Credito:Unsplash/CC0 di dominio pubblico
In econometria e statistica, una rottura strutturale si rivela quando si verifica un cambiamento improvviso nel modo in cui un'impresa o un mercato funziona. Ignorare queste interruzioni porta a prevedere il fallimento.
Una nuova ricerca di Shahnaz Parsaeian, assistente professore di economia all'Università del Kansas, affronta come fare una previsione ottimale (nel senso di errore di previsione medio al quadrato) in presenza di possibili rotture strutturali.
Il suo articolo, intitolato "Previsione ottimale sotto rotture strutturali", sviluppa uno stimatore combinato per prevedere fuori campione sotto rotture strutturali proponendo un nuovo metodo di stima che sfrutta le informazioni del campione pre-interruzione. Appare nel Journal of Applied Econometrics.
"Abbiamo visto molti esempi di rotture nell'ultimo decennio", ha detto Parsaeian.
"Ad esempio, lo shock del prezzo del petrolio è un esempio di rottura strutturale che colpisce la crescita verso l'esterno del Paese. Oppure, ogni volta che abbiamo un cambiamento nella politica fiscale, influisce sulle decisioni di investimento delle imprese. Anche lo shock del COVID-19 che ha colpito nel 2020 ha cambiato drasticamente il modo in cui funziona il mercato."
Scritto in collaborazione con Tae-Hwy Lee e Aman Ullah, entrambi con l'Università della California, Riverside, Parsaeian rivela un romanzo stimatore combinato che utilizza lo stimatore dell'intero campione (cioè, sia i dati pre-break che post-break) e uno che utilizza solo i dati post-pausa. Lo stimatore del campione completo è incoerente ma efficiente quando si verifica un'interruzione e lo stimatore post-interruzione è coerente ma inefficiente. Pertanto, a seconda della gravità delle rotture, è possibile combinare gli stimatori del campione intero e post-interruzione per bilanciare la coerenza e l'efficienza.
"Una soluzione comune che i professionisti utilizzano quando fanno previsioni in caso di rotture strutturali, dato che la rottura è già avvenuta, consiste semplicemente nel guardare le osservazioni dopo il punto di rottura più recente", ha affermato.
"Diciamo che la rottura più recente è COVID nel 2020. Si possono guardare le osservazioni dopo questo punto di rottura, utilizzare quelle osservazioni per stimare il modello e quindi utilizzarlo per prevedere. Ma c'è un problema con questo metodo perché se c'è un caso come COVID che abbiamo solo poche osservazioni dopo il punto di rottura più recente, quindi l'incertezza della stima è elevata a causa di un numero relativamente piccolo di osservazioni nel campione post-interruzione e ciò influisce direttamente sull'andamento della previsione. la domanda è:perché dovremmo ignorare l'intero set di dati di osservazione che abbiamo prima del punto di interruzione?"
L'approccio di Parsaeian sfrutta le osservazioni del campione prima della rottura. La sua ricerca mostra teoricamente e numericamente come questo metodo superi il caso che si basa sulla previsione con le osservazioni dopo il punto di rottura più recente.
"L'utilizzo di questo nuovo stimatore combinato non comporta alcun costo. Si traduce sempre in una previsione molto migliore. Oppure, nel peggiore dei casi, si comporta allo stesso modo dello stimatore post-break, quello che si basa solo sul più recente osservazioni", ha detto.
Nato in Iran, Parsaeian si è laureato in ingegneria informatica mentre era al college. Ma anche quando ha studiato economia alla scuola di specializzazione, era ancora "ossessionata dalla programmazione informatica" e continua ad applicare queste tecniche nella sua ricerca.
"Durante i miei studi di econometria, ho acquisito familiarità con l'idea della media dei modelli che possiamo combinare approcci diversi. Poi mi è venuta in mente l'idea:"Perché non applicare queste tecniche di media dei modelli ai modelli di rottura strutturale e vedere se possiamo migliorare la previsione?'", ha detto Parsaeian, che è arrivato in KU due anni fa ed è stato recentemente nominato membro del programma di ricerca H. O. Stekler sulla previsione della George Washington University.
"Dobbiamo sempre fare un test per una pausa e, a seconda del risultato, utilizzare lo stimatore appropriato", ha detto Parsaeian. "Altrimenti, la previsione non sarà accurata poiché ignorare le interruzioni comporta un errore di previsione". + Esplora ulteriormente
