FARS: Factor Augmented Regression Scenarios in R

Resumo Técnico de "FARS: Factor Augmented Regression Scenarios in R"

Definição do Problema
No contexto de séries temporais macroeconômicas e financeiras, há uma demanda crescente pela previsão das densidades de probabilidade completas de variáveis-chave, em vez de depender apenas de previsões pontuais. Isso é crucial para avaliar a vulnerabilidade macroeconômica, desenhar políticas de resiliência e construir cenários de estresse realistas para compreender a resiliência do sistema econômico sob condições adversas. As abordagens existentes frequentemente enfrentam limitações: os métodos padrão de Componentes Principais (PC) têm dificuldades quando os fatores latentes carregam apenas em grupos específicos de variáveis (estruturas de blocos), e poucas ferramentas permitem a construção de densidades condicionais sob cenários de fatores "estressados" enquanto consideram a incerteza na estimação dos fatores. Além disso, embora as Regressões Quantílicas Aumentadas por Fatores (FA-QRs) possam estimar quantis condicionais, integrar essas técnicas com estruturas de fatores multiníveis e gerar cenários de estresse probabilísticos requer um arcabouço unificado e flexível.

Metodologia
O artigo apresenta o pacote FARS, que implementa uma metodologia de quatro estágios para modelar e prever densidades condicionais:

1. Extração de Fatores via Modelos de Fatores Dinâmicos Multiníveis (MLDFM):
   O arcabouço extrai fatores latentes utilizando uma estrutura MLDFM flexível que acomoda blocos de variáveis não sobrepostos e sobrepostos (ex: regiões geográficas ou setores econômicos).

   • Estrutura do Modelo: O modelo inclui fatores pervasivos (globais) comuns a todas as variáveis, fatores específicos de blocos e, potencialmente, fatores semipervasivos (pareados ou de ordem superior) que carregam em subconjuntos específicos de blocos.
   • Estimação: Os fatores são estimados usando o estimador de Mínimos Quadrados Sequenciais (SLS). O algoritmo inicializa os fatores usando Análise de Correlação Canônica (CCA) ou Componentes Principais (PC) e, iterativamente, minimiza a soma dos quadrados dos resíduos (RSS) regredindo as variáveis nos fatores e os fatores nas cargas (loadings) até a convergência.
   • Quantificação da Incerteza: O pacote computa regiões de confiança assintoticamente válidas para os fatores estimados. Ele considera a incerteza nas cargas dos fatores e as potenciais correlações cruzadas nos componentes idiossincráticos ao empregar uma abordagem de subamostragem (subamostragem de subconjuntos de séries) para corrigir o Erro Quadrático Médio (MSE) assintótico. Isso permite a construção de elipsoides de confiança que representam realizações extremas, porém plausíveis, dos fatores.

2. Regressão Quantílica Aumentada por Fatores (FA-QR):
   Os fatores extraídos servem como regressores em um modelo FA-QR para estimar os quantis condicionais de uma variável alvo $y_t$. O modelo é especificado como:
   $$q_{\tau^*}(y_{t+h} | y_t, F_t) = \mu(\tau^*, h) + \phi(\tau^*, h)y_t + \sum_{k=1}^r \beta_k(\tau^*, h)F_{kt}$$
   Os parâmetros são estimados usando o algoritmo de Koenker e D'Oray.

3. Construção da Densidade Condicional:
   Para recuperar uma densidade condicional preditiva completa a partir dos quantis estimados, o pacote ajusta uma distribuição Skewed-Student (Skew-t). Os parâmetros da distribuição Skew-t (localização, escala, forma e espessura de cauda) são determinados minimizando as diferenças quadráticas entre os quantis estimados pela FA-QR e os quantis teóricos implicados pela distribuição Skew-t.

