Este documento se centra en explicar los cambios a lo largo del tiempo en datos temporales anuales de origen global con el objetivo específico de identificar características en modelos de caja negra que contribuyen a estos desplazamientos temporales. Aprovechar explicaciones locales, una parte del aprendizaje automático explicativo (XAI), puede proporcionar explicaciones detrás del crecimiento o declive de un país después de tomar decisiones económicas o sociales. Empleamos un modelo explicativo local y agnóstico de modelo (LIME) para arrojar luz sobre índices de felicidad nacional, libertad económica y métricas de población, abarcando marcos temporales variables. Reconociendo la presencia de valores faltantes, empleamos tres enfoques de imputación para generar conjuntos de datos temporales multivariables robustos adecuados para los requisitos de entrada de LIME. La eficacia de nuestra metodología se sustenta a través de una serie de evaluaciones empíricas que involucran múltiples conjuntos de datos. Estas evaluaciones incluyen análisis comparativos contra selección aleatoria de características, correlación con eventos del mundo real explicados mediante LIME y validación a través de gráficos de Expectativa Condicional Individual (ICE), una técnica de vanguardia competente en la detección de la importancia de las características.