Clustered Local Projections for Short and Ultra-Short Time Series -- A Hierarchical Bayesian Framework

Stel je voor dat je een detective bent die een mysterie probeert op te lossen, maar je hebt slechts een klein, wazig snapshot van de plaats delict in plaats van een volledige video. In de wereld van de economie is dit een veelvoorkomend probleem. Economen gebruiken hulpmiddelen zoals "Local Projections" om te achterhalen hoe de economie reageert op grote schokken, zoals een plotseling oliegebrek of een verstoring in de toeleveringsketen. Ze willen weten: "Als we vandaag op deze knop drukken, wat gebeurt er dan volgende maand? Of volgend jaar?" Het probleem is dat deze hulpmiddelen data-hongerig zijn. Ze hebben lange geschiedenissen van cijfers nodig om goed te kunnen werken. Maar soms hebben economen slechts een paar maanden aan gegevens voor een nieuw type prijsindex, of is de tijd waar ze naar kijken zo ver in de toekomst dat hun kleine dataset uitgeput raakt voordat het antwoord arriveert. Het is alsoast proberen het weer voor volgende december te voorspellen op basis van slechts drie dagen temperatuurmetingen.

Om dit op te lossen, hebben de auteurs van dit paper, Todd E. Clark en Florian Huber, een slimme manier uitgevonden om de korte verhalen te laten lenen van de lange verhalen. Ze bouwden een "hiërarchisch Bayesiaans framework", wat indrukwekkend klinkt maar in feite een slim systeem is om vergelijkbare dingen bij elkaar te groeperen. Denk aan een klaslokaal waar de leraar een vraag stelt. Als een leerling met slechts een paar aantekeningen (een korte tijdreeks) gevraagd wordt om te antwoorden, kan diegene vastlazen. Maar als de leraar weet dat deze leerling in dezelfde "studiegroep" zit als een leerling met een dik tekstboek (een lange tijdreeks), kan de leraar hen de kans geven om het antwoord te delen. De sleutel is weten wie bij welke groep hoort. Als je een groep leerlingen die van wiskunde houdt mengt met een groep die van kunst houdt, krijgt de wiskundeleerling niet het juiste hulp. Dit paper ontdekt hoe je deze economische tijdreeksen automatisch in de juiste groepen sorteert op basis van hoe ze zich daadwerkelijk gedragen, in plaats van alleen maar te gokken.

Het Probleem: Het "Korte Geheugen" van de Economie

Economen bestuderen vaak hoe de economie reageert op schokken, zoals een plotselinge piek in olieprijzen of een verstoring in de scheepvaart. Ze gebruiken een methode genaamd Local Projections (LP's). Stel je voor dat je wilt zien hoe een prijs in de loop van de tijd verandert na een schok. Je voert voor elke afzonderlijke stap in de toekomst een aparte wiskundige vergelijking uit (één maand later, twee maanden later, enzovoort). Dit is geweldig omdat het flexibel is en de economie niet in een rigide box dwingt. Er is echter een addertje onder het gras: elke stap in de toekomst verbruikt een deel van je data. Als je een tijdreeks hebt die slechts 50 maanden teruggaat, kun je niet echt veel zeggen over wat er 40 maanden van nu gebeurt, omdat je dan uit geschiedenis bent gerend. Het is alsof je probeert de afloop van een film te raden wanneer je slechts de eerste vijf minuten hebt gezien.

In de echte wereld hebben we veel nieuwe economische indicatoren die erg kort zijn. Misschien is er vorig jaar pas een nieuwe enquête gestart, of is een specifiek type prijsindex pas onlangs gecreëerd. Deze "ultra-korte" series zijn nutteloos voor het kijken ver in de toekomst met standaardmethoden. De auteurs merkten op dat hoewel deze korte series nieuw zijn, ze vaak gerelateerd zijn aan oudere, langere series. Bijvoorbeeld, een nieuwe "Services Producer Price Index" kan op een olie-schok op een zeer vergelijkbare manier reageren als een oude "Manufacturing Price Index" die gegevens heeft teruggaand tot de jaren 50. De vraag is: Hoe gebruiken we de lange geschiedenis van de oude serie om de korte geschiedenis van de nieuwe serie te begrijpen, zonder ze exact hetzelfde te dwingen te zijn?

De Oplossing: Een Slim Groeperingssysteem

De auteurs stellen een oplossing voor die werkt als een super-slimme bibliothecaris. In plaats van elke tijdreeks als een eenzaam eiland te behandelen, groepeert hun methode ze in "clusters" op basis van hoe ze zich daadwerkelijk gedragen.

