Crédit :domaine public Unsplash/CC0
En économétrie et en statistique, une rupture structurelle se révèle lorsqu'un changement soudain se produit dans le fonctionnement d'une entreprise ou d'un marché. Ignorer ces ruptures conduit à l'échec des prévisions.
Une nouvelle recherche de Shahnaz Parsaeian, professeur adjoint d'économie à l'Université du Kansas, explique comment faire une prévision optimale (au sens de l'erreur de prédiction quadratique moyenne) en présence d'éventuelles ruptures structurelles.
Son article, intitulé "Optimal Forecast under Structural Breaks", développe un estimateur combiné pour prévoir hors échantillon sous des ruptures structurelles en proposant une nouvelle méthode d'estimation qui exploite les informations de l'échantillon avant rupture. Il apparaît dans le Journal of Applied Econometrics.
"Nous avons vu de nombreux exemples de pauses au cours de la dernière décennie", a déclaré Parsaeian.
"Par exemple, le choc des prix du pétrole est un exemple de rupture structurelle qui affecte la croissance extérieure du pays. Ou chaque fois que nous modifions la politique fiscale, cela affecte les décisions d'investissement des entreprises. Même le choc du COVID-19 en 2020 a radicalement changé la façon dont le marché fonctionne."
Co-écrit avec Tae-Hwy Lee et Aman Ullah, tous deux de l'Université de Californie à Riverside, Parsaeian divulgue un nouvel estimateur combiné utilisant l'estimateur d'échantillon complet (c'est-à-dire les données avant et après la rupture) et un utilisant uniquement les données post-rupture. L'estimateur en échantillon complet est incohérent mais efficace lorsqu'il y a une rupture, et l'estimateur post-rupture est cohérent mais inefficace. Par conséquent, en fonction de la gravité des ruptures, les estimateurs d'échantillon complet et post-rupture peuvent être combinés pour équilibrer la cohérence et l'efficacité.
"Une solution courante que les praticiens utilisent lorsqu'ils font des prévisions sous des ruptures structurelles, étant donné que la rupture s'est déjà produite, consiste à simplement regarder les observations après le point de rupture le plus récent", a-t-elle déclaré.
"Disons que la rupture la plus récente est COVID en 2020. On peut regarder les observations après ce point de rupture, utiliser ces observations pour estimer le modèle, puis les utiliser pour prévoir. Mais il y a un problème avec cette méthode car s'il y a un cas comme COVID que nous n'avons que quelques observations après le point de rupture le plus récent, alors l'incertitude de l'estimation est élevée en raison d'un nombre relativement faible d'observations dans l'échantillon post-rupture, et cela affecte directement les performances de la prévision. la question est :pourquoi devrions-nous ignorer l'ensemble des données d'observation que nous avons avant le point d'arrêt ?"
L'approche de Parsaeian exploite les observations de l'échantillon avant la rupture. Ses recherches montrent théoriquement et numériquement comment cette méthode surpasse le cas qui repose sur la prévision avec les observations après le point de rupture le plus récent.
"Il n'y a aucun coût à utiliser ce nouvel estimateur combiné. Il se traduit toujours par une bien meilleure prévision. Ou dans le pire des cas, il fonctionne comme égal à l'estimateur post-rupture, celui qui ne repose que sur le plus récent. observations », a-t-elle déclaré.
Originaire d'Iran, Parsaeian s'est spécialisé en génie informatique à l'université. Mais même lorsqu'elle a poursuivi des études supérieures en économie, elle était toujours "obsédée par le codage informatique" et continue d'appliquer ces techniques dans ses recherches.
"Au cours de mes études d'économétrie, je me suis familiarisé avec l'idée de la moyenne des modèles que nous pouvons combiner différentes approches. Puis l'idée m'est venue, "Pourquoi ne pas appliquer ces techniques de moyenne des modèles aux modèles de rupture structurelle et voir si nous pouvons améliorer les prévisions ? ", a déclaré Parsaeian, qui est arrivé à KU il y a deux ans et a récemment été nommé membre du programme de recherche H. O. Stekler sur les prévisions de l'Université George Washington.
"Nous devons toujours tester une pause et, en fonction du résultat, utiliser l'estimateur approprié", a déclaré Parsaeian. "Sinon, les prévisions ne seront pas exactes car ignorer les ruptures entraîne un échec des prévisions." Les déchets spatiaux se décomposent-ils naturellement ? (vidéo)