Evaluación de la precisión en el pronóstico de la inflación en Bolivia: random forest y árboles de decisión vs. Arima

• Autor: Jose Antonio Zurita Herrera
• Cargo: Universidad Privada del Valle
• Páginas: 52-80

52

Vol. 15, Núm. 39

DOI: https://doi.org/10.52428/20758960.v15i39.1227

Zurita Herrera

Máquinas Predictivas: Descifrando la Inación Boliviana

COMPAS EMPRESARIAL, INVESTIGACIÓN EN CIENCIAS EMPRESARIALES, FINANZAS Y ECONOMÍA

JULIO - DICIEMBRE 2024. ISSN 2075-8960

EVALUACIÓN DE LA PRECISIÓN EN EL PRONÓSTICO

DE LA INFLACIÓN EN BOLIVIA: RANDOM FOREST Y

ÁRBOLES DE DECISIÓN VS. ARIMA

EVALUATION OF FORECAST ACCURACY FOR INFLATION

IN BOLIVIA: RANDOM FOREST AND DECISION TREES

VS. ARIMA

José Antonio Zurita Herrera

Profesor Universidad Privada del Valle, Bolivia.

jzuritah@univalle.edu

Recibido: 17/11/2024 Revisado: 11/12/2024 Aceptado: 12/12/2024

Citar:ZURITA HERRERA, J. A. IF EVALUACIÓN DE LA PRECISIÓN EN EL PRONÓSTICO DE LA

INFLACIÓN EN BOLIVIA: RANDOM FOREST Y ÁRBOLES DE DECISIÓN VS. ARIMA. Revista Compás

Empresarial, 15(39). https://doi.org/10.52428/20758960.v15i39.1227

Nota: Los autores declaran no tener conicto de intereses con respecto a esta publicación y se responsabilizan

de contenido vertido.

Fuentes de nanciamiento: Esta investigación fue nanciada con fondos de los autores.

RESUMEN

Este estudio compara modelos de pronóstico del IPC en Bolivia, evaluando enfoques

tradicionales y de aprendizaje automático para la predicción de inación. Se aplicaron

modelos de Árbol de Decisión, Árbol Podado, Random Forest y ARIMA, encontrando

que los modelos de aprendizaje automático, especialmente el Árbol Podado, superan

al ARIMA en precisión, con un menor RMSE en el conjunto de testeo. Esto sugiere que

los modelos modernos capturan mejor las dinámicas complejas del IPC y representan

herramientas más robustas para la proyección de inación en economías emergentes.

El estudio recomienda explorar modelos híbridos y redes neuronales avanzadas en

futuras investigaciones para optimizar aún más los pronósticos.

Palabras clave: Pronóstico de inación, aprendizaje automático, Random Forest,

Árbol de Decisión, modelo ARIMA, Bolivia

ARTÍCULO DE REVISIÓN BIBLIOGRÁFICA

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Derechos de autor 2024, José Antonio Zurita Herrera

3

53

Vol. 15, Núm. 39

DOI: https://doi.org/10.52428/20758960.v15i39.1227

Zurita Herrera

Máquinas Predictivas: Descifrando la Inación Boliviana”

Zurita Herrera

Máquinas Predictivas: Descifrando la Inación Boliviana

COMPAS EMPRESARIAL, INVESTIGACIÓN EN CIENCIAS EMPRESARIALES, FINANZAS Y ECONOMÍA

JULIO - DICIEMBRE 2024. ISSN 2075-8960

ABSTRACT

This study compares IPC forecasting models in Bolivia, evaluating traditional and

machine learning approaches for ination prediction. Decision Tree, Pruned Tree,

Random Forest, and ARIMA models were applied, nding that machine learning models,

particularly the Pruned Tree, outperform ARIMA in accuracy, achieving a lower RMSE in

the test set. This suggests that modern models better capture the complex dynamics of

the IPC and represent more robust tools for ination projection in emerging economies.

The study recommends exploring hybrid models and advanced neural networks in

future research to further optimize forecasts.

Keywords: Ination Forecasting, Machine Learning, Random Forest, Decision Tree,

ARIMA Model, Bolivia.

INTRODUCCIÓN

En el contexto actual de Bolivia, el pronóstico de inación ha cobrado gran relevancia

debido al reciente incremento en los precios y el temor a una posible hiperinación

similar a la de los años 80. Durante esa época, el país sufrió una de las peores crisis

inacionarias de América Latina, que resultó en una pérdida signicativa del poder

adquisitivo y desconanza en las políticas públicas. Aunque el contexto económico

ha cambiado, las presiones inacionarias actuales, tanto internas como externas,

evidencian la necesidad de contar con herramientas adecuadas para anticipar y

gestionar estas variaciones en el Índice de Precios al Consumidor (IPC).

La inación es una variable compleja inuenciada por política monetaria, precios de

materias primas y condiciones internacionales, lo que diculta el uso de métodos

tradicionales como ARIMA, que tienen limitaciones para capturar relaciones no

lineales en economías complejas. Los modelos de aprendizaje automático, como el

Random Forest, superan estas limitaciones al manejar alta dimensionalidad y detectar

relaciones no lineales, adaptándose mejor a la volatilidad de factores económicos en

países emergentes.

Este estudio compara la precisión de modelos de árboles de decisión (árbol simple,

podado y Random Forest) con el modelo ARIMA para pronosticar la inación en Bolivia,

utilizando datos mensuales de variables económicas clave. La evaluación se basa en

el RMSE para determinar el modelo más preciso en este contexto. Se busca ofrecer

herramientas predictivas robustas y adaptables que apoyen la formulación de políticas

económicas y contribuyan a la estabilidad de precios y el bienestar a largo plazo en

Bolivia.