Modeling the uncertainty on the covariance matrix for probabilistic forecast reconciliation

Resumen Técnico: Modelado de la Incertidumbre en la Matriz de Covarianza para la Reconciliación de Pronósticos Probabilísticos

Planteamiento del Problema
En la predicción de series temporales jerárquicas, los pronósticos base generados de forma independiente para diferentes niveles de una jerarquía suelen ser incoherentes (es decir, no suman correctamente). La reconciliación de pronósticos ajusta estos pronósticos base para satisfacer las restricciones de agregación lineal. El enfoque estándar para la reconciliación probabilística es la Trazas Mínima (MinT), que se basa en la matriz de covarianza de los errores de los pronósticos base ($W$).

Una limitación crítica de las implementaciones actuales de MinT es que $W$ se estima a partir de residuos dentro de la muestra y luego se trata como un parámetro conocido y fijo. Esta práctica ignora la incertidumbre de estimación inherente a $W$, particularmente cuando el número de series temporales es grande en relación con el tamaño de la muestra. En consecuencia, esto conduce a una subestimación de la varianza de la distribución predictiva, resultando en intervalos de predicción (IP) que son sistemáticamente demasiado estrechos y no logran la cobertura nominal. Aunque trabajos recientes han combinado la reconciliación con la predicción conformada para corregir la cobertura, ningún marco existente modela explícitamente la incertidumbre de la propia matriz de covarianza dentro del proceso de reconciliación.

Metodología: t-Rec
Los autores proponen t-Rec, un método de reconciliación bayesiano que modela explícitamente la incertidumbre de la matriz de covarianza $W$. La metodología procede de la siguiente manera:

1. Formulación Bayesiana: En lugar de utilizar una estimación puntual para $W$, los autores la tratan como una variable aleatoria. Adoptan una distribución previa Inverse-Wishart (IW) para $W$ y asumen que los residuos dentro de la muestra son condicionalmente gaussianos dado $W$.
2. Derivación de la Posterior: Utilizando la conjugación entre la previa Inverse-Wishart y la verosimilitud Gaussiana, la distribución posterior de $W$ se deriva analíticamente.
3. Distribución Predictiva Incoherente: Al marginalizar $W$ de la posterior conjunta, los autores derivan la distribución predictiva posterior incoherente. A diferencia de MinT estándar, que produce una Gaussiana multivariada, esta integración resulta en una distribución t multivariada. Esta distribución posee naturalmente colas más pesadas, lo que cuenta con la incertidumbre en $W$.
4. Reconciliación mediante Condicionamiento: La distribución t multivariada incoherente se reconcilia condicionando sobre las restricciones jerárquicas (cortando la distribución sobre el subespacio coherente). Aprovechando las propiedades de cierre de la distribución t multivariada bajo transformaciones afines y condicionamiento, los autores derivan una expresión de forma cerrada para la distribución reconciliada, la cual permanece como una distribución t multivariada.
5. Especificación de Parámetros:
   • La matriz de escala de la previa ($\Psi_0$) se construye utilizando la covarianza de los residuos de métodos de referencia simples (naive y seasonal naive), seleccionados mediante la prueba de estacionalidad KPSS.
   • Los grados de libertad ($\nu_0$) se optimizan mediante validación cruzada Bayesiana Leave-One-Out (LOO) para maximizar la puntuación logarítmica fuera de la muestra. Los autores señalan que esta optimización es computacionalmente eficiente debido a la fórmula de Sherman-Morrison.

Contribuciones Clave

• Solución Analítica: El artículo proporciona la primera solución analítica conocida para la reconciliación de pronósticos probabilísticos mediante condicionamiento cuando los pronósticos base no son estrictamente gaussianos (específicamente, cuando se modela la incertidumbre de la covarianza), extendiéndose más allá del caso Gaussiano donde la reconciliación coincide con MinT.
• t Multivariada de Forma Cerrada: El método produce una distribución predictiva reconciliada en forma cerrada que es una distribución t multivariada, evitando la necesidad de técnicas de muestreo computacionalmente costosas (por ejemplo, MCMC) típicamente requeridas para la reconciliación no Gaussiana.
• Ancho de Intervalo Adaptativo: A diferencia de MinT, que siempre estrecha los intervalos de predicción en relación con los pronósticos base, t-Rec permite que los intervalos se amplíen en presencia de alta incoherencia o alta incertidumbre de estimación, lo que conduce a una cobertura más fiable.
• Implementación: El método está implementado en el paquete R bayesRecon.

Resultados Empíricos
Los autores evaluaron t-Rec frente a MinT en tres conjuntos de datos: un nuevo conjunto de datos de turismo suizo (26 cantones + total), y dos conjuntos de datos de turismo australiano (mensual y trimestral).

• Pronósticos Puntuales: t-Rec y MinT se desempeñan de manera comparable en términos del Error Cuadrático Medio (MSE), lo que indica que modelar la incertidumbre de la covarianza no degrada la precisión de los pronósticos puntuales.
• Pronósticos Probabilísticos: t-Rec supera consistentemente a MinT en métricas probabilísticas:
  • Intervalos de Predicción: t-Rec produce intervalos más amplios que logran tasas de cobertura más cercanas a los niveles nominales (por ejemplo, 88% de cobertura para IP del 95% frente al 83% para MinT en el conjunto de datos suizo).
  • Reglas de Puntuación: t-Rec logra puntuaciones de probabilidad acumulada continua (CRPS) y puntuaciones medias de intervalo (MIS) más bajas (mejores), particularmente en niveles de confianza más altos (95%), debido a las colas más pesadas de la distribución t.
  • Rendimiento Conjunto: La Puntuación de Energía (ES) también favorece a t-Rec, indicando una mejor calibración de la distribución predictiva conjunta.
• Estudio de Ablación: Las comparaciones con variantes (por ejemplo, t-Rec-MAP, que utiliza una estimación puntual de $W$) confirman que la mejora proviene específicamente de marginalizar sobre la posterior de $W$ en lugar de utilizar una estimación puntual.

Significado y Afirmaciones
El artículo afirma que t-Rec ofrece una cuantificación más principista de la incertidumbre al integrar la incertidumbre de los parámetros directamente en la distribución predictiva. Los autores declaran que su enfoque "mejora consistentemente los intervalos de predicción en comparación con la reconciliación MinT" mientras mantiene una precisión de pronóstico puntual comparable.

Los autores son modestos respecto al alcance de sus afirmaciones:

• Reconocen que la efectividad de t-Rec depende de la especificación del parámetro de escala de la previa $\Psi_0$, lo cual puede ser subóptimo para series complejas con múltiples estacionalidades.
• Señalan las limitaciones de la previa Inverse-Wishart en entornos de alta dimensión y sugieren trabajos futuros sobre previas modernas.
• El análisis actual se restringe a jerarquías transversales, dejando las extensiones temporales y espacio-temporales para estudios futuros.

La contribución central es la demostración de que tratar la matriz de covarianza como un parámetro fijo en MinT conduce a pronósticos excesivamente seguros, y que un tratamiento bayesiano que produce una distribución t multivariada proporciona una alternativa computacionalmente eficiente y estadísticamente superior para la reconciliación probabilística.