Прогнозирование региональной инфляции: эконометрические модели или методы машинного обучения?

Экономический журнал Высшей школы экономики. 2024. Т. 28. № 1. С. 81–107.

Букина Т. В., Кашин Д. В.

В статье строится прогноз региональной инфляции на примере субъектов, входящих в Приволжский федеральный округ (ПФО). Цель исследования – определить модель, которая точнее остальных прогнозирует региональную инфляцию. В работе производится сравнение инструментов машинного обучения – метода опорных векторов, градиентного бустинга и случайного леса с эконометрическими моделями временных рядов, авторегрессией и интегрированной авторегрессией-скользящего среднего, – моделями, которые чаще используются для прогнозирования общероссийской инфляции. По результатам исследования выявлены ключевые макроэкономические показатели, наиболее существенно влияющие на региональную инфляцию. В тройку таких для каждого региона ПФО входит значение инфляции в прошлом месяце, среднее значение инфляции и номер месяца. Показано, что модели машинного обучения не хуже справляются с задачей прогнозирования региональной инфляции на длительных временных периодах, в то время как эконометрические модели достаточно точно прогнозируют на краткосрочных временных горизонтах.

Ключевые слова: эконометрическое моделирование, машинное обучение, forecasting, прогнозирование, econometric modeling, machine learning, regional inflation, Региональная инфляция, случайный лес, Gradient boosting, градиентный бустинг, random forest