En las últimas semanas hemos hablado mucho de inflación en diferentes países de América Latina. De hecho, hemos hablado mucho de inflación en los últimos años. Discutimos, mostramos visiones diferentes, coincidimos, pero nuestras conclusiones siempre se basan en la estimación del Índice de Precios al Consumidor (IPC), que funciona como proxy de la inflación. Metodológicamente sin cuestionamientos, ya que es una técnica que ha sido generalmente aceptada desde hace muchísimos años. Quizá lo más importante para concederle el “sin cuestionamientos” es que hace décadas que se usa la misma forma de estimar este proxy de la inflación.

¿Realmente estamos midiendo inflación cuando estimamos el IPC? ¿Concluir en términos absolutos sobre inflación a través de estimar un proxy de ese dato es correcto en el siglo XXI?

De hecho, en un artículo publicado el 16 de marzo de 2016 en el Financial Times, denominado “Economic statistics have not kept pace with our needs or new sources of data”, John Kay menciona básicamente que no podemos seguir midiendo los mismos indicadores que hace 50 años, para poder tomar decisiones sobre la economía actual, considerando la velocidad, el volumen y variedad que tiene la data hoy (determinantes del concepto de big data).

Un video de Bloomberg Business denominado How big data can change the way we measure inflation explica sucintamente cómo los centros de estadísticas de cada país puede utilizar el big data para medir la inflación. Y cómo deberían cambiar sus capacidades enfocados en aprovechar el analytics del big data.

PUBLICIDAD

¿Cómo se lograr medir la variación real de precios de toda la economía?, ¿es extrapolable a otras variables macroeconómicas?

Básicamente, las aplicaciones de big data al campo de la economía son cada vez más abundantes, aunque el despliegue de esta metodología en la economía sea reciente. Cada vez es más común encontrar metodologías que hacen estimaciones en tiempo real de la evolución de los precios o el gasto de los consumidores. El Billion Prices Project del MIT utiliza millones de precios de tiendas en internet en decenas de países para obtener un índice de precios online que se actualiza en tiempo real.

A fin de determinar los cambios en precios de los productos en el tiempo, esta tecnología utiliza la estabilidad o cambio de los componentes entre “tags” del lenguaje HTML usado para construir las páginas web.

Con el uso de estos principios, un programa puede identificar la información relevante sobre un producto y su precio. El URL de la página donde están indexados estos productos puede servir para clasificar los productos por categorías. Por ejemplo, Cavallo (2012) utiliza cientos de miles de precios de productos en internet para comparar la evolución de la inflación oficial y la obtenida a partir de capturas de información sobre precios de tiendas online.

Cavallo (2012) muestra que mientras en Brasil, Chile, Colombia o Venezuela la evolución de la inflación oficial y la obtenida a partir de los precios online sigue patrones similares, en Argentina las diferencias son muy significativas. En media la inflación en Argentina entre 2007 y 2011 definida por el índice de precios online fue de 20.14% frente a la inflación oficial, que era de tan sólo 8.38%. Esto implica una diferencia acumulada de 65% en marzo de 2011.

Choi y Varian (2012) utilizan Google Trends para mejorar la capacidad predictiva de modelos sobre indicadores económicos obtenidos con muy alta frecuencia. La idea consiste en complementar la información del pasado de una serie con las búsquedas presentes en algunas categorías. Por ejemplo, el Departamento de Trabajo de Estados Unidos anuncia cada jueves el número de personas que han solicitado subsidios por desempleo. Añadiendo a un modelo AR(1) de datos históricos la información sobre búsquedas de palabras en categorías como “jobs”, “welfare” y “unemployment” se mejora un 6% la capacidad predictiva en general, y de los cambios de ciclo en particular. Utilizando el mismo sistema para el índice de confianza del consumidor se consigue una mejora de 9.3% en la capacidad predictiva.

La utilización de la información agregada sobre tarjetas de crédito y TPV es otra fuente importante de investigación económica en la actualidad. En una serie de artículos que han resultado muy influyentes, Mian y Sufi han utilizado la información sobre tarjetas de crédito para realizar análisis económico sobre las causas de la burbuja inmobiliaria y la crisis financiera. Mian, Rao y Sufi (2013) analizan la elasticidad del consumo respecto a la riqueza inmobiliaria. El cálculo del consumo a nivel de condados se realiza utilizando las compras realizadas con tarjeta de crédito o débito intermediadas por MasterCard.

Una ventaja importante de estos datos para su estudio es que el gasto en consumo está clasificado con los códigos NAICS que proporciona cada comercio donde se realiza el gasto. Mian y Sufi (2009) utilizan todas las hipotecas individualizadas producidas entre 1990 y 2007 (disponibles para cualquier ciudadano gracias a la Home Mortgage Disclosure Act) y los datos sobre crédito e impagos entre 1991 y 2007 por tipo de crédito que proporciona Analytical Services, un proveedor de datos del grupo Equifax. Agregando por condados la información sobre deuda, impagos y créditos hipotecarios (concesión o denegación, entre otras variables), Mian y Sufi (2009) muestran que en los condados donde había mayor restricción de crédito antes de comenzar la burbuja inmobiliaria es donde más creció el crédito con el inicio de la expansión inmobiliaria y donde más crecieron los precios de la vivienda. También muestran cómo tras el comienzo de la crisis en esos mismos condados es donde cayeron más los precios y aumentaron más los impagos.

En un ejemplo muy reciente, Jiménez et al. (2014) utilizan información sobre 24 millones de créditos individuales, con emparejamientos entre bancos y empresas, para analizar el impacto de la política monetaria en la asunción de riesgo por parte de las entidades financieras.

Resumiendo: ¿En nuestros países seguiremos tomando decisiones sobre la inflación y otros indicadores macroeconómicos, a través de estimaciones de proxys? ¿Nos animaremos a utilizar big data para diseñar política económica en América Latina?

 

Contacto:

Correo: [email protected]

Twitter: @diego_vallarino

LinkedIn: diegovallarinonavarro

 

Las opiniones expresadas son sólo responsabilidad de sus autores y son completamente independientes de la postura y la línea editorial de Forbes México.

 

Siguientes artículos

petróleo
Mezcla mexicana alcanza su mejor precio en 4 meses
Por

El acuerdo de congelar su producción entre Arabia Saudita y Rusia derivó en una ganancia para los precios del petróleo a...