En econometría y estadística, una ruptura estructural se revela cuando ocurre un cambio repentino en la forma en que funciona un negocio o mercado. Ignorar estos descansos conduce al fracaso del pronóstico.

Una nueva investigación de Shahnaz Parsaeian, profesora asistente de economía en la Universidad de Kansas, aborda cómo hacer un pronóstico óptimo (en el sentido de error de predicción cuadrático medio) en presencia de posibles rupturas estructurales.

Su artículo, titulado "Pronóstico óptimo bajo rupturas estructurales", desarrolla un estimador combinado para pronosticar fuera de la muestra bajo rupturas estructurales al proponer un nuevo método de estimación que explota la información de la muestra anterior a la ruptura. Aparece en el Journal of Applied Econometrics.

"Hemos visto muchos ejemplos de rupturas en la última década", dijo Parsaeian.

"Por ejemplo, el shock del precio del petróleo es un ejemplo de una ruptura estructural que afecta el crecimiento exterior del país. O cada vez que tenemos un cambio en la política fiscal, afecta las decisiones de inversión de las empresas. Incluso el impacto del COVID-19 en 2020 alteró drásticamente la forma en que funciona el mercado".

Coescrito con Tae-Hwy Lee y Aman Ullah, ambos de la Universidad de California, Riverside, Parsaeian revela un nuevo estimador combinado que utiliza el estimador de muestra completa (es decir, los datos previos y posteriores a la ruptura) y uno que usa solo los datos posteriores a la ruptura. El estimador de muestra completa es inconsistente pero eficiente cuando hay un quiebre, y el estimador posterior al quiebre es consistente pero ineficiente. Por lo tanto, según la gravedad de las rupturas, los estimadores de muestra completa y posteriores a la ruptura se pueden combinar para equilibrar la consistencia y la eficiencia.

"Una solución común que usan los profesionales cuando hacen pronósticos bajo rupturas estructurales, dado que la ruptura ya ocurrió, es mirar las observaciones después del punto de ruptura más reciente", dijo.

"Digamos que el quiebre más reciente es COVID en 2020. Uno puede mirar las observaciones después de este punto de quiebre, usar esas observaciones para estimar el modelo y luego usar eso para pronosticar. Pero hay un problema con este método porque si hay un En un caso como COVID, tenemos solo unas pocas observaciones después del punto de ruptura más reciente, entonces la incertidumbre de la estimación es alta debido a una cantidad relativamente pequeña de observaciones en la muestra posterior a la ruptura, y eso afecta directamente el desempeño del pronóstico. La pregunta es:¿Por qué debemos ignorar todo el conjunto de datos de observación que tenemos antes del punto de ruptura?"

El enfoque de Parsaeian explota las observaciones de la muestra antes de la rotura. Su investigación muestra teórica y numéricamente cómo este método supera el caso que se basa en el pronóstico con las observaciones posteriores al punto de ruptura más reciente.

"No hay costo en usar este nuevo estimador combinado. Siempre da como resultado un pronóstico mucho mejor. O, en el peor de los casos, funciona igual que el estimador posterior a la ruptura, el que solo se basa en el más reciente. observaciones", dijo.

Nativo de Irán, Parsaeian se especializó en ingeniería informática mientras estaba en la universidad. Pero incluso cuando se dedicó a la economía en la escuela de posgrado, todavía estaba "obsesionada con la codificación informática" y continúa aplicando estas técnicas en su investigación.

"Durante mis estudios de econometría, me familiaricé con la idea del promedio de modelos que podemos combinar diferentes enfoques. Luego se me ocurrió la idea:"¿Por qué no aplicar estas técnicas de promedio de modelos a los modelos de ruptura estructural y ver si podemos mejorar ¿el pronóstico?'", dijo Parsaeian, quien llegó a KU hace dos años y recientemente fue nombrado miembro del Programa de Investigación H. O. Stekler sobre Pronósticos de la Universidad George Washington.

"Siempre debemos probar si hay un quiebre y, dependiendo del resultado, usar el estimador apropiado", dijo Parsaeian. "De lo contrario, el pronóstico no será preciso, ya que ignorar los descansos da como resultado una falla en el pronóstico". + Explora más

¿Alguna vez la basura espacial se descompone naturalmente? (vídeo)