Dpto. de Estadística ,Estr.Eca.y O.E.I. Universidad de Alcalá de Henares. EVALUACIÓN DE PREDICCIONES. 1. Evaluación de una única predicción. 2. Evaluación de dos o más predicciones alternativas: comparación de la precisión. 3. Aspectos prácticos en el seguimiento de las predicciones y sus errores de predicción. Técnicas avanzadas de series temporales Dpto. de Estadística ,Estr.Eca.y O.E.I. Universidad de Alcalá de Henares. Elementos básicos de una predicción ¿Qué se necesita para predecir una variable? •Información (datos): Univariante o Multivariante •Un modelo: Univariante o Multivariante Una vez que realizamos una predicción ¿Cuál es la incertidumbre acerca de dicha predicción?¿Es óptima? ¿Cómo se compara con las de otros expertos? Evaluación de las predicciones: Differentes medidas sobre los errores de predicción. Técnicas avanzadas de series temporales 1 Dpto. de Estadística ,Estr.Eca.y O.E.I. Universidad de Alcalá de Henares. Predicciones basadas en modelos La predicción está sujeta a error. Al menos hay 3 fuentes de error: •Especificación •Innovación •Estimación de los parámetros Técnicas avanzadas de series temporales Dpto. de Estadística ,Estr.Eca.y O.E.I. Universidad de Alcalá de Henares. 1. EVALUACIÓN DE UNA PREDICCIÓN - en el contexto univariante • Las predicciones óptimas son insesgadas Si las predicciones son insesgadas, el error de predicción debe tener media cero.-> Contraste H0:E(e)=0 Hipótesis: 1. Errores de predicción: ruido blanco gaussiano-> Regresión de los errores de predicción sobre una constante y usar el estadístico t. 2. Errores de predicción son iid, pero no gaussianos-> asintóticamente el contraste sigue siendo válido. 3. Errores de predicción son MA(h-1): modelar el término de error antes de hacer el contraste. Técnicas avanzadas de series temporales 2 Dpto. de Estadística ,Estr.Eca.y O.E.I. Universidad de Alcalá de Henares. 1. EVALUACIÓN DE UNA PREDICCIÓN - en el contexto univariante • Los errores de predicción a un período son ruido blanco. Realizar correlogramas. Estadístico de Durbin-Watson. Estadístico de LjungBox-Pierce. • Los errores de predicción a h períodos son como mucho un MA(h-1). Realizar correlogramas. Estadístico de Ljung-Box-Pierce. • La varianza de los errores de predicción no decrece con h y convergen a la varianza incondicional del proceso. Varianza en función de h. ¿Se observa algún patrón? Técnicas avanzadas de series temporales Dpto. de Estadística ,Estr.Eca.y O.E.I. Universidad de Alcalá de Henares. 1. EVALUACIÓN DE UNA PREDICCIÓN - optimalidad con respecto al conjunto de información Las predicciones óptimas producen errores de predicción que deben ser “impredecibles” dado el conjunto de información que se tiene. Si se ha utilizado información de las variables x, entonces e t + h ,t = α 0 + k −1 ∑ i =1 α i x it + u t Se contrasta la hipótesis de que todos los coeficientes son 0. Técnicas avanzadas de series temporales 3 Dpto. de Estadística ,Estr.Eca.y O.E.I. Universidad de Alcalá de Henares. 2. EVALUACIÓN DE DOS O MÁS PREDICCIONES ALTERNATIVAS: COMPARACIÓN DE LA PRECISIÓN. Error de predicción: et + h ,t = Yt + h − Yˆt + h ,t Medidas de precisión de las predicciones: • Error medio: EM = •Error cuadrático medio: 1 T ∑ et +h,t T t =1 ECM = 1 T 2 ∑e T t =1 t +h ,t • Raíz cuadrada del error cuadrático medio: RECM = 1 T 2 ∑e T t =1 t +h ,t Técnicas avanzadas de series temporales Dpto. de Estadística ,Estr.Eca.y O.E.I. Universidad de Alcalá de Henares. Comparación estadística de la precisión de las predicciones: (Test de Diebold y Mariano) Se plantea la necesidad de saber si las predicciones de un modelo son más precisas que las de otro. Para ello hay que comparar dos propiedades poblacionales y se dispone de estimaciones muestrales de los mismos. 2 ECM pob = E (et + h,t ) ECM = 1 T 2 et + h,t ∑ T t =1 Dada una función de pérdida L, (( )) ( ( H 0 : E L et(+Ah),t = E L et(+Bh),t )) Técnicas avanzadas de series temporales 4 Dpto. de Estadística ,Estr.Eca.y O.E.I. Universidad de Alcalá de Henares. H 0 : E (d t ) = E ( L(et(+Ah),t )) − E ( L(et(+Bh),t )) = 0 d= 1 T ∑ dt y bajo H 0 se tiene que T (d − µ ) ≈ N (0, f ) T t =1 Observaciones: (1) Procedimiento: Formular un modelo ARMA para dt con constante y contrastar la significatividad de la constante. Si es significativamente distinta de 0, un método es superior al otro. (2) El contraste anterior es asintótico. Exsiten versiones para muestras finitas (Harvey, Leybourne, Newbold, International Journal of Forecasting, 1997; Clark, Journal of Econometrics, 2001) Técnicas avanzadas de series temporales Dpto. de Estadística ,Estr.Eca.y O.E.I. Universidad de Alcalá de Henares. 3. ASPECTOS PRÁCTICOS EN UN EJERCICIO DE PREDICCIÓN -Cuadro de errores de predicción ± ,no σ ha ocurrido - Si la observación está dentro del intervalo nada inesperado - Si lo anterior es falso, pero la observación está dentro del intervalo ± 1.3σ ,algo inesperado de relativa importancia ha ocurrido - Si lo anterior es falso, ha ocurrido una innovación importante que generará un cambio importante en las expectativas. Técnicas avanzadas de series temporales 5 Dpto. de Estadística ,Estr.Eca.y O.E.I. Universidad de Alcalá de Henares. -Comparación con las predicciones anteriores - Las diferencias entre dos sendas de predicción realizadas en distintos momentos del tiempo se deben exclusivamente a las innovaciones que han ocurrido entre ambos momentos. - Comparando las sendas se puede evaluar la importancia de las innovaciones más recientes. - Si el modelo incluye variables causales, se puede evaluar la contribución de dichas variables en relación con las innovaciones registradas. Técnicas avanzadas de series temporales 6