Resumen Técnico: MA de Innovación Centrada para ARMA Dirichlet Bayesiano

1. Planteamiento del Problema

Las series temporales composicionales, donde las observaciones suman un total fijo (por ejemplo, participaciones de activos bancarios), suelen modelarse utilizando la distribución Dirichlet mapeada al espacio euclidiano mediante la transformación log-razón aditiva (ALR). En los modelos ARMA Dirichlet Bayesianos impulsados por observaciones (B–DARMA), el bloque de media móvil (MA) suele utilizar el residuo ALR crudo, definido como $\epsilon_t^{raw} = \text{alr}(y_t) - \eta_t$, donde $\eta_t$ es el predictor lineal.

Surge un problema teórico fundamental bajo precisión finita ($\phi_t$): la esperanza condicional de la observación transformada por ALR, $E[\text{alr}(Y_t) | \mu_t, \phi_t]$, no es igual al predictor lineal $\eta_t$. En su lugar, es una función digamma de los parámetros de concentración. En consecuencia, el residuo crudo $\epsilon_t^{raw}$ posee una media condicional no nula del orden $O(\phi_t^{-1})$. Este sesgo distorsiona la trayectoria de la media condicional, oscurece la interpretación de los coeficientes MA e introduce un desplazamiento determinista que los priores no anticipan. Mientras que los enfoques frecuentistas evitan esto utilizando enlaces basados en la función digamma que carecen de inversas de forma cerrada, el marco bayesiano a menudo retiene el enlace ALR por tratabilidad, dejando este sesgo sin abordar.

2. Metodología

El artículo propone una modificación analítica mínima al marco B–DARMA: reemplazar el regresor MA crudo con una innovación centrada.

2.1 La Innovación Centrada

En lugar de utilizar $\epsilon_t^{raw}$, los autores definen la innovación centrada $\epsilon_t^\circ$ como:
$$\epsilon_t^\circ = \text{alr}(y_t) - E[\text{alr}(Y_t) | \mu_t, \phi_t]$$
El término de media condicional $E[\text{alr}(Y_t) | \mu_t, \phi_t]$ está disponible en forma cerrada mediante identidades digamma:
$$g(\mu_t, \phi_t)_j = \psi(\phi_t \mu_{tj}) - \psi(\phi_t \mu_{tj^\star})$$
donde $\psi(\cdot)$ es la función digamma y $j^\star$ es el componente de referencia. Este ajuste garantiza que la innovación MA tenga una media condicional de cero, restaurando la interpretación estándar de los choques MA sin alterar la verosimilitud Dirichlet ni requerir inversión numérica.

2.2 Equivalencia Teórica

El artículo establece una equivalencia de primer orden a nivel de recursión entre la especificación centrada y un hipotético DARMA con enlace digamma en el régimen de alta precisión ($\phi_t \to \infty$).

• Teorema 1: Bajo condiciones explícitas de interior (acotadas lejos del borde del simplex) y de estabilidad de rezagos, la recursión de innovación centrada y la recursión de enlace digamma difieren en $O(r_T)$, donde $r_T = \max \phi_t^{-1}$.
• Implicación: En regímenes de alta precisión, las dos especificaciones deberían ser predictivamente indistinguibles a nivel de recursión. Sin embargo, el artículo aclara que esta equivalencia teórica no gobierna automáticamente la geometría de las posteriores bayesianas producidas durante la reestimación de parámetros.

2.3 Recursión de Pronóstico

Una ventaja práctica clave de la especificación centrada es la restauración de la recursión de pronóstico ARMA estándar.

• Centrada: Los choques futuros se integran a cero. La media condicional un paso adelante depende únicamente de los choques observados.
• Cruda: Los residuos crudos futuros contribuyen a través de su media condicional no nula, introduciendo un término de sesgo que complica la lógica del pronóstico multi-paso.

3. Aplicación Empírica

La metodología se evalúa sobre participaciones semanales de activos bancarios de la Reserva Federal H.8 (Efectivo, Valores, Préstamos, Otros) desde octubre de 2015 hasta octubre de 2025 ($T=522$).

