Personalizing the Austrian inflation rate

Abstract

Neben dem Wirtschaftswachstum und der Arbeitslosenrate ist die Inflation eine der zentralen ökonomischen Kenngrößen einer jeden Volkswirtschaft. Diese Arbeit geht davon aus, dass Konsumenten eine verzerrte Wahrnehmung von Inflation haben, insbesondere da die individuellen Verbrauchsgewohnheiten nicht mit dem nationalen Durchschnitt vergleichbar sind. Daher wird die Inflation mit einem gewissen Argwohn betrachtet, was dazu führen kann, dass das Vertrauen in offizielle Statistiken abnimmt. Statistikämter versuchen dem entgegenzutreten, indem sie persönliche Inflationsrechner zur Verfügung stellen, mit dem der einzelne Bürger seine eigene Inflationsrate gemäß seiner individuellen Verbrauchsstruktur berechnen kann. Dies setzt aber voraus, dass letztere auch bekannt ist. Dies Arbeit geht hingegen von der Hypothese des uninformierten Nutzers aus, welche besagt, dass die meisten Bürger kein klares Bild davon haben, wie sie ihr zur Verfügung stehendes Einkommen ausgeben. Der Schwerpunkt dieser Arbeit liegt darauf, ein Modell auf Basis dieser Hypothese zu erstellen sowie Rahmenbedingungen und Anforderungen derart vorzugeben, um dieses Problem des unwissenden Nutzers zu umgehen. So ist es nicht mehr notwendig, dass uninformierte Nutzer Konsumdaten zur Berechnung der persönlichen Inflationsrate angeben müssen. Stattdessen wird ein Modell erstellt, das die Methoden des maschinellen Lernens verwendet. Anschließend wird dieses Modell dafür genützt, um Fragen das Konsummuster der einzelnen Person betreffend so zu stellen, dass die Eingabefehler der Nutzer verringert werden. Für die Schätzung des Modells werden multivariate Entscheidungsbaum-Regression verwendet. Darüber hinaus entwickelt diese Arbeit ein Tool zur Visualisierung und Analyse von Inflationsstatistiken, das es den Anwendern erlaubt, die Daten besser interpretieren zu können. Die Ergebnisse dieser Arbeit zeigen, wie ein robustes Basismodell erstellt wird, dem allerdings ein Vergleichsmaßstab noch fehlt, um die Validität der Annahmen, die für seine Herstellung verwendet wurden, zu überprüfen. Dennoch dient es als Motivation für die Verbesserung des Modells sowie für die Verwendung für Bildungs- und Forschungszwecke.

Inflation is one of the most prominent key economic indicators. It is present in daily lives of every citizen in the form of change of prices of items or services which they purchase. This work argues that the problem is that citizens often misinterpret the relationship between inflation and their consumption because they usually have a distorted image on price dynamics of items consumed, as well as their share in the personal consumption basket. These arguments lead to an overall distrust of inflation as a measure, and subsequently, in the national statistics offices that produce it. Statistics offices tackled the problem by creating personal inflation calculators that require citizens to input their exact consumption pattern. This thesis defines and builds on the uninformed user hypothesis, which argues that most citizens do not have a real image of how they are spending their disposable income. The central focus of this work is to define a model that takes this hypothesis and creates a set of constraints and requirements to bypass the problem of people not knowing their consumption patterns. The approach of requiring the uninformed users to input their accurate consumption data is replaced by constructing a model using machine learning methods. This model is then used to build a survey which aims at decreasing question complexity, thus reducing user input error, outputting a consumption pattern scheme which is then used to calculate a personal inflation rate. This will be achieved by building a model using Multivariate decision tree regression. In the end, this could be a way to recoup lost mistrust in official price statistics. Furthermore, this thesis uses the power of data visualization to provide an interpretive framework to both citizens and researchers. The results of this work show how a robust baseline model is established, which, however, lacks a comparative benchmark to determine the validity of assumptions on which it is built. Nonetheless, it serves as a motivation to both improve the model and use it for educative and research purposes.