Directional-Shift Dirichlet ARMA Models for Compositional Time Series with Structural Break Intervention

Aquí presento un resumen técnico detallado del artículo "Directional-Shift Dirichlet ARMA Models for Compositional Time Series with Structural Break Intervention" de Harrison Katz, estructurado según los puntos solicitados.

1. El Problema

Las series temporales composicionales (vectores de proporciones que suman uno) son comunes en economía, finanzas y ciencias sociales. Estas series presentan desafíos únicos debido a la restricción del simplex (dependencia negativa perfecta entre componentes) y la necesidad de métodos que respeten la geometría del espacio muestral.

El problema central abordado es la ruptura estructural (cambios abruptos o graduales inducidos por shocks externos, como la pandemia de COVID-19). Los métodos estándar tienen limitaciones significativas:

• Efectos fijos por periodo: Ajustan perfectamente in-sample pero no pueden extrapolarse hacia el futuro (los futuros periodos no están definidos).
• Variables dummy de paso (step-function): Permiten extrapolación pero asumen un ajuste instantáneo, lo cual es irrealista para cambios comportamentales graduales.
• Modelos ARMA estándar: Asumen dinámicas estacionarias y fallan en capturar transiciones, produciendo pronósticos pobres durante periodos de cambio.

Existe una necesidad de modelos de intervención que preserven las restricciones composicionales, permitan transiciones suaves y ofrezcan una descomposición interpretable de la ruptura (dirección, magnitud y tiempo).

2. Metodología

El autor propone una extensión bayesiana del modelo Dirichlet ARMA (DARMA), denominado Modelo de Intervención de Desplazamiento Direccional.

A. Marco Base (B-DARMA)

El modelo asume que la composición $Y_t$ sigue una distribución Dirichlet con parámetros de media $\mu_t$ y concentración $\lambda_t$. La media evoluciona en el espacio de log-ratios isométricos (ILR) mediante dinámicas ARMA:
$$\eta_t = b + BX_t + \sum A_p(Z_{t-p} - \eta_{t-p}) + \sum \Theta_q e_{t-q}$$
donde $Z_t = \text{ilr}(Y_t)$.

B. Mecanismo de Intervención

La ruptura se modela mediante tres parámetros interpretables que modifican la tendencia ($\eta_t$):

1. Vector de Dirección ($v$): Un vector unitario en el espacio ILR ($\|v\|=1$) que especifica qué componentes ganan o pierden cuota.
2. Amplitud ($\Delta$): Un escalar que controla la magnitud del cambio a lo largo de la dirección $v$.
3. Puerta Logística ($w_t$): Una función que gobierna el momento y la velocidad de la transición. Se define como una función logística suavizada:
   $$w_t(\tau, \kappa) = \frac{\sigma(\kappa(t-\tau)) - \sigma(\kappa(\ell-\tau))}{1 - \sigma(\kappa(\ell-\tau))}$$
   donde $\tau$ es la ubicación de la transición, $\kappa$ controla la velocidad, y $\ell$ es el último periodo pre-ruptura.

La media se actualiza como: $\eta_t = \text{tendencia base} + \Delta \cdot w_t \cdot v$.

C. Propiedades Geométricas y Estadísticas

• Geodésica en el Simplex: El desplazamiento direccional corresponde a un movimiento geodésico en la geometría de Aitchison, representando el camino más corto entre las composiciones pre y post-ruptura.
• Invarianza: La trayectoria de intervención en el simplex es invariante a la elección de la base ILR, aunque el modelo dinámico completo (con matrices AR/MA diagonales) depende de la base.
• Identificación: Se resuelve la ambigüedad de signo ($\Delta \cdot v$) imponiendo una restricción de hemisferio (el primer elemento del vector de dirección crudo es positivo).
• Dinámica de Precisión: Se permite que la concentración ($\lambda_t$) también cambie tras la ruptura mediante un parámetro $\delta_\phi$.

D. Estimación

El modelo se estima mediante inferencia bayesiana utilizando el muestreador No-U-Turn (NUTS) en Stan. Se utilizan priores débiles pero informativos para asegurar la estacionaridad y la invertibilidad.

