Seasonality in Mixed Causal-Noncausal Processes

Dit artikel onderzoekt de rol van complexe en negatieve wortels in gemengde causale-niet-causale autoregressieve modellen en concludeert dat, ondanks de multiplicatieve structuur, seizoensgebonden wortels altijd kunnen worden geïsoleerd zonder nieuwe gezamenlijke seizoenseffecten te genereren, wat belangrijke implicaties heeft voor modelselectie en empirische toepassing.

De kern

Seizoenen in een chaotische wereld: Een simpele uitleg van de nieuwe MAR-studie

Stel je voor dat je kijkt naar de beurskoersen, de prijs van sojabonen of het aantal coronagevallen. Soms gaan deze cijfers gewoon omhoog en omlaag. Maar soms gebeuren er rare dingen: plotseling een enorme piek die net zo snel weer verdwijnt, of een ritmische 'zig-zag' beweging die lijkt op een seizoen.

Deze paper, geschreven door drie economen, gaat over hoe we die rare bewegingen in de tijd kunnen begrijpen en voorspellen. Ze gebruiken een geavanceerd wiskundig model genaamd MAR (Mixed Causal-Noncausal Autoregressive). Dat klinkt als een mondvol, maar laten we het op een makkelijke manier uitleggen.

1. De Twee Kanten van de Medaille: Verleden en Toekomst

In de oude, traditionele modellen kijken economen alleen naar het verleden.

• Voorbeeld: "Vandaag regent het omdat het gisteren ook regende."
• Dit noemen ze causaal (oorzaak en gevolg).

Maar de auteurs zeggen: "Wacht even, soms gedraagt de wereld zich alsof het toekomst al weet!"

• Voorbeeld: "De prijs van sojabonen schiet omhoog voordat er een echte schaarste is, omdat beleggers weten dat er straks een schaarste komt."
• Dit noemen ze niet-causaal (forward-looking).

Het nieuwe MAR-model combineert beide: het kijkt naar wat er gisteren gebeurde én wat er morgen kan gebeuren. Dit is cruciaal voor het begrijpen van 'bellen' (zoals in de beurs) of plotselinge explosies.

2. Het Grote Misverstand: Seizoenen en de 'Magische Mix'

De kern van dit onderzoek is een vraag over seizoenen.
Stel je voor dat je een model bouwt dat zowel naar het verleden als naar de toekomst kijkt. Je zou denken: "Als ik een stukje verleden (causaal) en een stukje toekomst (niet-causaal) met elkaar vermenigvuldig, creëer ik misschien wel een heel nieuw soort seizoen dat we nog nooit hebben gezien!"

Het is alsof je een rode verf (verleden) en een blauwe verf (toekomst) mengt en hoopt dat er een nieuwe, paarse magie uit komt die je niet kon voorspellen.

Het verrassende resultaat van de paper:
Nee, dat gebeurt niet. De auteurs bewijzen wiskundig dat je geen nieuwe seizoenen kunt creëren door deze twee te mengen.

• Als er een 'winter' in het verleden zit, blijft het een winter.
• Als er een 'zomer' in de toekomst zit, blijft het een zomer.
• Ze kunnen samenwerken, maar ze maken geen nieuwe, onbekende 'herfst' aan.

De Analogie van de Puzzel:
Stel je voor dat je een grote puzzel hebt met stukjes die 'verleden' en 'toekomst' voorstellen. Soms zitten er stukjes in die een ritme hebben (seizoenen). De auteurs zeggen: "Je kunt die ritmische stukjes altijd uit elkaar halen en zien: 'Ah, dit stukje hoort bij het verleden, en dat stukje hoort bij de toekomst'." Je hoeft niet te raden of ze samen een nieuw ritme hebben gemaakt. Ze blijven losse stukjes.

3. Waarom is dit handig voor economen?

Vroeger was het voor economen een nachtmerrie om te bepalen welk model ze moesten gebruiken. Er waren zoveel mogelijke combinaties van 'verleden' en 'toekomst' dat het een enorme zoektocht werd.

Dit paper biedt een stappenplan (een soort recept):

1. Kijk eerst naar het totale plaatje: Gebruik een simpele versie van het model (de 'pseudo-causale' versie) om te zien welke 'ritmische stukjes' (wortels) er in de data zitten.
2. De Complexiteit: Soms zitten die ritmische stukjes in paren (zoals een complex getal met een reëel en een imaginaire deel). De paper zegt: "Als je zo'n paar ziet, moet je ze altijd samen in het verleden of altijd samen in de toekomst stoppen." Je mag ze niet uit elkaar halen.
3. Het Resultaat: Hierdoor worden er veel minder opties over. In plaats van 100 mogelijke modellen, heb je er misschien maar 2 of 3 die logisch zijn. Dat maakt het kiezen van het juiste model veel makkelijker en sneller.

