Do Stationarity Transformations Actually Improve Time Series Forecasts? A Controlled Experimental Evaluation

Resumo Técnico: Transformações de Estacionariedade Realmente Melhoram Previsões de Séries Temporais? Uma Avaliação Experimental Controlada

Declaração do Problema
Transformações de estacionariedade (por exemplo, diferenciação, transformações logarítmicas, ajustes sazonais) são uma etapa padrão de pré-processamento em previsões de séries temporais, enraizada na premissa de que muitos modelos clássicos (AR, ARMA) exigem entrada estacionária para funcionar corretamente. No entanto, há uma falta de evidências empíricas controladas que avaliem se alcançar a estacionariedade por meio de pré-processamento realmente melhora a precisão das previsões. A maioria dos estudos existentes ou aplica pipelines fixos sem comparação ou recorre a dados do mundo real onde o verdadeiro processo gerador de dados (DGP) é desconhecido, tornando impossível determinar se uma transformação visa a forma correta de não estacionariedade. Este estudo aborda a lacuna entre a fundamentação teórica do pré-processamento e o desempenho empírico das previsões.

Metodologia
Os autores conduziram um experimento fatorial totalmente cruzado envolvendo 3.528 configurações:

• Conjuntos de Dados: 11 séries temporais sintéticas com DGPs conhecidos que isolam padrões específicos de não estacionariedade (tendência linear, sazonalidade, heterocedasticidade, estruturas autorregressivas, passeios aleatórios e combinações) e 1 conjunto de dados do mundo real (Números de Tráfego nos Postos de Controle da TSA). As séries sintéticas tinham 200 observações de frequência semanal.
• Transformações: Foram testadas 14 configurações, incluindo transformações individuais (nenhuma, diferenciação de primeira ordem, diferenciação sazonal, diferenciação fracionária, log, Box-Cox) e combinações de pipeline (por exemplo, log + diferença).
• Modelos: 7 modelos de previsão abrangendo três categorias: aqueles que tradicionalmente assumem estacionariedade (AR, ARMA), aqueles com tratamento parcial de estacionariedade (ARIMA) e aqueles que não exigem estacionariedade (ETS, Holt-Winters, Prophet, Gradient Boosting/LightGBM).
• Avaliação: Previsões foram geradas para horizontes de 4, 12 e 24 semanas. A precisão foi medida usando o Erro Porcentual Absoluto Médio Simétrico (sMAPE) na escala original (após transformação inversa).
• Medição de Estacionariedade: Uma razão de consenso derivada de dez testes estatísticos (abrangendo tendência, variância e sazonalidade) foi usada para quantificar a estacionariedade, com regras de exclusão específicas de domínio para evitar resultados espúrios.
• Análise: O estudo empregou análise de mediação para decompor o caminho causal: Transformação $\rightarrow$ Estacionariedade $\rightarrow$ Precisão da Previsão.

Principais Resultados

1. Degradação Geral: Contrariando a prática padrão, a aplicação de transformações de estacionariedade geralmente piorou a precisão das previsões. Transformações baseadas em diferenciação (primeira, sazonal, fracionária) atuaram como filtros passa-alta, removendo sinais previsíveis de baixa frequência e aumentando significativamente o sMAPE.
2. A Exceção da Estabilização de Variância: A principal exceção foi a estabilização de variância (transformações log e Box-Cox). Em dados heterocedásticos, essas transformações melhoraram a precisão em 60–65% dos casos, ao abordar violações de pressupostos de modelagem sem atenuar a estrutura do sinal preditivo.
3. Correspondência vs. Não Correspondência: Mesmo quando uma transformação era "correspondente" à não estacionariedade conhecida (por exemplo, diferenciar uma tendência linear), ela melhorou as previsões apenas 18% das vezes. Em muitos casos "de livro didático", como diferenciar uma série de tendência linear, a precisão piorou em todos os casos testados porque o sinal de tendência previsível foi removido.
4. Independência do Modelo: O impacto negativo da diferenciação persistiu em todas as famílias de modelos, incluindo AR e ARMA. Implementações modernas desses modelos frequentemente incluem parametrização interna de tendência, reduzindo a necessidade prática de diferenciação externa.
5. Descobertas de Mediação: A análise de mediação confirmou que, embora as transformações tenham aumentado com sucesso a estacionariedade da tendência (Caminho A), uma maior estacionariedade da tendência foi associada a uma pior precisão de previsão (Caminho B). O mecanismo foi identificado como atenuação de sinal. Por outro lado, alcançar estacionariedade de variância foi positivamente associado à melhoria da precisão.
6. Validação no Mundo Real: Os resultados nos dados de passageiros do aeroporto da TSA corroboraram as descobertas sintéticas. A diferenciação foi a transformação mais prejudicial, enquanto uma combinação de estabilização de variância e ajuste sazonal produziu os melhores resultados.

Significado e Alegações
O artigo afirma que a relação entre estacionariedade e precisão de previsão é mais matizada do que os pipelines de pré-processamento convencionais assumem. Os autores argumentam que:

• Sinal vs. Estacionariedade: Alcançar estacionariedade estatística não equivale a uma melhor previsibilidade. Transformações que removem a não estacionariedade frequentemente removem o sinal aprendível necessário para extrapolação.
• Empírico sobre Teórico: A seleção de transformações deve ser guiada por avaliação empírica fora da amostra, em vez de pressupostos teóricos sobre estacionariedade.
• Pré-processamento Seletivo: Os praticantes devem distinguir entre transformações que preservam o sinal (estabilização de variância) e transformações que suprimem o sinal (diferenciação). A diferenciação deve ser aplicada com cautela, em vez de como uma etapa padrão, enquanto a estabilização de variância permanece uma estratégia robusta para dados heterocedásticos.

O estudo conclui que, embora a estacionariedade permaneça uma propriedade teórica fundamental para inferência e estabilidade do modelo, ela não é um proxy confiável para maximizar a precisão preditiva fora da amostra em pipelines de previsão modernos.