How to measure inflation volatility: a note

Este documento propone un modelo estadístico y un marco conceptual para estimar la volatilidad de la inflación suponiendo rational inattention, donde la caída del nivel de atención responde a la llegada de noticias al mercado. Estimamos la tendencia y la volatilidad condicional de la inflación en Alemania, España, la Unión Económica y Monetaria y Estados Unidos empleando datos mensuales desde enero de 2002 hasta marzo de 2022, y contrastamos si la inflación fue igual o inferior al 2 % en ese período y esas regiones. Descomponemos la volatilidad de la inflación en sus componentes de sorpresas «negativas» y «positivas», y caracterizamos los diferentes escenarios de volatilidad de inflación durante la gran crisis financiera de 2008, la crisis de deuda soberana y el período pos-COVID. Nuestra medida de volatilidad supera a una modelización GARCH(1,1) y a la desviación típica móvil de la inflación en ejercicios de previsión un período hacia delante, tanto dentro como fuera de la muestra. La metodología propuesta en este artículo es apropiada para estimar la volatilidad condicional de variables macrofinancieras. Recomendamos incluir esta medida en tareas de seguimiento y previsión de la dinámica de la inflación. ; This paper proposes a statistical model and a conceptual framework to estimate inflation volatility assuming rational inattention, where the decay in the level of attention reflects the arrival of news in the market. We estimate trend inflation and the conditional inflation volatility for Germany, Spain, the euro area and the United States using monthly data from January 2002 to March 2022 and test whether inflation was equal to or below 2% in this period in these regions. We decompose inflation volatility into positive and negative surprise components and characterise different inflation volatility scenarios during the Great Financial Crisis, the Sovereign Debt Crisis, and the post-COVID period. Our volatility measure outperforms the GARCH(1,1) model and the rolling standard deviation in one-step ahead ...