¿Qué afecta a la inflación en Colombia? Resultados usando un amplio conjunto de predictores (uno a la vez)

Keyword: 
Inflation
Topic: 
Macroeconomics - Economic growth - Monetary Policy

Esta entrada de Blog nace de un trabajo de tesis de Maestría en Economía de la Universidad del Rosario, destacado por su calidad científica. Agradecemos a Vox.LACEA por brindar este espacio a nuestros estudiantes.


Estadísticos, matemáticos y economistas han estudiado desde hace mucho tiempo cómo modelar variables macroeconómicas, como la inflación o el crecimiento del PIB, de la mejor manera posible. Numerosos métodos han sido aplicados, variando los supuestos que se tienen sobre los datos, la cantidad de variables, entre otros posibles factores. Sin embargo, los recientes y exponenciales avances en tecnología y computación han permitido cada vez el uso de más datos e información en cálculos computacionales. A esto le apunta precisamente este trabajo: entender cuál, de la inmensa información disponible, debería ser tenida en cuenta al momento de modelar una variable macroeconómica tan relevante como la inflación.

En este trabajo utilizo una herramienta relativamente reciente (Chudik et al. 2018) para intentar construir una representación matemática considerablemente precisa de la inflación en Colombia, con la cual se busca construir proyecciones cada vez más exactas, comparadas con modelos más usados y conocidos en la actualidad, para tomar decisiones de política pública más eficientes.

El método One Covariate at a Time – Multiple Testing (OCMT), ó “Una covariable a la vez - pruebas múltiples”, consiste en probar la significancia estadística de cada variable incluida en el modelo a la hora de explicar el comportamiento de la inflación, mediante test estadísticos aplicados a regresiones individuales de cada posible variable regresora en el modelo; y, cuando ya se hayan probado todas las variables disponibles, se incluyan en el modelo aquellas que sobrepasaron cierto margen preestablecido. El problema que se busca atacar con este algoritmo de selección de variables es el de especificar correctamente el modelo de nuestra variable de interés, es decir, seleccionar las variables que explican nuestra variable de interés (inflación), de la forma mas cercana a la realidad posible. Un conjunto de métodos estadísticos bastante conocido para solucionar esto es el de regresiones penalizadas (o reguladas). Un ejemplo de lo anterior es LASSO (least absolute shrinkage and selection operator, por sus siglas en inglés), que propone un mecanismo en el que, mediante penalizaciones a los coeficientes de la regresión, excluye a los predictores menos relevantes estadísticamente hablando.

Sin embargo, la motivación de Chudik et al. (2018) para desarrollar e implementar el método OCMT es que estos métodos suelen tener faltar de teoría rigurosa e intuitiva y el criterio para determinar la selección de variables suele ser establecida a partir de un interés específico del investigador (ad hoc). La ventaja del método OCMT comparado con los métodos penalizados es la simplicidad, tanto conceptual como computacional del método. Por una parte, el modelo OCMT contrasta variable por variable, completamente opuesto a los métodos de penalización más comunes que prueban simultáneamente todas las covariadas. Lo anterior permite al método propuesto por Chudik et al, (2018), ser mucho más flexible en términos de supuestos y permite que sea apropiado cuando se tiene una base de datos con un número considerable de variables, incluso en escenarios donde se tengan más variables que observaciones.

El método anterior se aplicó a sesenta variables o indicadores económicos desde el 2006 hasta el 2021, con datos facilitados por el Departamento Nacional de Planeación (DNP), los cuales son utilizados por dicha institución para modelar indicadores macroeconómicos. Este ejercicio se aplicó un total de 59 veces, usando un mecanismo de “ventana” (o window approach), donde se tomaron sub-muestras de 10 años y se iba aplicando el método OCMT en cada ventana. Con lo anterior, en cada ventana, el método seleccionaba un determinado conjunto de variables con las que modelar la inflación en esa ventana. Al finalizar la última ventana, se hizo un cálculo de cuáles fueron las variables que fueron escogidas más veces por el método y en qué cantidad.

Como podría esperarse, en el 100% de las ventanas, el primer rezago de la inflación se incluyó al modelo, es decir, basándonos en el método OCMT, la inflación tiene un componente autorregresivo que se mantiene en todos los ejercicios en que este se realizó. Además, variables como el rezago anual también fue incluido considerablemente (un 70% de las ventanas lo incluyo en el modelo), y, finalmente, el segundo rezago de la inflación también se incluyó, sin embargo, fue en mucha menor medida (48.6% de las ventanas lo incluyeron en el modelo). Por otra parte, y mucho más interesante es la magnitud de las expectativas y como estas influyen en la inflación, pues las expectativas sobre la situación económica para el siguiente semestre fueron incluidas el 54.3% de las veces que se realizó el ejercicio; esto nos hace reflexionar de lo importante que puede ser la moral colectiva de los agentes económicos y como, en la mayoría de las ventanas, tuvo un papel significativo al momento de modelar y predecir la inflación. Otras variables que también fueron seleccionadas para modelar la inflación fueron el Índice de Precios al Productor y al Consumidor (IPC e IPP), las cuales fueron incluidas en el modelo un 8.6% y un 2.9% respectivamente.

Es interesante ver como variables que se esperaría que tengan un rol significativo en la inflación no han sido escogidas por el método OCMT. Un ejemplo de este tipo de variables son las financieras, donde variables como el efectivo en circulación, cartera comercial, o incluso la tasa de desempleo no fueron seleccionadas por el método implementado en ninguna ventana. Es posible que, modificando la longitud de la ventana o el margen de selección, se incluyan o excluyan variables diferentes y se obtengan diferentes resultados. Sin embargo, para la ventana de 10 años que se tomó en este trabajo, se implementaron pruebas de Diebold-Mariano (1995), comparando los resultados de pronóstico del modelo OCMT con los pronósticos de un modelo ARIMA y un modelo VAR de Curva de Phillips (Tasa de desempleo e inflación); en donde se logró concluir que el modelo OCMT logro tener mejor desempeño pronosticando la inflación (en términos de error de pronóstico), que los modelos ARIMA y VAR.

Estamos atravesando un periodo inflacionario global, donde procesos geopolíticos externos y ciertos eventos internos están afectando enormemente los precios tanto de Colombia como del mundo. Por esta razón, es importante entender qué factores son significativamente relevantes al momento de explicar el comportamiento de la inflación y, conforme se dan avances tecnológicos y computacionales, ir probando e intentando acercarnos cada vez más a una representación optima de indicadores como la inflación. Esto nos permitirá mejorar las decisiones económicas y de política pública para afrontar problemas como los que estamos sufriendo en la coyuntura actual con la subida global de precios.

Este trabajo no hubiera sido posible sin la colaboración de Gustavo Hernández del Departamento Nacional de Planeación (DNP), el cual apoyo este trabajo con datos usados por el DNP en el estudio de la inflación.

 

Share this