Predictive Synthesis under Sporadic Participation: Evidence from Inflation Density Surveys

Resumen Técnico: Síntesis Predictiva bajo Participación Esporádica

Formulación del Problema
Los bancos centrales y los previsores institucionales dependen de encuestas profesionales, como la Encuesta de Previsores Profesionales (SPF) del Banco Central Europeo, para evaluar los riesgos y la incertidumbre de la inflación. Un desafío operativo crítico en estos entornos es la participación esporádica: los previsores entran y salen del panel con frecuencia, omiten rondas y reaparecen tras largos periodos de ausencia. Esto resulta en un conjunto de previsores activos ($A_t$) que varía en el tiempo y en la ausencia de pronósticos de densidad.

Los métodos de agregación estándar suelen abordar esto de dos maneras:

1. Eliminar a los previsores ausentes y renormalizar los pesos: Esto cambia el conjunto de condicionamiento del objeto agrupado, provocando saltos artificiales en las medias y varianzas predictivas combinadas impulsados por la composición del panel en lugar de por la información económica.
2. Imputación ad hoc: Las técnicas como el último valor observado llevado hacia adelante (LOCF) o la imputación de la media introducen información sintética, distorsionando la estructura predictiva conjunta y las evaluaciones de riesgo de cola.

Estos artefactos mecánicos confunden la interpretación en tiempo real, dificultando la distinción entre cambios genuinos en la incertidumbre económica y variaciones administrativas en el reporte. El documento formaliza la necesidad de una regla de agregación que mantenga un estado predictivo latente bien definido para cada previsor, incluso cuando su pronóstico no se observa, asegurando que la distribución combinada evolucione de manera fluida.

Metodología: Síntesis Predictiva Bayesiana (BPS) Coherente
Los autores proponen un marco de síntesis predictiva bayesiana coherente que trata los pronósticos faltantes no como contribuyentes eliminados, sino como estados predictivos latentes no observados. La metodología extiende el modelo BPS dinámico de McAlinn y West (2019) para manejar conjuntos de expertos que varían en el tiempo mediante dos operadores específicos derivados de la condición de coherencia (consistencia):

1. La Condición de Coherencia: La distribución predictiva a priori del decisor (DM) para la variable objetivo $y_t$ debe ser consistente con la distribución conjunta a priori sobre los estados latentes $x_t$ y la función de síntesis $\alpha_t$. Esta condición debe cumplirse incluso cuando solo se observa un subconjunto de densidades $H_{A_t,t}$.
2. La Salida como Marginalización: Cuando un previsor sale (abandona $A_t$), su estado latente $x_{j,t}$ no se elimina del modelo. En su lugar, la función de síntesis se actualiza mediante la marginalización sobre el estado no observado del previsor que sale, utilizando la distribución a priori condicional del DM.
   • Mecanismo: La influencia del previsor que sale se redistribuye entre los previsores restantes basándose en las covarianzas a priori. Si un previsor que sale está altamente correlacionado con uno que continúa, su peso se transfiere; si es idiosincrásico, su peso es absorbido por el intercepto. Esto evita discontinuidades artificiales en la media y la varianza predictivas.
3. La Entrada como Proyección Condicional: Cuando un nuevo previsor entra, el modelo se expande para incluir su estado latente y sus coeficientes. Para mantener la coherencia, los nuevos parámetros se construyen mediante una proyección condicional de tal manera que la marginalización del nuevo entrante recupere la distribución predictiva previa a la entrada.
   • Mecanismo: Los nuevos coeficientes se extraen de una distribución a priori, y el intercepto, los coeficientes existentes y la varianza residual se ajustan linealmente para asegurar que el modelo ampliado sea una extensión coherente del estado anterior.

El enfoque utiliza un modelo dinámico gaussiano donde los estados latentes evolucionan en el tiempo. Los operadores de entrada y salida aseguran que la posterior de los coeficientes de síntesis y los estados latentes mantenga una dimensión fija, permitiendo una evolución fluida de la distribución predictiva a pesar de la rotación del panel.

