[논문 리뷰] Properties of point forecast reconciliation approaches

Shanika L. Wickramasuriya|arXiv (Cornell University)|2021. 03. 20.

Forecasting Techniques and Applications참고 문헌 23인용 수 8

한 줄 요약

이 논문은 일반화된 최소제곱법(GLS)과 MinT 예측 재조정 방법이 다른 손실 함수를 최소화하고 다른 공분산 행렬을 사용하지만 동일한 해를 도출함을 증명한다. MinT-U는 계층적 시계열에서 MinT와 OLS 이하의 평균제곱오차(MSE)를 감소시키는 새로운 접근법으로, 시뮬레이션과 실제 관광 데이터에서 뛰어난 성능을 보이며, 특히 기저 예측이 편향되어 있을 경우에 유특한 성능을 발휘한다.

ABSTRACT

Point forecast reconciliation of collection of time series with linear aggregation constraints has evolved substantially over the last decade. A few commonly used methods are GLS (generalized least squares), OLS (ordinary least squares), WLS (weighted least squares), and MinT (minimum trace). GLS and MinT have similar mathematical expressions, but they differ by the covariance matrix used. OLS and WLS can be considered as special cases of MinT where they differ by the assumptions made about the structure of the covariance matrix. All these methods ensure that the reconciled forecasts are unbiased, provided that the base forecasts are unbiased. The ERM (empirical risk minimizer) approach was proposed to relax the assumption of unbiasedness. This paper proves that (a) GLS and MinT reduce to the same solution; (b) on average, a method similar to ERM (which we refer to as MinT-U) can produce better forecasts than MinT (lowest total mean squared error) which is then followed by OLS and then by base; and (c) the mean squared error of each series in the structure for MinT-U is smaller than that for MinT which is then followed by that for either OLS or base forecasts. We show these theoretical results using a set of simulation studies. We also evaluate them using the Australian domestic tourism data set.

연구 동기 및 목표

• 다른 손실 함수와 공분산 행렬을 사용하지만 GLS와 MinT 예측 재조정 방법 간 이론적 동치성을 확립하는 것.
• 투영 제약 조건을 완화하고 MinT 및 OLS보다 MSE를 향상시키는 새로운 재조정 방법인 MinT-U의 성능 평가.
• 기저 예측의 편향이 재조정 정확도에 미치는 영향을 평가하고, 평균적으로 기존 방법들을 능가하는 방법을 제안하는 것.
• 시뮬레이션 연구와 실제 오스트레일리아 국내 관광 데이터를 통해 이론적 발견을 검증하는 것.
• 작은 표본 크기에서 MinT-U의 한계를 탐색하고, 향후 확장으로서 정규화 기법을 제안하는 것.

제안 방법

• GLS와 MinT가 다른 손실 함수를 최소화하고 다른 공분산 행렬을 사용하지만 동일한 투영 행렬을 도출함을 수학적으로 증명한다.
• 예측 오차 분산을 줄이기 위해 수정된 손실 함수를 최소화하는 비투영 기반 방법인 MinT-U를 도입한다.
• 다양한 오차 구조에서 기저 예측, OLS, WLS, MinT, MinT-U, EMinT-U의 MSE 성능을 비교하기 위해 시뮬레이션 연구를 수행한다.
• 오스트레일리아 국내 관광 데이터셋에 방법을 적용하여 계층 수준 전반에 걸쳐 내측 및 외측 예측 정확도를 평가한다.
• 예측 일관성과 확률적 재조정에서의 불확실성 평가를 위해 실증적 코풀라와 순열 기반 방법을 활용한다.
• 특히 MinT-U의 표본 크기가 작을 경우 발생하는 파rameter 추정 문제를 해결하기 위해 정규화 기법을 구현한다.

실험 결과

연구 질문

• RQ1 GLS와 MinT 재조정 방법은 다른 손실 함수와 공분산 행렬 입력을 사용함에도 불구하고 동일한 예측 재조정 결과를 도출하는가?
• RQ2 MinT와 유사한 비투영 기반 방법인 MinT-U는 계층적 시계열 전반에서 MinT, OLS, 기저 예측보다 낮은 평균제곱오차(MSE)를 달성할 수 있는가?
• RQ3 기저 예측이 편향되어 있을 경우 MinT-U의 성능은 MinT 및 OLS와 비교해 MSE 감소 측면에서 어떻게 나타나는가?
• RQ4 표본 크기가 MinT-U의 성능에 미치는 영향은 무엇이며, 정규화 기법이 추정 문제를 완화시킬 수 있는가?
• RQ5 실제 응용 분야인 관광 예측에서, 제안된 방법은 정확도 향상과 함께 일관성을 유지하는가?

주요 결과

• GLS와 MinT는 다른 손실 함수를 최소화하고 다른 공분산 행렬을 사용하지만 동일한 예측 재조정 결과를 도출한다.
• 시뮬레이션과 실제 데이터 전반에서 MinT-U는 MinT, OLS, 기저 예측의 모든 계층 수준에서 재조정 예측의 평균제곱오차(MSE)를 지속적으로 감소시킨다.
• 오스트레일리아 관광 데이터셋에서, MinT-U는 총 시리즈의 내측 MSE에서 10.0%의 상대적 향상과 계층 2에서 태즈메이니아의 경우 최대 12.3%의 향상을 달성하여 모든 다른 방법을 능가했다.
• MinT-U는 계층 내 모든 시리즈에서 MSE를 감소시켰으며, 내측 성능에서 -7.9%에서 -10.0%까지, 외측 성능에서 -10.0%에서 -6.9%까지의 향상을 보였다.
• MinT-U가 MinT보다 MSE를 낮추는 데서 통계적으로 유의미하고 일관된 성과를 보였으며, 두 계층의 모든 시리즈에서 MinT보다 낮은 MSE를 달성했다.
• 기저 예측이 편향되어 있을 경우에 가장 효과적이며, 작은 표본 크기에서 민감하게 반응하므로 실무에서 정규화가 필요하다.