Dancing with uncertainty: a cybernetic exploration of inflation dynamics in Norway

Abstract

Effektiv makroøkonomisk politikk er avhengig av gode prognoser, spesielt for inflasjon, som har stor innvirkning på samfunnets velstand. Tradisjonelle økonometriske modeller sliter imidlertid med å fange opp den kompliserte dynamikken i moderne økonomier. Denne masteroppgaven tar i bruk andreordens kybernetikk, et trans- og metadisiplinært rammeverk, for å utforske hvordan alternative tilnærminger kan berike verktøykassen for makroøkonomisk modellering. Vi undersøker potensielle svakheter ved økonometri og foreslår bruk av flere konkurrerende modeller. Avhandlingen tar for seg tre ulike rammeverk: vektor feilkorreksjonsmodeller (VECMs) for å representere tradisjonell økonometri, støttevektorregresjoner (SVRs) for enkel maskinlæring, og Bayesianske nettverk (BNs) for avansert maskinlæring. Hvert rammeverk benyttes i kombinasjon med ulike teknikker for datapreprossesering, variabelseleksjon og variabeltransformasjon, for å undersøke effekten dette har på prognoseegenskapene. Ved å sammenligne og evaluere modellrammeverkene, vurderer vi hvorvidt de egner seg til å modellere den dynamiske, komplekse og adaptive atferden til den norske økonomien. Resultatene våre viser at maskinlæringsmodeller kan oppnå minst like gode prestasjoner i både prognoser og historisk føyning sammenlignet med tradisjonelle metoder. Dette tyder på at inflasjonsmodellering i Norge kan dra fordel av en bredere og mer allsidig verktøykasse.

Effective macroeconomic policy hinges on accurate forecasts, particularly for inflation, which significantly impacts societal well-being. However, traditional econometric models often struggle to capture the intricate dynamics of modern economies. This thesis leverages second-order cybernetics, a trans- and metadisciplinary framework, to explore how alternative approaches can enrich the macroeconomic modelling toolbox. We investigate the limitations of econometrics and propose a multi-pronged approach. We employ three contrasting frameworks: vector error correction models (VECMs) representing traditional econometrics, support vector regressions (SVRs) for basic machine learning, and Bayesian networks (BNs) for advanced machine learning. Each framework is paired with data preprocessing, feature selection, and feature engineering techniques to assess their effect on forecasting performance. By comparatively evaluating these frameworks, we assess their suitability for modelling the dynamical, complex, and adaptive nature of the Norwegian economy. Our results demonstrate that machine learning models can achieve comparable or superior performance in forecasting and historical fit compared to traditional methods. This suggests that a broader and more flexible modelling toolkit, encompassing these alternative approaches, has the potential to significantly improve inflation forecasting in Norway.