Contribuciones Clave
El documento realiza tres contribuciones primarias:

1. Formalización del Problema: Define formalmente la combinación de pronósticos bajo rotación y ausencia para distribuciones predictivas, demostrando empíricamente que las correcciones ad hoc comunes (renormalización, imputación) distorsionan materialmente la incertidumbre combinada y confunden la evaluación en las principales encuestas institucionales.
2. Desarrollo Teórico: Desarrolla operadores de entrada y salida basados en la coherencia dentro de la BPS dinámica. Estos proporcionan una regla de agregación operativa y fundamentada que preserva la estructura condicional del panel sin requerir un modelo estructural de participación o una imputación ad hoc.
3. Evaluación Empírica: Proporciona una aplicación en tiempo real utilizando casi 25 años de pronósticos de densidad de inflación de la SPF del BCE, mostrando que los ajustes basados en la coherencia mejoran la precisión predictiva y la interpretabilidad económica de la dinámica de la incertidumbre.

Resultos Empíricos
Los autores evalúan el enfoque BPS coherente frente a varios referentes utilizando pronósticos de densidad de inflación para la eurozona a un año vista:

• Referencias (Benchmarks): Agrupación de pesos iguales (EW), EW con imputación (LOCF, imputación de la media específica del agente) e inversión de ponderación por MSE inverso.
• Métricas de Desempeño: Error Cuadrático Medio (RMSE) para la precisión de la media y la Razón de Densidad Predictiva Logarítmica (LPDR) para la calibración de la densidad.
• Hallazgos:
  • Precisión de la Densidad: La BPS coherente ofrece pronósticos de densidad sustancialmente mejor calibrados, evidenciado por grandes ganancias acumuladas de LPDR respecto a EW. Esto es particularmente pronunciado durante periodos de alta volatilidad y elevada rotación (por ejemplo, el aumento de la inflación y el periodo de COVID-19).
  • Precisión de la Media: Aunque las mejoras en la precisión de la media (RMSE) son modestas durante periodos tranquilos, la BPS coherente logra un RMSE acumulado más bajo durante episodios de alta volatilidad.
  • Mecanismo de Ganancia: La principal ganancia proviene de la correcta contabilidad de la varianza. Los métodos ingenuos o pierden varianza (al eliminar previsores) o introducen varianza obsoleta (al imputar). La BPS coherente infla explícitamente la varianza predictiva cuando se pierde una fuente de información (vía marginalización) y la reduce cuando llega nueva información, asegurando que la cuantificación de la incertidumbre refleje el conjunto de información real.
  • Estabilidad: Los pesos de síntesis y los interceptos evolucionan suavemente, evitando los saltos artificiales observados en la agrupación estándar cuando cambia la composición del panel.

Significancia y Reivindicaciones
El documento sostiene que el manejo de la rotación de previsores no es simplemente un problema secundario de datos, sino una parte integral del problema estadístico en la combinación de pronósticos.

• Interpretabilidad en Tiempo Real: Al aislar las diferencias de desempeño genuinas de los efectos mecánicos de la participación, el método asegura que los movimientos en la dispersión de los pronósticos y el riesgo de cola reflejen cambios reales en la incertidumbre económica y no artefactos administrativos.
• Viabilidad Operativa: El enfoque es computacionalmente simple, implementable dentro de los flujos de filtrado estándar y no requiere modelar las causas de la ausencia, sino solo el manejo de la misma mediante la coherencia bayesiana.
• Relevancia para la Política Económica: Para los bancos centrales, la mejora en la calibración implica que las medidas de incertidumbre son más fiables para la evaluación de riesgos y la comunicación, especialmente durante el estrés macroeconómico cuando la inestabilidad del panel es mayor.

Los autores concluyen que, si bien una agrupación simple puede ser suficiente cuando los paneles son estables, la actualización coherente es esencial cuando la entrada, la salida y la participación intermitente son comunes, proporcionando una alternativa estable e interpretable a la renormalización ad hoc.