In de econometrie en statistiek komt een structurele breuk aan het licht wanneer zich een plotselinge verandering voordoet in het functioneren van een bedrijf of markt. Het negeren van deze onderbrekingen leidt tot het mislukken van de prognose.

Nieuw onderzoek van Shahnaz Parsaeian, assistent-professor economie aan de Universiteit van Kansas, richt zich op hoe je een optimale voorspelling kunt maken (in de zin van een gemiddelde kwadratische voorspellingsfout) in aanwezigheid van mogelijke structurele breuken.

Haar artikel, getiteld "Optimal Forecast under Structural Breaks", ontwikkelt een gecombineerde schatter om out-of-sample onder structurele breuken te voorspellen door een nieuwe schattingsmethode voor te stellen die gebruik maakt van de pre-break steekproefinformatie. Het verschijnt in het Journal of Applied Econometrics.

"We hebben de afgelopen tien jaar veel voorbeelden van onderbrekingen gezien", zei Parsaeian.

"De olieprijsschok is bijvoorbeeld een voorbeeld van een structurele breuk die de uiterlijke groei van het land beïnvloedt. Of wanneer we een verandering in het belastingbeleid hebben, heeft dit gevolgen voor de investeringsbeslissingen van bedrijven. Zelfs de COVID-19-schok in 2020 veranderde drastisch de manier waarop de markt functioneert."

Samen geschreven met Tae-Hwy Lee en Aman Ullah, beide met University of California, Riverside, onthult Parsaeian een nieuwe gecombineerde schatter die gebruik maakt van de volledige-steekproefschatter (d.w.z. zowel de pre-break als post-break data) en een die alleen de gegevens na de pauze. De schatter met volledige steekproef is inconsistent maar efficiënt wanneer er een onderbreking is, en de schatter na de onderbreking is consistent maar inefficiënt. Daarom kunnen, afhankelijk van de ernst van de onderbrekingen, de schattingen voor het volledige monster en na de onderbreking worden gecombineerd om de consistentie en efficiëntie in evenwicht te brengen.

"Een veelgebruikte oplossing die beoefenaars gebruiken bij het doen van voorspellingen onder structurele breuken - aangezien de breuk al heeft plaatsgevonden - is om gewoon te kijken naar de waarnemingen na het meest recente breekpunt," zei ze.

"Laten we zeggen dat de meest recente breuk COVID in 2020 is. Men kan kijken naar de waarnemingen na dit breekpunt, die waarnemingen gebruiken om het model te schatten en dat vervolgens gebruiken om te voorspellen. Maar er is een probleem met deze methode, want als er een geval zoals COVID dat we slechts een paar waarnemingen hebben na het meest recente breekpunt, dan is de schattingsonzekerheid hoog vanwege een relatief klein aantal waarnemingen in de post-break-steekproef, en dat heeft direct invloed op de prestaties van de voorspelling. vraag is:waarom zouden we de hele verzameling waarnemingsgegevens negeren die we hebben vóór het breekpunt?"

De benadering van Parsaeian maakt gebruik van de pre-break steekproefwaarnemingen. Haar onderzoek laat theoretisch en numeriek zien hoe deze methode beter presteert dan de casus die berust op de voorspelling met de waarnemingen na het meest recente breekpunt.

"Er zijn geen kosten verbonden aan het gebruik van deze nieuwe gecombineerde schatter. Het resulteert altijd in een veel betere voorspelling. Of in het ergste geval presteert het even goed als de post-break schatter, degene die alleen vertrouwt op de meest recente observaties," zei ze.

Parsaeian, geboren in Iran, studeerde computertechnologie terwijl hij op de universiteit zat. Maar zelfs toen ze economie studeerde aan de graduate school, was ze nog steeds 'geobsedeerd door computercodering' en blijft ze deze technieken toepassen in haar onderzoek.

"Tijdens mijn econometrische studies raakte ik bekend met het idee van modelmiddeling, zodat we verschillende benaderingen kunnen combineren. Toen kwam het idee in me op:"Waarom zou ik deze modelmiddelingstechnieken niet toepassen op de structurele breukmodellen en kijken of we dit kunnen verbeteren? de voorspelling?'" zei Parsaeian, die twee jaar geleden naar de KU kwam en onlangs werd benoemd tot lid van het H.O. Stekler Research Program on Forecasting van de George Washington University.

"We moeten altijd testen op een pauze en, afhankelijk van het resultaat daarvan, de juiste schatter gebruiken", zei Parsaeian. "Anders zal de voorspelling niet nauwkeurig zijn, omdat het negeren van pauzes resulteert in het mislukken van de voorspelling." + Verder verkennen

Gaat ruimteafval ooit op natuurlijke wijze kapot? (video)