Do Stationarity Transformations Actually Improve Time Series Forecasts? A Controlled Experimental Evaluation

Sintesi Tecnica: Le Trasformazioni di Stazionarietà Migliorano Effettivamente le Previsioni delle Serie Temporali? Una Valutazione Sperimentale Controllata

Enunciato del Problema
Le trasformazioni di stazionarietà (ad esempio, differenziazione, trasformazioni logaritmiche, aggiustamenti stagionali) costituiscono un passo standard di pre-elaborazione nelle previsioni delle serie temporali, radicato nell'assunzione che molti modelli classici (AR, ARMA) richiedano input stazionari per funzionare correttamente. Tuttavia, manca una prova empirica controllata che valuti se il raggiungimento della stazionarietà attraverso la pre-elaborazione migliori effettivamente l'accuratezza delle previsioni. La maggior parte degli studi esistenti applica pipeline fisse senza confronto o si basa su dati reali dove il vero processo generatore dei dati (DGP) è sconosciuto, rendendo impossibile determinare se una trasformazione miri alla forma corretta di non-stazionarietà. Questo studio colma il divario tra la razionale teorica della pre-elaborazione e le prestazioni empiriche delle previsioni.

Metodologia
Gli autori hanno condotto un esperimento fattoriale completamente incrociato che coinvolge 3.528 configurazioni:

• Dataset: 11 serie temporali sintetiche con DGP noti che isolano specifici pattern di non-stazionarietà (tendenza lineare, stagionalità, eteroschedasticità, strutture autoregressive, camminate casuali e combinazioni) e 1 dataset reale (Numeri di Transito ai Checkpoint TSA). Le serie sintetiche avevano una lunghezza di 200 osservazioni a frequenza settimanale.
• Trasformazioni: Sono state testate 14 configurazioni, incluse trasformazioni singole (nessuna, differenziazione prima, differenziazione stagionale, differenziazione frazionaria, log, Box-Cox) e combinazioni di pipeline (ad esempio, log + differenza).
• Modelli: 7 modelli di previsione che coprono tre categorie: quelli che tradizionalmente assumono stazionarietà (AR, ARMA), quelli con gestione parziale della stazionarietà (ARIMA) e quelli che non richiedono stazionarietà (ETS, Holt-Winters, Prophet, Gradient Boosting/LightGBM).
• Valutazione: Le previsioni sono state generate per orizzonti di 4, 12 e 24 settimane. L'accuratezza è stata misurata utilizzando l'Errore Percentuale Assoluto Medio Simmetrico (sMAPE) sulla scala originale (dopo la trasformazione inversa).
• Misurazione della Stazionarietà: Un rapporto di consenso derivato da dieci test statistici (che coprono tendenza, varianza e stagionalità) è stato utilizzato per quantificare la stazionarietà, con regole di esclusione specifiche del dominio per prevenire risultati spurii.
• Analisi: Lo studio ha impiegato un'analisi di mediazione per scomporre il percorso causale: Trasformazione $\rightarrow$ Stazionarietà $\rightarrow$ Accuratezza delle Previsioni.

Risultati Chiave

1. Degrado Generale: Contrariamente alla pratica standard, l'applicazione di trasformazioni di stazionarietà ha generalmente peggiorato l'accuratezza delle previsioni. Le trasformazioni basate sulla differenziazione (prima, stagionale, frazionaria) hanno agito come filtri passa-alto, rimuovendo segnali prevedibili a bassa frequenza e aumentando significativamente lo sMAPE.
2. L'Eccezione della Stabilizzazione della Varianza: L'unica eccezione principale è stata la stabilizzazione della varianza (trasformazioni log e Box-Cox). Su dati eteroschedastici, queste trasformazioni hanno migliorato l'accuratezza nel 60–65% dei casi affrontando violazioni delle ipotesi di modellazione senza attenuare la struttura del segnale predittivo.
3. Corrispondenza vs. Mismatch: Anche quando una trasformazione era "corrispondente" alla non-stazionarietà nota (ad esempio, differenziare una tendenza lineare), ha migliorato le previsioni solo nel 18% dei casi. In molti casi "da manuale", come differenziare una serie a tendenza lineare, l'accuratezza è peggiorata in tutti i casi testati perché il segnale di tendenza prevedibile è stato rimosso.
4. Indipendenza dal Modello: L'impatto negativo della differenziazione è persistito attraverso tutte le famiglie di modelli, inclusi AR e ARMA. Le implementazioni moderne di questi modelli includono spesso una parametrizzazione interna della tendenza, riducendo la necessità pratica di differenziazione esterna.
5. Risultati di Mediazione: L'analisi di mediazione ha confermato che, sebbene le trasformazioni abbiano aumentato con successo la stazionarietà della tendenza (Percorso A), una maggiore stazionarietà della tendenza era associata a un'accuratezza delle previsioni peggiore (Percorso B). Il meccanismo è stato identificato come attenuazione del segnale. Al contrario, il raggiungimento della stazionarietà della varianza è stato positivamente associato a un miglioramento dell'accuratezza.
6. Validazione nel Mondo Reale: I risultati sui dati sui passeggeri aeroportuali TSA hanno corroborato le scoperte sintetiche. La differenziazione è stata la trasformazione più dannosa, mentre una combinazione di stabilizzazione della varianza e aggiustamento stagionale ha prodotto i migliori risultati.

Significato e Affermazioni
Il documento afferma che la relazione tra stazionarietà e accuratezza delle previsioni è più sfumata di quanto assumano le pipeline di pre-elaborazione convenzionali. Gli autori sostengono che:

• Segnale vs. Stazionarietà: Raggiungere la stazionarietà statistica non equivale a un miglioramento della prevedibilità. Le trasformazioni che rimuovono la non-stazionarietà spesso rimuovono il segnale apprendibile necessario per l'estrapolazione.
• Empirico su Teorico: La selezione delle trasformazioni dovrebbe essere guidata dalla valutazione empirica fuori campione piuttosto che da assunzioni teoriche sulla stazionarietà.
• Pre-elaborazione Selettiva: I praticanti dovrebbero distinguere tra trasformazioni che preservano il segnale (stabilizzazione della varianza) e trasformazioni che sopprimono il segnale (differenziazione). La differenziazione dovrebbe essere applicata con cautela piuttosto che come passo predefinito, mentre la stabilizzazione della varianza rimane una strategia robusta per i dati eteroschedastici.

Lo studio conclude che, sebbene la stazionarietà rimanga una proprietà teorica fondamentale per l'inferenza e la stabilità del modello, non è un proxy affidabile per massimizzare l'accuratezza predittiva fuori campione nelle moderne pipeline di previsione.