4. De Praktijk: Corona en Sojabonen

De auteurs testen hun theorie op twee echte voorbeelden:

• Coronadoden in België en Italië:

  • In België zag men een 'zig-zag' patroon in de dodentallen (een ritmische piek en daling). Het oude model kon dit niet goed vangen.
  • Met het nieuwe MAR-model zagen ze dat dit gedrag kwam door een combinatie van 'verleden' (de echte besmettingen) en 'toekomst' (de paniek die vooruitliep). Het model kon precies zien waar de 'seizoenspiek' zat en hoe die zich gedroeg.

• Sojabonenprijzen:

  • Sojabonenprijzen hebben vaak explosieve momenten. Het oude model zag alleen de pieken, maar niet waarom ze zo snel kwamen.
  • Het nieuwe model zag dat er een 'seizoensritme' was (elke 6 maanden een cyclus) dat door de 'toekomst-richting' van de markt werd versterkt. Dit gaf een veel realistischer beeld van hoe de prijs zich gedroeg.

Conclusie: Wat betekent dit voor jou?

De boodschap is simpel: De wereld is complex, maar niet onbegrijpelijk.

Zelfs als data gekke patronen vertoont (zoals plotselinge pieken of ritmische seizoenen), hoeven we niet te denken dat er een nieuwe, onbekende wet van de natuur is ontdekt. De auteurs laten zien dat we die patronen kunnen ontleden in hun losse onderdelen: wat komt uit het verleden en wat komt uit de toekomst.

Door te begrijpen dat je geen 'nieuwe seizoenen' kunt creëren door verleden en toekomst te mixen, kunnen economen betere modellen bouwen. Dat betekent betere voorspellingen voor de beurs, de landbouw en zelfs voor het begrijpen van crises zoals de pandemie.

Kortom: Geen magie, maar slimme wiskunde die ons helpt de chaos te ordenen.

Technische samenvatting

Titel: Seizoensinvloeden in Gemengde Causale-Niet-causale Processen

Auteurs: Tom´as del Barrio Castro, Alain Hecq, en Sean Telg.

---

1. Het Probleem

Mixed Causal-Noncausal Autoregressive (MAR) modellen zijn tijdreeksmodellen die worden aangedreven door niet-Gaussisch ruis en zowel lag- (verleden) als lead- (toekomst) polynoomcomponenten bevatten. Deze modellen zijn populair geworden om niet-lineaire dynamieken te modelleren, zoals explosieve bubbels in financiële markten.

De huidige literatuur richt zich echter voornamelijk op positieve wortels (bubbels bij de nul-frequentie). Er is echter een gebrek aan inzicht in hoe negatieve en complexe wortels (die seizoensinvloeden en cyclische patronen vertegenwoordigen) zich gedragen binnen MAR-modellen.

• De kernvraag: Kunnen de causale (achterwaartse) en niet-causale (voorwaartse) polynomen in een MAR-model gezamenlijk nieuwe seizoenseffecten genereren door hun multiplicatieve structuur?
• De uitdaging: Het is niet direct duidelijk hoe seizoenswortels zich voortplanten in het systeem, vooral gezien de complexiteit van schatting en modelselectie bij niet-geneste modellen en het risico op bimodaliteit in de likelihood-functie.

2. Methodologie

De auteurs gebruiken een theoretische benadering gebaseerd op partitiestelsels (partial fraction decompositions) om de structuur van MAR-modellen met seizoenswortels te analyseren.

• Theoretische Afleiding:

  • Ze analyseren eerst zuiver causale AR-modellen en tonen aan dat seizoenseffecten geïsoleerd kunnen worden in de moving average (MA) representatie.
  • Vervolgens breiden ze dit uit naar MAR(r, q)-modellen. Ze bewijzen dat de polynomen $\phi(L)$ (causaal) en $\phi(L^{-1})$ (niet-causaal) zodanig kunnen worden ontbonden dat elke wortel uniek kan worden toegewezen aan óf de causale óf de niet-causale component.
  • Ze tonen wiskundig aan dat er geen nieuwe gezamenlijke seizoenseffecten ontstaan door de interactie van de twee polynomen. De spectrale macht is puur de som van de individuele bijdragen van de wortels.

• Schatting en Modelselectie:

  • Pseudo-causaal model: De auteurs benutten de "pseudo-causale" representatie (of SOE - Second Order Equivalent) om de totale autoregressieve orde ($p = r + q$) en de wortels van het proces te identificeren via OLS-schatting.
  • Worteltoewijzing: Een cruciale stap is het correct toewijzen van de geïdentificeerde wortels aan de causale of niet-causale polynoom. Ze stellen dat complexe geconjugeerde wortelparen gezamenlijk aan één polynoom moeten worden toegewezen om te garanderen dat de coëfficiënten reëel blijven.
  • AMLE: Voor de uiteindelijke schatting wordt Approximate Maximum Likelihood Estimation (AMLE) gebruikt, waarbij de wortels uit het pseudo-causale model dienen als startwaarden.

