BASTION: A Bayesian Framework for Trend and Seasonality Decomposition

Resumo Técnico: BASTION – Uma Estrutura Bayesiana para Decomposição de Tendência e Sazonalidade

Definição do Problema
A decomposição de séries temporais é uma ferramenta analítica fundamental usada para isolar componentes de tendência, sazonalidade e resíduo a partir de dados univariados. Embora amplamente aplicada em economia, ciência climática e epidemiologia, os métodos de decomposição existentes frequentemente tratam o problema como uma etapa de pré-processamento, em vez de uma tarefa de inferência estatística rigorosa. As abordagens atuais, como STL, MSTL, STR e TBATS, enfrentam diversas limitações: têm dificuldade em acomodar múltiplos padrões sazonais simultaneamente, carecem de quantificação de incerteza fundamentada para componentes individuais, são sensíveis a mudanças abruptas em tendências e, geralmente, falham em modelar ruído heterocedástico ou outliers explicitamente. Além disso, a literatura muitas vezes carece de condições formais sob as quais os componentes de tendência e sazonalidade são unicamente identificáveis, particularmente quando múltiplas sazonalidades estão presentes.

Metodologia
Os autores propõem o BASTION (Bayesian Adaptive Seasonality and Trend DecompositON), uma estrutura Bayesiana flexível que reformula a decomposição de séries temporais como um problema de regressão não paramétrica penalizada.

1. Formulação de Regressão Penalizada: A decomposição é modelada como uma equação aditiva $y_t = T_t + \sum S_{i,t} + R_t$. Os autores estabelecem que, sem restrições estruturais, este problema de alta dimensão não é identificável. Eles formalizam as condições de identificabilidade impondo operadores lineares (por exemplo, segunda diferença para a tendência, recorrência sazonal ou diferenciação para a sazonalidade) e analisando o posto da matriz em bloco resultante. Eles provam que a identificabilidade única requer que os núcleos (kernels) desses operadores sejam subespaços linearmente independentes. Para resolver a não-identificabilidade em configurações multissazonais, eles propõem o uso de múltiplos operadores de regularização (por exemplo, combinando segunda diferença e diferenciação sazonal) para reduzir a interseção dos espaços nulos.

2. Estrutura Bayesiana com Encolhimento Global-Local: O BASTION projeta a regressão penalizada em um modelo Bayesiano usando priors de encolhimento global-local (especificamente a prior horseshoe). Isso permite:

   • Suavização Adaptativa: Um parâmetro global controla o encolhimento geral, enquanto parâmetros locais variantes no tempo relaxam seletivamente o encolhimento para capturar mudanças abruptas em tendências e sazonalidade sem excesso de suavização (oversmoothing).
   • Modelagem Explícita de Outliers: Um componente de outlier ($\zeta_t$) é modelado usando uma prior horseshoe+, que induz um encolhimento agressivo para a maioria das observações, enquanto permite grandes desvios em pontos isolados no tempo.
   • Tratamento de Heterocedasticidade: O termo de resíduo incorpora um modelo de volatilidade estocástica (SV), permitindo que a variância do erro evolua ao longo do tempo, abordando o problema comum de mudanças na volatilidade em dados do mundo real.

3. Inferência: Devido à alta dimensionalidade das variáveis de estado, os autores empregam uma estratégia de amostragem de Gibbs. Esta abordagem utiliza atualizações conjugadas para a maioria dos parâmetros e algoritmos específicos (como o algoritmo All Without a Loop para volatilidade estocástica e esquemas de Gibbs de expansão de parâmetros para priors horseshoe) para garantir o escalonamento linear com o comprimento da série temporal, tornando-o computacionalmente viável para grandes conjuntos de dados.

Principais Contribuições

• Teoria de Identificabilidade Formal: O artigo fornece as primeiras condições formais para a identificabilidade única de componentes de tendência e sazonalidade sob regressão penalizada, abordando especificamente as complexidades introduzidas por múltiplas sazonalidades e diferentes escolhas de operadores.
• Estrutura Bayesiana Unificada: O BASTION integra tendência, múltiplas sazonalidades, outliers e volatilidade variante no tempo em uma única estrutura coerente, uma capacidade que falta em métodos existentes como MSTL ou STR.
• Robustez e Quantificação de Incerteza: Ao aproveitar o encolhimento global-local e a volatilidade estocástica, o método oferece estimativas robustas contra outliers e heterocedasticidade, fornecendo intervalos de credibilidade posterior calibrados para todos os componentes.
• Implementação de Software: Os autores lançam o BASTION como um pacote R de código aberto, facilitando a aplicação prática e pesquisas adicionais.

Resultos
Os autores avaliam o BASTION contra métodos estabelecidos (TBATS, MSTL, STR) utilizando tanto dados simulados quanto conjuntos de dados do mundo real.

• Estudos de Simulação: Em quatro Processos Geradores de Dados (DGPs) apresentando descontinuidades de tendência, múltiplas sazonalidades, heterocedasticidade e outliers, o BASTION alcançou consistentemente o menor Erro Quadrático Médio (MSE) para tendência, sazonalidade e componentes de sinal. Notavelmente, em cenários com ruído heterocedástico e outliers (DGP 4), o BASTION superou significativamente os concorrentes.
• Quantificação de Incerteza: O BASTION forneceu intervalos de credibilidade de 95% bem calibrados, mantendo a cobertura acima do nível nominal tanto para sinais combinados quanto para componentes individuais. Em contraste, o método frequetista STR apresentou frequentemente subcobertura, particularmente para componentes individuais.
• Aplicações Empíricas:
  • Tráfego Aéreo dos EUA: O BASTION capturou com sucesso a ruptura estrutural aguda no volume de passageiros durante a pandemia de COVID-19, enquanto o MSTL e o STR suavizaram excessivamente a transição, e o TBATS produziu estimativas ruidosas.
  • Demanda de Energia Elétrica de Nova York: O modelo decompôs com precisão padrões sazonais semanais e anuais complexos e estimou explicitamente a volatilidade variante no tempo, revelando maior volatilidade durante os meses de verão e inverno — uma característica que nenhum outro modelo de decomposição na comparação forneceu.

Significância e Alegações
O artigo afirma que o BASTION representa um avanço significativo ao abordar o tratamento "informal" da identificabilidade na literatura existente e ao fornecer uma estrutura unificada que lida com dinâmicas complexas (mudanças abruptas, heterocedasticidade, outliers) simultaneamente. Os autores sustentam que o BASTION entrega decomposições mais sutis e interpretáveis com quantificação de incerteza rigorosa, tornando-o particularmente adequado para tarefas subsequentes como previsão em ambientes com rupturas estruturais. Eles concluem que, embora o método seja robusto, trabalhos futuros poderiam explorar como essas decomposições melhoradas se traduzem diretamente no desempenho de previsão e na incorporação de estruturas latentes adicionais, como a detecção de pontos de mudança (change-point) Bayesiana.