Discovering Entity-Conditioned Lag Heterogeneity: A Lag-Gated Neural Audit Framework for Panel Time Series

Resumen Técnico: Descubrimiento de Heterogeneidad de Retrasos Condicionada a la Entidad

Formulación del Problema
En el análisis de series temporales de paneles, los investigadores encuentran frecuentemente el desafío de que diferentes entidades (por ejemplo, países, regiones) responden a señales históricas en escalas de tiempo sistemáticamente distintas. Si bien los modelos existentes de pronóstico neuronal, como el Transformador de Fusión Temporal (TFT) y la Red de Atención Puerta (GA-Net), ofrecen capacidades de predicción flexibles, no están diseñados para producir distribuciones de retraso específicas de la entidad, comparables, como salidas principales. Además, las métricas predictivas estándar a menudo fallan al validar si un modelo ha aprendido estructuras de retraso heterogéneas significativas, particularmente cuando las explicaciones post-hoc pueden ser infieles o cuando los riesgos de fuga de datos oscurecen las dependencias temporales verdaderas. El artículo aborda la necesidad de un marco que trate el descubrimiento de retrasos heterogéneos condicionados a la entidad como una tarea de minería comprobable, separando la calibración predictiva del descubrimiento estructural de los retrasos efectivos.

Metodología: AC-GATE
Los autores proponen AC-GATE (Codificador de Condicionamiento Adaptativo con una Puerta de Retraso Invariante a la Escala), un marco neuronal diseñado para modelar retrasos heterogéneos condicionados a la entidad. La arquitectura opera bajo la premisa de la "capacidad de absorción", donde las características a nivel de entidad moderan cómo se absorbe la información a lo largo del tiempo. El proceso consta de tres componentes principales:

1. Codificador de Condicionamiento Adaptativo (AC): Este módulo mapea un vector proxy invariante en el tiempo $p_i$ (que representa covariables estáticas a nivel de entidad como el capital humano o la gobernanza) a una puntuación de condicionamiento escalar $z_i$. Una cabeza de reconstrucción asegura que $z_i$ retenga información sobre el proxy original.
2. Puerta de Retraso Invariante a la Escala: Condicionada por $z_i$, esta puerta genera una distribución de pesos de retraso específica de la entidad $\omega_i$. Utiliza una función Softmax sobre logits derivados de $z_i$, incorporando una penalización de posición relativa ($\lambda \cdot k/K$) para asegurar la invarianza a la escala con respecto al horizonte máximo de retraso $K$. Esto produce una distribución de pesos normalizada donde $\sum \omega_{i,k} = 1$.
3. Esqueleto y Flujo de Información: El vector de contexto ponderado $c_{i,t}$, formado al agregar entradas con retraso utilizando $\omega_i$, es procesado por un esqueleto LSTM junto con incrustaciones de entidad y características estáticas. Críticamente, la observación actual $X_{i,t}$ se excluye de la entrada del esqueleto para evitar que el modelo eluda la puerta de retraso mediante covariables contemporáneas, evitando así la fuga de datos.

El objetivo de entrenamiento minimiza una pérdida de tarea agnóstica al dominio (Error Cuadrático Medio de pronóstico) combinada con una pérdida de reconstrucción auxiliar para el vector proxy.

Protocolo de Evaluación
El artículo introduce un protocolo de auditoría en capas para evaluar AC-GATE, distinguiendo entre el rendimiento predictivo y la validez estructural:

• L0 (Calibración del Pronóstico): Métricas estándar (MSE, MAE, $R^2$) para asegurar que el modelo no está fallando en la predicción.
• L1 (Guardia de Degeneración): Verifica si los retrasos efectivos aprendidos $k^\star_i$ varían entre entidades. Si la desviación estándar está cerca de cero, el modelo se considera degenerado (colapsando a un retraso uniforme).
• L2 (Heterogeneidad Estructurada): Prueba si los retrasos efectivos aprendidos están alineados de manera no aleatoria con estratificadores externos preespecificados (por ejemplo, índices de gobernanza) utilizando correlaciones de Spearman robustas a signos y pruebas de permutación.
• L3 (Recuperación de la Verdad Terrenal): Aplicado solo a datos sintéticos donde el mecanismo generador de retrasos verdadero es conocido, midiendo la alineación entre los retrasos aprendidos y los verdaderos.

Resultados Experimentales
El marco fue evaluado en tres dominios: paneles sintéticos, un panel económico (PWT 11.0) y un panel energético (OWID Energy & WGI).

• Datos Sintéticos: AC-GATE recuperó con éxito la estructura de retraso heterogénea de la verdad terrenal, logrando una alta alineación de rangos (Spearman $\rho \approx 0.945$ en configuraciones lineales) en comparación con líneas base como LSTM Simple, TFT y GA-Net, que mostraron una alineación cercana a cero. Los estudios de ablación confirmaron que eliminar el codificador AC o imponer una distribución de retraso uniforme eliminaba esta capacidad de recuperación.
• Datos del Mundo Real: En los paneles económico y energético, AC-GATE produjo retrasos efectivos no degenerados y estructuralmente externos.
  • En el dominio económico, los retrasos aprendidos se asociaron negativamente con el capital humano y el PIB por trabajador.
  • En el dominio energético, los retrasos se asociaron fuertemente con el estado de derecho y la eficacia gubernamental.
  • Críticamente, un control negativo de barajado de proxy demostró que cuando la correspondencia entidad-proxy se rompía, la alineación L2 colapsaba mientras el rendimiento predictivo permanecía inalterado. Esto confirma que las señales de retraso estructuradas dependen del condicionamiento correcto de la entidad, no solo de la capacidad genérica del modelo.
• Rendimiento de Pronóstico: El artículo señala que AC-GATE no supera consistentemente a las líneas base en términos de precisión bruta de pronóstico ($R^2$) en datos del mundo real. En algunos casos, ARDL Agrupado superó a los modelos de aprendizaje profundo. El valor de AC-GATE se enmarca explícitamente como auditabilidad estructural en lugar de dominio predictivo.

Contribuciones Clave y Significado
El artículo hace tres contribuciones principales:

1. Formulación de la Tarea: Formula el descubrimiento de retrasos heterogéneos condicionados a la entidad como una tarea distinta de minería de series temporales de paneles, yendo más allá de la simple predicción.
2. Innovación Arquitectónica: Introduce AC-GATE, que genera retrasos efectivos a nivel de entidad como una salida estructural mediante un mecanismo de puerta de retraso explícito, en lugar de depender de la interpretación post-hoc.
3. Marco de Auditoría: Propone un protocolo de auditoría en capas que desacopla la calibración del pronóstico del descubrimiento de retrasos, proporcionando un método riguroso para validar si un modelo ha aprendido patrones de respuesta temporal significativos y no degenerados.

Significado
Los autores posicionan este trabajo no como un nuevo punto de referencia de pronóstico, sino como un diseño de auditoría de retrasos reproducible. El significado radica en desplazar el análisis de retrasos en el aprendizaje de paneles de una capa de interpretación informal a una salida de modelo explícita e inspeccionable. Al demostrar que AC-GATE puede recuperar estructuras de retraso conocidas en datos sintéticos y detectar heterogeneidad no degenerada y estructuralmente externa en paneles reales a nivel de país, el artículo proporciona una herramienta para caracterizar respuestas temporales heterogéneas. Los hallazgos apoyan el uso de tales modelos para generar "resúmenes de retrasos efectivos derivados del modelo" que pueden ser auditados en busca de colapso, estructura externa y recuperabilidad sintética, ofreciendo una forma verificable de exponer la heterogeneidad de retrasos condicionada a la entidad.