• Validatie:

  • Een uitgebreide Monte Carlo simulatiestudie (10.000 iteraties) test de consistentie van de wortelschatting en de prestaties van de modelselectieprocedure.
  • Twee empirische toepassingen: COVID-19 sterftecijfers (België en Italië) en maandelijkse sojaboonprijzen.

3. Belangrijkste Bijdragen

1. Theoretisch Bewijs van Isolatie: Het paper bewijst dat in MAR-modellen seizoenswortels altijd geïsoleerd kunnen worden in de MA-representatie. De multiplicatieve structuur van causale en niet-causale polynomen creëert geen nieuwe gezamenlijke seizoensfrequenties. Dit betekent dat de totale orde eerst bepaald kan worden via een pseudo-causaal model zonder dat er nieuwe complexe dynamieken worden gemist.
2. Vereenvoudiging van Modelselectie: De aanwezigheid van complexe geconjugeerde wortelparen vereenvoudigt de modelkeuze aanzienlijk. Omdat deze paren niet gesplitst mogen worden over de causale en niet-causale delen, daalt het aantal haalbare modelcombinaties (bijv. een MAR(1,1) is niet mogelijk als er een complex paar is dat niet gesplitst kan worden).
3. Praktische Richtlijnen: De auteurs bieden een gestructureerd stappenplan voor de modellering:
   • Stap 1: Exploratieve analyse (periodogram) om seizoenspatronen te detecteren.
   • Stap 2: Schatting van het pseudo-causale model om de totale orde en wortels te vinden.
   • Stap 3: Toewijzing van wortelparen (vooral complexe paren) en schatting van de sterkste vorm (MAR) via AMLE.

4. Resultaten

• Simulaties: De Monte Carlo-studie bevestigt dat de wortels van het MAR-proces consistent worden geschat via het pseudo-causale model. De modelselectieprocedure (maximalisatie van de log-likelihood) slaagt erin het juiste model te identificeren, mits complexe wortelparen correct als een eenheid worden behandeld. Als men probeert een complex paar te splitsen (bijv. in een MAR(1,1)), resulteert dit in een lagere likelihood of onrealistische schattingen.
• COVID-19 Data:
  • Voor Italië werd een puur causaal model (MAR(2,0)) geselecteerd met complexe wortels.
  • Voor België werd een MAR(2,2) model gevonden. De analyse toonde aan dat de toewijzing van de wortels cruciaal is: het model met de hoogste likelihood had de Nyquist-frequentie (zig-zag gedrag) in de niet-causale polynoom. Een verkeerde toewijzing leidde tot een model dat de pieken en dalen slecht voorspelde, ondanks dat het convergerde.
• Sojaboonprijzen:
  • Een AR(5) pseudo-causaal model werd gevonden. Bij de overgang naar een MAR-model bleek dat de toewijzing van wortels de frequentie van de complexe paren kon veranderen (van $1/4\pi$ naar $1/3\pi$). Het geselecteerde MAR(2,3) model met de juiste toewijzing leverde een significant betere log-likelihood op dan alternatieven en paste beter bij de maandelijkse cyclus (6 maanden in plaats van 8).

5. Betekenis en Conclusie

Dit artikel is van groot belang voor econometristen en datawetenschappers die werken met niet-lineaire tijdreeksen.

• Theoretische duidelijkheid: Het weerlegt de veronderstelling dat de mix van causale en niet-causale dynamiek nieuwe seizoenseffecten zou kunnen creëren die niet in de individuele polynomen zitten.
• Methodologische verbetering: Het biedt een robuuste methode om modelselectie te stroomlijnen door gebruik te maken van de eigenschappen van complexe wortelparen. Dit helpt onderzoekers om lokale maxima in de likelihood-functie te vermijden en fysisch betekenisvolle modellen te selecteren.
• Toepasbaarheid: De bevindingen zijn direct toepasbaar op data met explosieve periodes en seizoensinvloeden, zoals financiële bubbels, inflatie en agrarische prijzen, en tonen aan dat MAR-modellen een krachtig alternatief zijn voor traditionele SARIMA-modellen in deze context.

Kortom, de auteurs tonen aan dat seizoensinvloeden in MAR-modellen volledig begrijpelijk en hanteerbaar zijn door de wortels correct te isoleren en toe te wijzen, wat leidt tot nauwkeurigere modellen en betere voorspellingen.