Kredit:Unsplash/CC0 Public Domain
Inom ekonometri och statistik avslöjas ett strukturellt brott när en plötslig förändring sker i hur ett företag eller en marknad fungerar. Att ignorera dessa avbrott leder till prognosfel.
Ny forskning av Shahnaz Parsaeian, biträdande professor i ekonomi vid University of Kansas, tar upp hur man gör en optimal prognos (i betydelsen medelkvadratförutsägelsefel) i närvaro av möjliga strukturella brott.
Hennes artikel, med titeln "Optimal Forecast under Structural Breaks", utvecklar en kombinerad estimator för att prognostisera out-of-samp under strukturella avbrott genom att föreslå en ny uppskattningsmetod som utnyttjar provinformationen före avbrottet. Det visas i Journal of Applied Econometrics.
"Vi har sett många exempel på raster under det senaste decenniet," sa Parsaeian.
"Till exempel är oljeprischocken ett exempel på ett strukturellt brott som påverkar landets utåtriktade tillväxt. Eller närhelst vi har en förändring i skattepolitiken påverkar det företagens investeringsbeslut. Till och med covid-19-chocken som inträffar 2020 förändrades dramatiskt hur marknaden fungerar."
Parsaeian, skriven tillsammans med Tae-Hwy Lee och Aman Ullah, båda med University of California, Riverside, avslöjar en ny kombinerad estimator som använder full-sample estimatorn (dvs. både före- och post-break-data) och en som endast använder en uppgifterna efter avbrottet. Helprovsuppskattaren är inkonsekvent men effektiv när det finns ett avbrott, och skattaren efter avbrottet är konsekvent men ineffektiv. Beroende på hur allvarliga avbrotten är, kan därför uppskattningarna av det fullständiga urvalet och efter avbrottet kombineras för att balansera konsistensen och effektiviteten.
"En vanlig lösning som utövare använder när de gör prognoser under strukturella avbrott - med tanke på att avbrottet redan har skett - är att bara titta på observationerna efter den senaste brytpunkten", sa hon.
"Låt oss säga att det senaste avbrottet är covid 2020. Man kan titta på observationerna efter denna brytpunkt, använda dessa observationer för att uppskatta modellen och sedan använda det för att prognostisera. Men det finns ett problem med den här metoden eftersom om det finns en fall som covid att vi bara har ett fåtal observationer efter den senaste brytpunkten, så är uppskattningsosäkerheten hög på grund av ett relativt litet antal observationer i provet efter brytningen, och det påverkar direkt prognosens prestanda. Och sedan Frågan är:Varför ska vi ignorera hela observationsdatauppsättningen som vi har före brytpunkten?"
Parsaeians tillvägagångssätt utnyttjar provobservationerna före pausen. Hennes forskning visar teoretiskt och numeriskt hur denna metod överträffar fallet som förlitar sig på prognosen med observationerna efter den senaste brytpunkten.
"Det kostar inget att använda den här nya kombinerade skattaren. Den resulterar alltid i en mycket bättre prognos. Eller i värsta fall presterar den lika med skattaren efter avbrottet, den som bara förlitar sig på den senaste observationer", sa hon.
Parsaeian är infödd i Iran och studerade datorteknik medan han studerade på college. Men även när hon studerade ekonomi på forskarskolan var hon fortfarande "besatt av datorkodning" och fortsätter att tillämpa dessa tekniker i sin forskning.
"Under mina ekonometristudier blev jag bekant med idén om modellmedelvärde att vi kan kombinera olika tillvägagångssätt. Då kom idén till mig:"Varför inte tillämpa dessa modellmedelvärdestekniker på de strukturella brytningsmodellerna och se om vi kan förbättra prognosen?'" sa Parsaeian, som kom till KU för två år sedan och nyligen utnämndes till medlem av George Washington Universitys H. O. Stekler Research Program on Forecasting.
"Vi måste alltid testa för en paus, och beroende på resultatet av det, använd lämplig estimator," sa Parsaeian. "Annars kommer prognosen inte att vara korrekt eftersom ignorering av avbrott resulterar i prognosfel." + Utforska vidare
