Em econometria e estatística, uma ruptura estrutural é revelada quando ocorre uma mudança repentina na forma como um negócio ou mercado funciona. Ignorar essas quebras leva ao fracasso da previsão.
Nova pesquisa de Shahnaz Parsaeian, professor assistente de economia da Universidade do Kansas, aborda como fazer uma previsão ideal (no sentido de erro de previsão quadrático médio) na presença de possíveis quebras estruturais.

Seu artigo, intitulado "Previsão ideal sob quebras estruturais", desenvolve um estimador combinado para prever fora da amostra sob quebras estruturais, propondo um novo método de estimativa que explora as informações da amostra pré-quebra. Ele aparece no Journal of Applied Econometrics.

"Vimos muitos exemplos de quebras na última década", disse Parsaeian.

"Por exemplo, o choque do preço do petróleo é um exemplo de ruptura estrutural que afeta o crescimento externo do país. Ou sempre que temos uma mudança na política tributária, isso afeta as decisões de investimento das empresas. a forma como o mercado está funcionando."

Co-escrito com Tae-Hwy Lee e Aman Ullah, ambos da Universidade da Califórnia, Riverside, Parsaeian divulga um novo estimador combinado usando o estimador de amostra completa (ou seja, os dados pré e pós-intervalo) e um usando apenas os dados pós-interrupção. O estimador de amostra completa é inconsistente, mas eficiente quando há uma quebra, e o estimador pós-quebra é consistente, mas ineficiente. Portanto, dependendo da gravidade das quebras, os estimadores de amostra completa e pós-quebra podem ser combinados para equilibrar a consistência e a eficiência.

"Uma solução comum que os profissionais usam ao fazer previsões sob quebras estruturais - dado que a quebra já aconteceu - é apenas observar as observações após o ponto de quebra mais recente", disse ela.

"Digamos que o intervalo mais recente seja o COVID em 2020. Pode-se observar as observações após esse ponto de interrupção, usar essas observações para estimar o modelo e usá-las para prever. Mas há um problema com esse método porque se houver um caso como COVID que temos apenas algumas observações após o ponto de quebra mais recente, então a incerteza da estimativa é alta devido a um número relativamente pequeno de observações na amostra pós-quebra, e isso afeta diretamente o desempenho da previsão. pergunta é:por que devemos ignorar todo o conjunto de dados de observação que temos antes do ponto de interrupção?"

A abordagem do Parsaeian explora as observações de amostra pré-intervalo. Sua pesquisa teórica e numericamente mostra como esse método supera o caso que se baseia na previsão com as observações após o ponto de ruptura mais recente.

"Não há custo em usar este novo estimador combinado. Sempre resulta em uma previsão muito melhor. Ou, na pior das hipóteses, ele tem um desempenho igual ao estimador pós-quebra, aquele que depende apenas do mais recente observações", disse ela.

Um nativo do Irã, Parsaeian se formou em engenharia da computação enquanto estava na faculdade. Mas mesmo quando ela estudou economia na pós-graduação, ela ainda estava "obcecada com codificação de computador" e continua a aplicar essas técnicas em sua pesquisa.

"Durante meus estudos de econometria, me familiarizei com a ideia de média de modelo que podemos combinar diferentes abordagens. Então me veio a ideia:"Por que não aplicar essas técnicas de média de modelo aos modelos de quebra estrutural e ver se podemos melhorar a previsão?'", disse Parsaeian, que veio para KU há dois anos e foi recentemente nomeado membro do Programa de Pesquisa H. O. Stekler sobre Previsão da Universidade George Washington.

"Sempre precisamos testar uma pausa e, dependendo do resultado, usar o estimador apropriado", disse Parsaeian. "Caso contrário, a previsão não será precisa, pois ignorar as quebras resulta em falha na previsão." + Explorar mais

O lixo espacial se decompõe naturalmente? (vídeo)