Ny estimeringsmetode opnår optimale prognoser, når markedet oplever strukturelle brud

I økonometri og statistik afsløres et strukturelt brud, når der sker en pludselig ændring i den måde, en virksomhed eller et marked fungerer på. At ignorere disse pauser fører til prognosefejl.

Ny forskning udført af Shahnaz Parsaeian, assisterende professor i økonomi ved University of Kansas, omhandler, hvordan man laver en optimal prognose (i betydningen middelkvadrat forudsigelsesfejl) i nærvær af mulige strukturelle brud.

Hendes artikel, med titlen "Optimal Forecast under Structural Breaks", udvikler en kombineret estimator til at forudsige out-of-sample under strukturelle brud ved at foreslå en ny estimeringsmetode, der udnytter prøveinformationen før pausen. Det vises i Journal of Applied Econometrics.

"Vi har set mange eksempler på pauser i det sidste årti," sagde Parsaeian.

"For eksempel er olieprischokket et eksempel på et strukturelt brud, der påvirker landets udadgående vækst. Eller når vi har en ændring i skattepolitikken, påvirker det virksomhedernes investeringsbeslutninger. Selv COVID-19-chokket rammer i 2020 dramatisk ændret den måde, markedet fungerer på."

Parsaeian er skrevet sammen med Tae-Hwy Lee og Aman Ullah, begge med University of California, Riverside, og afslører en ny kombineret estimator, der bruger fuld-sample-estimatoren (dvs. både før- og post-break-data) og en, der kun bruger data efter pausen. Fuldprøveestimatoren er inkonsekvent, men effektiv, når der er en pause, og post-break-estimatoren er konsistent, men ineffektiv. Afhængigt af bruddenes sværhedsgrad kan estimatorerne for fuld prøve og efter brud derfor kombineres for at balancere konsistensen og effektiviteten.

"En almindelig løsning, praktikere bruger, når de laver prognoser under strukturelle pauser - i betragtning af at bruddet allerede er sket - er bare at se på observationerne efter det seneste brudpunkt," sagde hun.

"Lad os sige, at den seneste pause er COVID i 2020. Man kan se på observationerne efter dette brudpunkt, bruge disse observationer til at estimere modellen og derefter bruge det til at forudsige. Men der er et problem med denne metode, fordi hvis der er en tilfælde som COVID, at vi kun har få observationer efter det seneste breakpoint, så er estimeringsusikkerheden høj på grund af et relativt lille antal observationer i post-break stikprøven, og det påvirker direkte prognosens ydeevne. Spørgsmålet er:Hvorfor skal vi ignorere hele observationsdatasættet, som vi har før brudpunktet?"

Parsaeians tilgang udnytter prøveobservationerne før pausen. Hendes forskning viser teoretisk og numerisk, hvordan denne metode udkonkurrerer casen, som er baseret på prognosen med observationerne efter det seneste brudpunkt.

"Der er ingen omkostninger ved at bruge denne nye kombinerede estimator. Det resulterer altid i en meget bedre prognose. Eller i værste fald fungerer den som lig med post-break estimatoren, den der kun er afhængig af den seneste observationer," sagde hun.

Parsaeian er indfødt i Iran og tog hovedfag i computerteknik, mens han gik på college. Men selv da hun forfulgte økonomi på kandidatskolen, var hun stadig "besat af computerkodning" og fortsætter med at anvende disse teknikker i sin forskning.

"I løbet af mine økonometristudier blev jeg bekendt med ideen om modelgennemsnit, at vi kan kombinere forskellige tilgange. Så kom ideen til mig, "Hvorfor ikke anvende disse model-gennemsnitsteknikker på de strukturelle brudmodeller og se, om vi kan forbedre os prognosen?'" sagde Parsaeian, der kom til KU for to år siden og for nylig blev udnævnt til medlem af George Washington Universitys H. O. Stekler Research Program on Forecasting.

"Vi er altid nødt til at teste for en pause, og afhængigt af resultatet af det, brug den passende estimator," sagde Parsaeian. "Ellers vil prognosen ikke være nøjagtig, da ignorering af pauser resulterer i prognosefejl." + Udforsk yderligere

Nedbryder rumaffald nogensinde naturligt? (video)