Using Ordinal Partition Transition Networks to Analyze the Consumer Price Index

• Autores: Juan Riofrío, Saba Infante
• Localización: Revista Politécnica, ISSN-e 2477-8990, Vol. 57, Nº. 1, 2026 (Ejemplar dedicado a: Revista Politécnica), págs. 109-122
• Idioma: inglés
• DOI: 10.33333/rp.vol57n1.09
• Títulos paralelos:
  • Uso de Redes de Transición de Partición Ordinal para Analizar el Índice de Precios al Consumidor
• Enlaces
  • Texto completo
• Resumen
  • español

    El Índice de Precios al Consumidor (IPC) es un indicador económico clave; sin embargo, los métodos tradicionales de pronóstico a menudo tienen dificultades para capturar su comportamiento complejo y no lineal. Este trabajo aplica Redes de Transición de Partición Ordinal (OPTN) al IPC de Ecuador desde enero de 2001 hasta diciembre de 2024. Al convertir los datos del IPC en cadenas de Markov mediante particiones ordinales, construimos matrices de transición que revelan la dinámica subyacente y utilizamos la Entropía de Permutación Ordinal, la Entropía de Transición Ordinal y la Divergencia de Kullback-Leibler para medir la complejidad y detectar valores atípicos. Reducimos la brecha en el análisis de series de tiempo económicas al integrar métricas de complejidad de  alto nivel y alineamiento específico de secuencia dentro de un único marco basado en redes. Al examinar sistemáticamente 480 configuraciones de modelo, encontramos que las dimensiones de incrustación más pequeñas producen pronósticos del IPC más precisos con altos valores de entropía y divergencia moderada, mientras que las dimensiones más altas muestran una mayor sensibilidad a eventos fuera de distribución. De este modo, las OPTN capturan la estructura predictiva y resaltan comportamientos raros, brindando a los responsables de las políticas y a los analistas una herramienta sólida para descubrir patrones económicoscomplejos y guiar decisiones basadas en datos.

  • English

    The Consumer Price Index (CPI) is a key economic indicator, yet traditional forecasting methods often struggle to capture its nonlinear, complex behavior. This paper applies Ordinal Partition Transition Networks (OPTNs) to Ecuador’s CPI from January 2001 to December 2024. By converting the CPI data into Markov chains through ordinal partitions, we construct transition matrices that reveal underlying dynamics and use Ordinal Permutation Entropy, Ordinal Transition Entropy, and Kullback–Leibler Divergence to measure complexity and detect outliers. We bridge a gap in economic time series analysis by integrating high-level complexity metrics and sequence-specific alignment within a single network-based framework. In systematically examining 480 model configurations, we find that smaller embedding dimensions yield more accurate CPI forecasts with high entropy values and moderate divergence, whereas higher dimensions exhibit stronger sensitivity to out-of-distribution events. Thus, OPTNs capture predictive structure and highlight rare behaviors, providing policymakers and analysts with a robust tool for uncovering intricate economic patterns and guiding data-driven decisions.