = 0,128; MAE = 0,067; MAPE = 10,576).
  • Vergelijking: Het NNAR-model demonstreerde superieure generalisatiecapaciteiten vergeleken met SARIMA, MLP, Random Forest en lineaire shrinkage-modellen. De inclusie van exogene variabelen verbeterde de voorspellingsnauwkeurigheid aanzienlijk vergeleken met univariante benaderingen.
• Voorspellingsresultaat: Het NNAR-model voorspelde dat de headline inflatie relatief laag zou blijven in 2024 en 2025, geleidelijk zal toenemen vanaf 2026, zal pieken op ongeveer 36% in het tweede kwartaal van 2027, en vervolgens tegen het vierde kwartaal van 2028 een geleidelijke daling zal inzetten.
• Diagnostiek: Residu-analyse (histogrammen en ACF-plots) en Ljung-Box tests bevestigden dat de residuen van het NNAR-model normaal verdeeld waren zonder significante seriële correlatie, wat aangeeft dat het model de onderliggende datastructuur adequaat heeft gevangen.

Betekenis en Bijdragen
De studie beweert de eerste in Ethiopië te zijn die machine learning-benaderingen specifiek gebruikt voor het voorspellen van de headline inflatie. De belangrijkste bijdragen zijn:

1. Methodologische Superioriteit: Het aantonen dat niet-lineaire machine learning-modellen, in het bijzonder NNAR, superieure voorspellende prestaties bieden ten opzima de traditionele lineaire econometrische modellen en univariante tijdreeksmethoden in de context van de volatiele inflatieomgeving van Ethiopië.
2. Variabele Identificatie: Het valideren van het belang van diverse voorspellers, waaronder politieke stabiliteit en transportinfrastructuur (aantal voertuigen), die vaak over het hoofd worden gezien in traditionele inflatiemodellering. De identificatie van voertuigtoegang als een factor die de inflatoire druk vermindert, wordt gepresenteerd als een nieuw ontdekking.
3. Beleidrelevantie: Door nauwkeurigere voorspellingen en het identificeren van belangrijke drijfveren te bieden, biedt de studie betere instrumenten voor economische planning en monetaire beleidsbesluitvorming, wat de National Bank of Ethiopia ondersteunt in haar doel om prijsstabiliteit te handhaven.
4. Robuustheid: De studie bevestigt dat het integreren van exogene variabelen in ML-modellen de voorspellingsnauwkeurigheid aanzienlijk verbetert, waarmee de beperkingen van modellen die uitsluitend op historische inflatiedata vertrouwen, worden geadresseerd.