• Protocolo: Una evaluación de un paso rodante sobre 104 orígenes semanales.
• Comparación: Se utilizan covariables, priores y configuraciones del muestreador idénticas (Monte Carlo Hamiltoniano vía Stan) tanto para las especificaciones "MA-Cruda" como "MA-Centrada".
• Sensibilidad: Se realiza un análisis de cuatro referencias, utilizando Efectivo, Valores, Préstamos y "Otros" como componente de referencia ALR, respectivamente.

4. Resultados Clave

4.1 Rendimiento Predictivo

• Indistinguibilidad: El rendimiento predictivo de las dos especificaciones es estadísticamente indistinguible en todas las métricas de precisión (ELPD, RMSE, MAE y cobertura).
• Invarianza de Referencia: Esta equivalencia se mantiene independientemente del componente de referencia ALR elegido. La diferencia acumulada en la Densidad Predictiva Logarítmica Esperada (ELPD) es negligible (por ejemplo, +0.37 nats para la referencia Préstamos, con una diferencia media por origen de +0.0035 nats).
• Consistencia con la Teoría: Estos resultados se alinean con la equivalencia teórica de alta precisión, ya que la precisión realizada $\phi_t$ se mantuvo muy por encima de la unidad (a menudo >80) durante toda la ventana de prueba.

4.2 Geometría de Muestreo (Monte Carlo Hamiltoniano)

Aunque la precisión predictiva es idéntica, las propiedades geométricas de la posterior difieren marcadamente:

• Transiciones Divergentes: La especificación Cruda sufre significativamente más transiciones divergentes de HMC, lo que indica una geometría posterior patológica (regiones estrechas, curvas o tipo embudo).
  • Referencia Préstamos: La MA Cruda produjo 446 divergencias en 104 orígenes, en comparación con solo 34 para la MA Centrada (una relación de ~13:1).
  • Casos Extremos: Un solo origen en febrero de 2025 generó 211 divergencias para la especificación Cruda (con un factor de reducción de escala potencial $\hat{R}$ de 1.58), mientras que la especificación Centrada permaneció limpia.
• Dependencia de la Referencia de la Geometría: La magnitud de la ventaja geométrica varía según la referencia. Es más dramática para la referencia Préstamos (donde los ajustes Crudos a veces fallan catastróficamente) y disminuye hasta la paridad para la referencia Efectivo, donde ambas especificaciones se comportan bien.
• ESS y $\hat{R}$: La especificación Centrada produce consistentemente tamaños de muestra efectivos (ESS) de volumen más altos y valores máximos de $\hat{R}$ más bajos, indicando una convergencia más fiable.

5. Significado y Afirmaciones

El artículo afirma que el valor principal de la centrado es operativo y no predictivo.

1. Robustez Operativa: En flujos de trabajo de producción donde la simulación posterior alimenta pruebas de estrés aguas abajo y la gestión de activos y pasivos, los "picos catastróficos de divergencia de MA cruda" que ocurren en orígenes rodantes aislados bajo la especificación cruda son un modo de fallo crítico. La especificación centrada evita estos picos sin intervención del operador (por ejemplo, reajustes automáticos).
2. Costo Mínimo: El ajuste es analítico, de tipo "plug-in" y requiere únicamente un cambio local en el cálculo de la innovación MA. Preserva el contenido predictivo del modelo mientras mejora significativamente el acondicionamiento de la posterior para los coeficientes MA.
3. Clarificación Teórica: El trabajo aclara que, aunque las especificaciones cruda y centrada son predictivamente equivalentes en regímenes de alta precisión, la especificación cruda introduce un desplazamiento determinista que crea tensión innecesaria en la posterior conjunta, lo que conduce a patologías de muestreo que la formulación centrada resuelve.

Los autores concluyen que la centrado debería ser la opción predeterminada natural para los términos MA en modelos ARMA Dirichlet impulsados por observaciones, especialmente cuando la calidad de la simulación posterior es una prioridad para aplicaciones aguas abajo.