FARS: Factor Augmented Regression Scenarios in R

Resumen Técnico de "FARS: Factor Augmented Regression Scenarios in R"

Planteamiento del Problema
En el contexto de las series temporales macroeconómicas y financieras, existe una demanda creciente de la predicción de las densidades de probabilidad completas de variables clave, en lugar de depender únicamente de pronósticos puntuales. Esto es crucial para evaluar la vulnerabilidad macroeconómica, diseñar políticas de resiliencia y construir escenarios de estrés realistas para comprender la resiliencia del sistema económico bajo condiciones adversas. Los enfoques existentes suelen enfrentar limitaciones: los métodos estándar de Componentes Principales (PC) tienen dificultades cuando los factores latentes cargan solo en grupos específicos de variables (estructuras de bloques), y pocas herramientas permiten la construcción de densidades condicionales bajo escenarios de factores "estresados" mientras se contabiliza la incertidumbre en la estimación de los factores. Además, aunque las Regresiones de Cuantiles Aumentadas por Factores (FA-QR) pueden estimar cuantiles condicionales, integrar estas con estructuras de factores multinivel y generar escenarios de estrés probabilísticos requiere un marco unificado y flexible.

Metodología
El artículo presenta el paquete FARS, que implementa una metodología de cuatro etapas para modelar y pronosticar densidades condicionales:

1. Extracción de Factores mediante Modelos de Factores Dinámicos Multinivel (MLDFM):
   El marco extrae factores latentes utilizando una estructura MLDFM flexible que acomoda bloques de variables tanto no superpuestos como superpuestos (por ejemplo, regiones geográficas o sectores económicos).

   • Estructura del Modelo: El modelo incluye factores omnipresentes (globales) comunes a todas las variables, factores específicos de bloque y, potencialmente, factores semiomnipresentes (pareados o de orden superior) que cargan en subconjuntos específicos de bloques.
   • Estimación: Los factores se estiman utilizando el estimador de Mínimos Cuadrados Secuenciales (SLS). El algoritmo inicializa los factores mediante el Análisis de Correlación Canónica (CCA) o Componentes Principales (PC) e itera minimizando la suma de los cuadrados de los residuos (RSS) mediante la regresión de las variables sobre los factores y de los factores sobre las cargas hasta la convergencia.
   • Cuantificación de la Incertidumbre: El paquete computa regiones de confianza asintóticamente válidas para los factores estimados. Contabiliza la incertidumbre en las cargas de los factores y las posibles correlaciones cruzadas en los componentes idiosincrásicos empleando un enfoque de submuestreo (submuestreo de subconjuntos de series) para corregir el Error Cuadrático Medio (MSE) asintótico. Esto permite la construcción de elipsoides de confianza que representan realizaciones de factores extremas pero plausibles.

2. Regresión de Cuantiles Aumentada por Factores (FA-QR):
   Los factores extraídos sirven como regresores en un modelo FA-QR para estimar los cuantiles condicionales de una variable objetivo $y_t$. El modelo se especifica como:
   $$q_{\tau^*}(y_{t+h} | y_t, F_t) = \mu(\tau^*, h) + \phi(\tau^*, h)y_t + \sum_{k=1}^r \beta_k(\tau^*, h)F_{kt}$$
   Los parámetros se estiman utilizando el algoritmo de Koenker y D'Oray.

3. Construcción de la Densidad Condicional:
   Para recuperar una densidad condicional predictiva completa a partir de los cuantiles estimados, el paquete ajusta una distribución de Estudiante Asimétrica (Skew-t). Los parámetros de la distribución Skew-t (localización, escala, forma y pesadez de la cola) se determinan minimizando las diferencias al cuadrado entre los cuantiles FA-QR estimados y los cuantiles teóricos implicados por la distribución Skew-t.