4. Geração de Cenários de Estresse:
   Para gerar cenários de estresse, a metodologia identifica os valores dos fatores no limite do elipsoide de confiança (definido por um nível de estresse $\alpha$) que minimizam ou maximizam um quantil específico da distribuição condicional da variável alvo. Esses "fatores estressados" são então inseridos de volta no modelo FA-QR para derivar os quantis estressados, que são subsequentemente suavizados em uma densidade condicional estressada.

Principais Contribuições
O artigo introduz o pacote R FARS, que oferece várias contribuições técnicas distintas:

• Extração de Fatores Flexível: É o primeiro pacote R publicado a extrair fatores de MLDFMs com estruturas de blocos sobrepostas usando o estimador SLS. Suporta estruturas hierárquicas com mais de dois níveis (globais, semipervasivos e específicos de blocos).
• Inferência sobre Fatores: Fornece regiões de confiança assintoticamente válidas para os fatores extraídos via SLS, corrigindo explicitamente a incerteza nas cargas dos fatores via subamostragem, um recurso não disponível em outros softwares de estimação de fatores (que frequentemente dependem de bootstrapping ou ignoram a incerteza das cargas).
• Arcabouço Integrado de Densidade e Risco: Unifica a estimação de FA-QRs, a recuperação de densidades condicionais via ajuste Skew-t e o cálculo de medidas de risco (ex: Growth at Risk, Inflation at Risk).
• Design de Cenários de Estresse: Implementa uma funcionalidade única para derivar densidades condicionais e medidas de risco sob cenários de fatores estressados, otimizando os valores dos fatores nos contornos extremos de sua distribuição conjunta.
• Modularidade: O pacote foi desenhado para ser modular, permitindo que usuários forneçam seus próprios fatores ou densidades pré-estimados para integrar com o restante do fluxo de trabalho.

Resultados e Ilustrações
O artigo ilustra a funcionalidade do pacote através de duas aplicações empíricas:

1. Risco de Inflação na Europa: Os autores extraem fatores de dados de CPI (headline) para 38 países europeus, agrupados em três blocos geográficos (Oeste, Leste, Norte). Eles estimam a densidade condicional da inflação alemã. Os resultados mostram que a "Inflação sob Estresse" (IiS — Inflation in Stress) — derivada sob um cenário de estresse de 99% para os fatores — é significativamente maior que a "Inflação em Risco" (IaR — Inflation at Risk) padrão, destacando a importância de considerar o estresse dos fatores.
2. Risco de Crescimento do PIB dos EUA: Seguindo González-Rivera et al. (2024), os autores constroem densidades para o crescimento do PIB dos EUA usando um conjunto de dados de 519 variáveis divididas em três blocos (macroeconomia internacional, macroeconomia doméstica, finanças internacionais), incluindo um fator pareado entre blocos internacionais. A análise demonstra que o "Crescimento sob Estresse" (GiS — Growth in Stress) é mais negativo que o "Crescimento em Risco" (GaR — Growth at Risk) padrão, indicando que cenários médios padrão podem subestimar riscos de queda (downside risks).

Significância e Alegações
O artigo alega que a principal significância do FARS reside em sua capacidade de reduzir a barreira para pesquisadores aplicados e instituições de política para implementar métodos avançados de previsão baseados em densidade que consideram estruturas de fatores complexas e incerteza. Ao empacotar todo o fluxo de trabalho — desde a extração flexível de fatores com blocos sobrepostos até a geração de cenários de estresse — em uma ferramenta R de código aberto, ele aborda os desafios computacionais e de implementação anteriormente associados a esses métodos. Os autores enfatem que o pacote permite a construção de cenários de estresse realistas que revelam vulnerabilidades (como inflação mais alta ou crescimento mais baixo) que seriam negligenciadas se apenas a evolução média dos fatores fosse considerada. O artigo não alega superar métodos existentes em todas as formas distributivas (notando que a Skew-t pode ser menos adequada para distribuições multimodais), mas posiciona o pacote como uma ferramenta abrangente para a metodologia específica de FA-QRs dentro de MLDFMs.