Zo werkt de magie:

1. De Leentruc: Het systeem gaat ervan uit dat als twee series op een vergelijkbare manier reageren op een schok, ze elkaar moeten helpen. Als een korte serie bijna geen gegevens heeft voor een specifieke toekomstige maand, kijkt het systeem naar de lange serie in zijn groep en zegt: "Oké, aangezien jij geen gegevens hebt, laten we het patroon van je langdurige vrienden gebruiken." Dit stelt de korte serie in staat om informatie te "lenen" om voorspellingen te doen ver in de toekomst die het op eigen kracht niet zou kunnen bereiken.
2. De "One Size Fits All"-valstrik: De auteurs waarschuwen dat je niet iedereen zomaar op één hoop kunt gooien. Benzineprijzen en prijzen voor ziekenhuisdiensten reageren niet op dezelfde manier op een schok. Als je ze in één grote groep dwingt, krijg je het verkeerde antwoord. Daarom gebruikt hun methode een sparse finite mixture. Dit is een chique manier om te zeggen dat het systeem automatisch uitrekent hoeveel groepen er zijn en welke serie bij welke groep hoort. Het is als een feestje waar de gasten zich vanzelf splitsen in verschillende vriendencirkels op basis van hun interesses, in plaats van te worden gedwongen in één grote cirkel.
3. Het Drielagige Veiligheidsnet: Het systeem heeft drie lagen van organisatie. Ten eerste groepeert het vergelijkbare series samen. Ten tweede realiseert het zich dat zelfs kleine groepen misschien wat extra hulp nodig hebben, dus verbindt het die groepen aan een "populatiecentrum" (het gemiddelde van iedereen). Dit zorgt ervoor dat zelfs een groep met slechts één lid nog steeds iets kan leren van de hele menigte, zij het net iets minder intensief.

Wat Ze Vonden: Betere Antwoorden voor Korte Data

De auteurs testten hun idee met simulaties gebaseerd op echte Amerikaanse economische data. Ze creëerden een fictieve wereld met 80 verschillende tijdreeksen: de helft was lang en gezond, en de helft was zeer kort (sommigen met slechts 25 maanden aan gegevens). Ze vroegen vervolgens: "Wie kan de toekomst het beste voorspellen?"

De resultaten waren duidelijk:

• Voor de korte series: De nieuwe methode was een gamechanger. Het verminderde de fout in voorspellingen met ongeveer 50% tot 90% vergeleken met de oude standaardmethode. In sommige gevallen halveerde het de fout op korte, medium en lange termijn. Het was zo veel beter dat de oude methode bijna nutteloos leek voor de kortste series.
• Voor de lange series: De nieuwe methode heeft de lange series helemaal niet geschaad. Het produceerde resultaten die bijna identiek waren aan de standaardmethode, wat bewees dat lenen van anderen de mensen die al over voldoende data beschikken, niet in de weg zit.
• Het belang van groepering: Ze ontdekten dat als je iedereen in één enkele groep zou dwingen (door de verschillen te negeren), de resultaten slechter werden. De "slimme groepering" was het geheime ingrediënt. Het stelde het systeem in staat om te zeggen: "Deze twee zijn hetzelfde, dus laten we delen," terwijl het ook kon zeggen: "Deze twee zijn verschillend, dus laten we ze apart houden."

De Real-World Test: Prijzen en Schokken

Om te zien of dit in de echte wereld werkte, pasten de auteurs hun methode toe op 43 verschillende prijsreeksen in de VS. Dit omvatte oude, bekende prijsindices (sommigen daterend uit 1959) en nieuwere, kortere enquêtes van Federal Reserve-banken. Ze keken naar hoe deze prijzen reageerden op twee specifieke schokken: een toeleveringsketenschok (zoals vertragingen in de scheepvaart) en een olieaanbodschok.

De methode sorteerde de 43 series in 6 of 7 duidelijke clusters.

• Cluster 1 was een grote groep van 20 series, voornamelijk consumentenprijzen en enkele producentenprijzen.
• Cluster 4 was een groep van 6 regionale enquêtes.
• Sommige series, zoals de prijzen van eindproducten, waren zo uniek dat ze hun eigen cluster met één lid vormden.

De resultaten toonden interessante patronen:

• Headline vs. Core: Wanneer een schok optrad, reageerden de "headline" prijzen (die voedsel en energie bevatten) veel scherper dan de "core" prijzen (die deze uitsluiten).
• Goederen vs. Diensten: Goederenprijzen veranderden meer dan prijzen van diensten.
• Het Onbewerkte Effect: De prijzen van onbewerkte goederen (de grondstoffen) bewogen het meest, wat logisch is omdat zij de eersten zijn die de schok voelen.

Cruciaal was dat de methode scherpere, preciezere antwoorden gaf voor de nieuwere, kortere series. Bijvoorbeeld, sommige nieuwere prijsenquêtes voor diensten hadden slechts ongeveer 33 bruikbare datapunten op de langste tijdshorizon. Zonder deze methode zouden economen wild moeten gokken. Met deze methode konden ze duidelijke patronen zien omdat de korte series de kracht leenden van de langere series in hun cluster.

Waarom Dit Ertoe Doet

Dit paper biedt niet alleen een nieuwe wiskundige truc; het biedt een manier om de toekomst duidelijker te zien wanneer het verleden wazig is. Door korte tijdreeksen de wijsheid te laten lenen van lange tijdreeksen, maar alleen wanneer ze echt vergelijkbaar zijn, hebben de auteurs een instrument gecreëerd dat economische voorspellingen nauwkeuriger maakt voor de nieuwste en meest fragiele data. Het suggereert dat in een wereld van veranderende data, we de korte verhalen niet hoeven weg te gooien; we moeten alleen de juiste vrienden vinden om ons te helpen ze te lezen.