4. Generación de Escenarios Estresados:
   Para generar escenarios estresados, la metodología identifica los valores de los factores en el límite del elipsoide de confianza (definido por un nivel de estrés $\alpha$) que minimizan o maximizan un cuantil específico de la distribución condicional de la variable objetivo. Estos "factores estresados" se introducen posteriormente en el modelo FA-QR para derivar los cuantiles estresados, que posteriormente se suavizan en una densidad condicional estresada.

Contribuciones Clave
El artículo introduce el paquete de R FARS, el cual ofrece varias contribuciones técnicas distintivas:

• Extracción de Factores Flexible: Es el primer paquete de R publicado que extrae factores de MLDFMs con estructuras de bloques superpuestos utilizando el estimador SLS. Soporta estructuras jerárquicas con más de dos niveles (global, semiomnipresente y específico de bloque).
• Inferencia sobre Factores: Proporciona regiones de confianza asintóticamente válidas para los factores extraídos por SLS, corrigiendo explícitamente la incertidumbre en las cargas de los factores mediante submuestreo, una característica no disponible en otros software de estimación de factores (que a menudo dependen del bootstrapping o ignoran la incertidumbre de las cargas).
• Marco Integrado de Densidad y Riesgo: Unifica la estimación de FA-QRs, la recuperación de densidades mediante el ajuste Skew-t y el cálculo de medidas de riesgo (por ejemplo, Crecimiento en Riesgo o Inflación en Riesgo).
• Diseño de Escenarios Estresados: Implementa una funcionalidad única para derivar densidades condicionales y medidas de riesgo bajo escenarios de factores estresados mediante la optimización de los valores de los factores en los contornos extremos de su distribución conjunta.
• Modularidad: El paquete está diseñado de forma modular, permitiendo a los usuarios suministrar sus propios factores o densidades pre-estimados para integrarlos con el resto del flujo de trabajo.

Resultados e Ilustraciones
El artículo ilustra la funcionalidad del paquete a través de dos aplicaciones empíricas:

1. Riesgo de Inflación Europea: Los autores extraen factores de datos de IPC general para 38 países europeos, agrupados en tres bloques geográficos (Oeste, Este, Norte). Estiman la densidad condicional de la inflación en Alemania. Los resultados muestran que la "Inflación en Estrés" (IiS) —derivada bajo un escenario de estrés del 99% para los factores— es significativamente mayor que la "Inflación en Riesgo" (IaR) estándar, resaltando la importancia de contabilizar el estrés de los factores.
2. Riesgo de Crecimiento del PIB de EE. UU.: Siguiendo a González-Rivera et al. (2024), los autores construyen densidades para el crecimiento del PIB de EE. UU. utilizando un conjunto de datos de 519 variables divididas en tres bloques (macro internacional, macro doméstico, finanzas internacionales), incluyendo un factor pareado entre los bloques internacionales. El análisis demuestra que el "Crecimiento en Estrés" (GiS) es más negativo que el "Crecimiento en Riesgo" (GaR) estándar, indicando que los escenarios promedio estándar pueden subestimar los riesgos a la baja.

Significancia y Reivindicaciones
El artículo sostiene que la principal significancia de FARS radica en su capacidad para reducir la barrera de entrada para que investigadores aplicados e instituciones de política implementen métodos avanzados de pronóstico basados en densidades que den cuenta de estructuras de factores complejas y la incertidumbre. Al empaquetar todo el flujo de trabajo —desde la extracción flexible de factores con bloques superpuestos hasta la generación de escenarios de estrés— en una herramienta de código abierto de R, aborda los desafíos computacionales y de implementación previamente asociados con estos métodos. Los autores enfatizan que el paquete permite la construcción de escenarios de estrés realistas que revelan vulnerabilidades (como una mayor inflación o un menor crecimiento) que serían ignoradas si solo se considerara la evolución promedio de los factores. El artículo no pretende superar a los métodos existentes en todas las formas distribucionales (notando que la distribución Skew-t puede ser menos adecuada para distribuciones multimodales), sino que posiciona al paquete como una herramienta integral para la metodología específica de las FA-QRs dentro de los MLDFMs.