3. Contribuciones Clave

1. Desarrollo del Modelo: Creación de un modelo B-DARMA con intervención de desplazamiento direccional que permite transiciones suaves y extrapolables, preservando las restricciones composicionales.
2. Estudio de Simulación Exhaustivo: 400 ajustes en 8 escenarios que demuestran una recuperación precisa de parámetros (especialmente amplitud y tiempo) y una calibración nominal (80% de cobertura) en la mayoría de los casos.
3. Análisis de Sensibilidad: Estudios suplementarios que muestran que la calibración es robusta ante velocidades de transición extremas y se degrada suavemente bajo reversibilidad parcial (cuando la ruptura no es estrictamente monótona).
4. Validación Empírica: Dos aplicaciones reales con datos de Airbnb durante la pandemia:
   • Tiempo de anticipación de tarifas (Lead-time): Ruptura monótona y continua.
   • Duración de la estancia (Stay-length): Ruptura no monótona con reversiones parciales.
5. Benchmark de Sensibilidad: Comparación contra una especificación de matriz completa (no diagonal), demostrando que la restricción diagonal actúa como una regularización útil en ventanas de rodadura con muestras limitadas.

4. Resultados

Simulaciones

• Recuperación de Parámetros: En el 77.5% de los casos, la dirección se identificó correctamente. La amplitud mostró un sesgo cercano a cero y el tiempo un sesgo pequeño.
• Calibración: Los intervalos de credibilidad del 80% alcanzaron una cobertura del 79.6%, demostrando una cuantificación de incertidumbre adecuada incluso cuando la dirección no se recupera perfectamente.
• Reversibilidad: Cuando la ruptura incluye una reversión parcial (no monótona), la cobertura decae gradualmente (de ~79% a ~73% en casos de reversión del 80%), pero sigue siendo aceptable.

Aplicaciones Empíricas

1. Tiempo de Anticipación (Lead-Time):

   • El modelo de intervención superó significativamente al modelo de efecto fijo en calibración (79.6% vs 66.1% de cobertura).
   • El modelo de efecto fijo subestimó la incertidumbre al asumir un cambio instantáneo, mientras que la puerta logística capturó la transición gradual.
   • La precisión puntual fue comparable entre ambos modelos.
   • El benchmark de matriz completa empeoró drásticamente la precisión y la calibración, validando la restricción diagonal.

2. Duración de Estancia (Stay-Length):

   • Escenario más difícil con dinámicas no monótonas (pico y reversión).
   • Ambos modelos (intervención y efecto fijo) lograron una calibración aceptable (85.7% y 83.0% respectivamente), superando al modelo base.
   • El modelo de efecto fijo tuvo mejor precisión puntual en promedio, especialmente en LATAM donde la reversión fue más marcada. El modelo de intervención tendió a sobre-cubrir debido a la incertidumbre adicional sobre la trayectoria de reversión.

5. Significado y Conclusiones

El artículo establece un marco riguroso para el pronóstico de series temporales composicionales con rupturas estructurales.

• Compromiso Precisión vs. Calibración: El modelo de desplazamiento direccional ofrece una cuantificación de incertidumbre superior (mejor calibración) cuando la ruptura es monótona y gradual, superando a los efectos fijos que fallan en capturar la transición. Sin embargo, si la dinámica post-ruptura es no monótona (reversiones), el modelo de efecto fijo puede ofrecer mejor precisión puntual al asumir un nivel de equilibrio más simple.
• Guía Práctica:
  • Utilizar el modelo de intervención direccional cuando el objetivo principal es la cuantificación de riesgo/calibración y se espera una transición monótona.
  • Utilizar el modelo de efecto fijo si el objetivo es la precisión puntual pura o si se anticipan dinámicas no monótonas complejas.
• Regularización Diagonal: La restricción de matrices AR/MA diagonales, aunque teóricamente simplificada, actúa como una regularización efectiva en entornos de ventanas rodantes con datos limitados, evitando el sobreajuste que sufren las especificaciones de matriz completa.

En resumen, este trabajo proporciona una herramienta interpretable y robusta para manejar cambios de régimen en datos composicionales, equilibrando la complejidad geométrica con la viabilidad computacional y la utilidad práctica en la toma de decisiones.