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

Resumo Técnico: Previsão da Inflação de Headline em Etiópia Baseada em Aprendizado de Máquina

Definição do Problema
A inflação continua sendo um determinante crítico do bem-estar nacional e um desafio econômico significativo na Etiópia, onde a inflação de headline recentemente ultrapassou os 30%, impulsionada por fatores como seca, conflitos internos e choques de oferta globais. Modelos econométricos e de séries temporais tradicionais (ex.: ARIMA, VAR, VECM) têm sido historicamente utilizados para prever a inflação na Etiópia. No entanto, esses modelos lineares frequentemente apresentam dificuldades com a precisão devido à natureza complexa e não linear dos dados de inflação e sua incapacidade de capturar adequadamente quebras estruturais, assimetrias e as interações multifacetadas de variáveis macroeconômicas. Além disso, estudos anteriores na região frequentemente basearam-se em dados agregados do Índice de Preços ao Consumidor (IPC) sem considerar suficientemente determinantes específicos ou utilizar técnicas avançadas de aprendizado de máquina (ML) para melhorar a precisão das previsões.

Metodologia
Este estudo emprega uma abordagem de aprendizado de máquina supervisionado para modelar e prever a inflação de headline na Etiópia utilizando dados trimestrais abrangendo o período de 2000 a vezes 2023. Os dados foram obtidos do Serviço Central de Estatísticas, Banco Nacional da Etiópia, Agência Nacional de Meteorologia da Etiópia e do Banco Mundial.

• Pré-processamento de Dados: O conjunto de dados foi limpo, transformado e dividido em um conjunto de treinamento de 80% e um conjunto de teste de 20%. A variável de resposta, Inflação de Headline ($HI_t$), foi calculada como o logaritmo natural da variação percentual ano a ano no Índice de Preços ao Consumidor.
• Variáveis Preditoras: O estudo incorporou uma ampla gama de variáveis exógenas, incluindo inflação de alimentos e de não alimentos, oferta monetária, taxas de câmbio, PIB, déficits orçamentários do governo, investimento estrangeiro direto, pluviosidade, preços de petróleo e alimentos, estabilidade política, dados de transporte (número de veículos) e taxas de desemprego.
• Abordagens de Modelagem: O estudo comparou diversos algoritmos de aprendizado supervisionado contra benchmarks tradicionais:
  • Modelos Lineares Penalizados: Regressão Ridge, LASSO (Least Absolute Shrinkage and Selection Operator) e Elastic Net para lidar com a multicolinearidade e realizar a seleção de variáveis.
  • Modelos de Aprendizado de Máquina Não Lineares: Random Forest, Perceptron Multicamadas (MLP) e Autorregressão de Rede Neural (NNAR).
  • Benchmark: Modelos SARIMA univariados foram utilizados como base para comparação.
• Métricas de Avaliação: O desempenho do modelo foi avaliado usando Erro Quadrático Médio (RMSE), Erro Absoluto Médio (MAE) e Erro Percentual Absoluto Médio (MAPE) tanto para os dados intra-amostra (treinamento) quanto para os dados fora da amostra (teste).
• Horizonte de Previsão: O modelo ideal selecionado foi utilizado para prever a inflação de headline para um horizonte de cinco anos (2024–2028).

Principais Resultados

• Importância das Características: Em todos os modelos, a inflação de alimentos foi identificada como o preditor mais crítico. Outras variáveis principais incluíram inflação de não alimentos, preços de exportação, consumo do governo, investimento fixo bruto e o número de veículos. Notavelmente, o modelo LASSO identificou a "estabilidade política" e o "número de veículos" como fatores significativos, com este último apresentando uma correlação negativa com a inflação, sugerindo que a melhoria na eficiência do transporte pode aliviar as pressões de preços.
• Desempenho dos Modelos:
  • Modelos Lineares: A regressão LASSO abordou efetivamente a multicolinearidade, alcançando resultados sólidos com um RMSE intra-amostra de 0,110 e um RMSE fora da amostra de 0,172. Superou os modelos Ridge e Elastic Net em previsões fora da amostra.
  • Modelos Não Lineares: O modelo de Autorregressão de Rede Neural (NNAR), especificamente o NNAR(5, 2, 10) com variáveis exógenas, superou todos os outros modelos. Alcançou uma precisão intra-amostra perfeita (RMSE = 0,000) e o menor erro fora da amostra (RMSE = 0,128; MAE = 0,067; MAPE = 10,576).
  • Comparação: O modelo NNAR demonstrou capacidades de generalização superiores em comparação ao SARIMA, MLP, Random Forest e modelos de encolhimento linear. A inclusão de variáveis exógenas melhorou significativamente a precisão da previsão em comparação com as abordagens univariadas.
• Resultado da Previsão: O modelo NNAR previu que a inflação de headline permaneceria relativamente baixa em 2024 e 2025, aumentando gradualmente a partir de 2026, atingindo o pico de aproximadamente 36% no segundo trimestre de 2027 e iniciando um declínio gradual pelo quarto trimestre de 2028.
• Diagnósticos: A análise de resíduos (histogramas e gráficos ACF) e os testes de Ljung-Box confirmaram que os resíduos do modelo NNAR foram distribuídos normalmente e sem correlação serial significativa, indicando que o modelo capturou adequadamente a estrutura subjacente dos dados.

Significância e Contribuições
O estudo afirma ser o primeiro na Etiópia a utilizar abordagens de aprendizado de máquina especificamente para a previsão da inflação de headline. Suas principais contribuições incluem:

1. Superioridade Metodológica: Demonstrar que modelos de aprendizado de máquina não lineares, particularmente o NNAR, oferecem um desempenho de previsão superior aos modelos econométricos lineares tradicionais e métodos de séries temporais univariadas no contexto do ambiente inflacionário volátil da Etiópia.
2. Identificação de Variáveis: Validar a importância de diversos preditores, incluindo estabilidade política e infraestrutura de transporte (número de veículos), que são frequentemente negligenciados na modelagem de inflação tradicional. A identificação do acesso a veículos como um fator que reduz a pressão inflacionária é apresentada como um achado inovador.
3. Relevância Política: Ao fornecer previsões mais precisas e identificar os principais impulsionadores, o estudo oferece melhores ferramentas para o planejamento econômico e a tomada de decisões de política monetária, auxiliando o Banco Nacional da Etiópia em seu objetivo de manter a estabilidade de preços.
4. Robustez: O estudo confirma que a incorporação de variáveis exógenas em modelos de ML aumenta significamente a precisão das previsões, abordando as limitações de modelos que dependem exclusivamente de dados históricos de inflação.