Modeling the uncertainty on the covariance matrix for probabilistic forecast reconciliation

Resumo Técnico: Modelagem da Incerteza na Matriz de Covariância para Reconciliação Probabilística de Previsões

Declaração do Problema
Na previsão de séries temporais hierárquicas, as previsões base geradas independentemente para diferentes níveis de uma hierarquia são frequentemente incoerentes (ou seja, não somam corretamente). A reconciliação de previsões ajusta essas previsões base para satisfazer restrições de agregação lineares. A abordagem padrão para reconciliação probabilística é o Mínimo Traço (MinT), que depende da matriz de covariância dos erros de previsão base ($W$).

Uma limitação crítica das implementações atuais do MinT é que $W$ é estimado a partir de resíduos in-sample e, em seguida, tratado como um parâmetro conhecido e fixo. Essa prática ignora a incerteza de estimação inerente a $W$, particularmente quando o número de séries temporais é grande em relação ao tamanho da amostra. Consequentemente, isso leva a uma subestimação da variância da distribuição preditiva, resultando em intervalos de previsão (IPs) que são sistematicamente muito estreitos e falham em atingir a cobertura nominal. Embora trabalhos recentes tenham combinado reconciliação com previsão conformal para corrigir a cobertura, nenhum framework existente modela explicitamente a incerteza da própria matriz de covariância dentro do processo de reconciliação.

Metodologia: t-Rec
Os autores propõem o t-Rec, um método de reconciliação bayesiano que modela explicitamente a incerteza da matriz de covariância $W$. A metodologia procede da seguinte forma:

1. Formulação Bayesiana: Em vez de usar uma estimativa pontual para $W$, os autores tratam-na como uma variável aleatória. Eles adotam uma distribuição a priori Inverse-Wishart (IW) para $W$ e assumem que os resíduos in-sample são condicionalmente Gaussianos dado $W$.
2. Derivação da Posteriori: Usando a conjugação entre a priori Inverse-Wishart e a verossimilhança Gaussiana, a distribuição posterior de $W$ é derivada analiticamente.
3. Distribuição Preditiva Incoerente: Ao marginalizar $W$ da posteriori conjunta, os autores derivam a distribuição preditiva posterior incoerente. Diferentemente do MinT padrão, que produz uma Gaussiana multivariada, essa integração resulta em uma distribuição t multivariada. Esta distribuição possui naturalmente caudas mais pesadas, contabilizando a incerteza em $W$.
4. Reconciliação via Condicionamento: A distribuição t multivariada incoerente é reconciliada condicionando-se às restrições hierárquicas (fatias da distribuição sobre o subespaço coerente). Aproveitando as propriedades de fechamento da distribuição t multivariada sob transformações afins e condicionamento, os autores derivam uma expressão de forma fechada para a distribuição reconciliada, que permanece uma distribuição t multivariada.
5. Especificação de Parâmetros:
   • A matriz de escala da priori ($\Psi_0$) é construída usando a covariância de resíduos de métodos de referência simples (naive e seasonal naive), selecionados via teste de sazonalidade KPSS.
   • Os graus de liberdade ($\nu_0$) são otimizados via validação cruzada Bayesiana Leave-One-Out (LOO) para maximizar o log-score fora da amostra. Os autores observam que essa otimização é computacionalmente eficiente devido à fórmula de Sherman-Morrison.

Contribuições Principais

• Solução Analítica: O artigo fornece a primeira solução analítica conhecida para reconciliação probabilística de previsões via condicionamento quando as previsões base não são estritamente Gaussianas (especificamente, quando a incerteza de covariância é modelada), estendendo-se além do caso Gaussiano onde a reconciliação coincide com o MinT.
• Distribuição t Multivariada de Forma Fechada: O método produz uma distribuição preditiva reconciliada em forma fechada que é uma distribuição t multivariada, evitando a necessidade de técnicas de amostragem computacionalmente caras (por exemplo, MCMC) tipicamente requeridas para reconciliação não-Gaussiana.
• Largura Adaptativa do Intervalo: Diferentemente do MinT, que sempre estreita os intervalos de previsão em relação às previsões base, o t-Rec permite que os intervalos se alarguem na presença de alta incoerência ou alta incerteza de estimação, levando a uma cobertura mais confiável.
• Implementação: O método é implementado no pacote R bayesRecon.

Resultados Empíricos
Os autores avaliaram o t-Rec contra o MinT em três conjuntos de dados: um novo conjunto de dados de turismo suíço (26 cantões + total), e dois conjuntos de dados de turismo australiano (mensal e trimestral).

• Previsões Pontuais: O t-Rec e o MinT performam comparavelmente em termos de Erro Quadrático Médio (MSE), indicando que modelar a incerteza de covariância não degrada a precisão da previsão pontual.
• Previsões Probabilísticas: O t-Rec supera consistentemente o MinT em métricas probabilísticas:
  • Intervalos de Previsão: O t-Rec produz intervalos mais largos que atingem taxas de cobertura mais próximas dos níveis nominais (por exemplo, 88% de cobertura para IPs de 95% vs. 83% para o MinT no conjunto de dados suíço).
  • Regras de Pontuação: O t-Rec alcança pontuações (menores, melhores) de Probabilidade Ranqueada Contínua (CRPS) e Pontuações Médias de Intervalo (MIS) mais baixas, particularmente em níveis de confiança mais altos (95%), devido às caudas mais pesadas da distribuição t.
  • Desempenho Conjunto: A Pontuação de Energia (ES) também favorece o t-Rec, indicando melhor calibração da distribuição preditiva conjunta.
• Estudo de Ablação: Comparações com variantes (por exemplo, t-Rec-MAP, que usa uma estimativa pontual de $W$) confirmam que a melhoria decorre especificamente da marginalização sobre a posteriori de $W$ em vez do uso de uma estimativa pontual.

Significado e Alegações
O artigo alega que o t-Rec oferece uma quantificação mais principista da incerteza ao integrar a incerteza de parâmetros diretamente na distribuição preditiva. Os autores afirmam que sua abordagem "melhora consistentemente os intervalos de previsão em comparação com a reconciliação MinT" enquanto mantém uma precisão de previsão pontual comparável.

Os autores são modestos quanto ao escopo de suas alegações:

• Eles reconhecem que a eficácia do t-Rec depende da especificação do parâmetro de escala da priori $\Psi_0$, que pode ser subótimo para séries complexas com múltiplas sazonalidades.
• Eles notam limitações da priori Inverse-Wishart em configurações de alta dimensão e sugerem trabalhos futuros sobre priores modernos.
• A análise atual está restrita a hierarquias transversais, com extensões temporais e cruzadas-temporais deixadas para estudos futuros.

A contribuição central é a demonstração de que tratar a matriz de covariância como um parâmetro fixo no MinT leva a previsões excessivamente confiantes, e que um tratamento bayesiano que produz uma distribuição t multivariada fornece uma alternativa computacionalmente eficiente e estatisticamente superior para reconciliação probabilística.