Respuesta directa
El marco temporal afecta a la regresión lineal principalmente a través de la ventana de datos que se utiliza para ajustar el modelo (marco temporal de observación) y el período con el que se compara posteriormente (marco temporal de mantenimiento o evaluación). Cambiar cualquiera de ellos altera qué patrones “ve” la regresión, por lo que la relación ajustada y su utilidad aparente pueden cambiar incluso si el método permanece igual.
Mecánica y definición
La regresión lineal es un método para ajustar una relación lineal entre entradas (variables independientes) y un resultado (variable dependiente). En su forma más simple, el modelo estima parámetros que minimizan los errores al cuadrado entre los resultados observados y los valores predichos.
El marco temporal interviene de dos maneras prácticas:
-
Marco temporal de observación (la ventana de entrenamiento). Si se ajusta la regresión utilizando solo datos recientes, la pendiente y la intersección estimadas reflejan las condiciones recientes. Si se ajusta utilizando un historial más largo, las estimaciones reflejan un promedio a lo largo de ese período más extenso.
-
Marco temporal de mantenimiento/evaluación (el horizonte que se prueba). Incluso si se ajusta utilizando una ventana, se puede evaluar el rendimiento utilizando un horizonte diferente. Por ejemplo, se puede ajustar un modelo para relacionar la entrada de hoy con el resultado de mañana, o para relacionar la entrada de hoy con el resultado varios períodos después. Un desajuste entre el horizonte utilizado al diseñar la relación y el horizonte utilizado al verificar los resultados puede romper la relación aparente.
Un detalle clave es que el modelo no conoce el “futuro”. Se ajusta al conjunto específico de observaciones incluidas en la ventana elegida, asumiendo (implícitamente) que la relación subyacente es razonablemente similar a lo largo de los períodos utilizados.
Evidencia o ejemplo basado en escenarios
Considere dos opciones de observación:
-
Escenario A: ajuste con ventana corta. Suponga que recopila datos durante 50 períodos y realiza una regresión del movimiento del siguiente período sobre una entrada. La línea ajustada puede rastrear co-movimientos a corto plazo. Pero si el comportamiento del mercado cambia dentro de esos 50 períodos, la línea puede perseguir el ruido, produciendo parámetros inestables.
-
Escenario B: ajuste con ventana larga. Suponga que en su lugar utiliza 500 períodos. La línea ajustada puede parecer más suave porque promedia más episodios. Pero si el mercado cambia de régimen (por ejemplo, pasando de condiciones más tranquilas a más volátiles), la regresión de ventana más larga puede combinar diferentes comportamientos en una sola línea, reduciendo qué tan bien coincide con la estructura más reciente.
Ahora agregue el marco temporal de mantenimiento/evaluación:
- Si ajusta con un objetivo consistente con un horizonte muy corto, pero evalúa utilizando un horizonte más largo, los errores pueden crecer porque las relaciones lineales que se mantienen en un paso a menudo no se extrapolan linealmente muchos pasos adelante.
Estos resultados se pueden verificar sin precios en vivo: puede simular construyendo un conjunto de datos donde la relación verdadera cambia con el tiempo, y luego comparar los parámetros ajustados y los errores cuando cambia la ventana de entrenamiento y el horizonte de evaluación. Normalmente verá una deriva en los parámetros y un empeoramiento del error cuando el horizonte de evaluación ya no coincida con la estructura de dependencia.
Limitaciones y riesgos
Varias limitaciones hacen que la sensibilidad al marco temporal sea común:
-
No estacionariedad. La relación estadística entre entradas y resultados puede cambiar con el tiempo. Una regresión ajustada con datos más antiguos puede volverse menos representativa para un marco temporal más nuevo.
-
Cambios de régimen y rupturas estructurales. Si los datos provienen de diferentes “estados”, un único ajuste lineal puede ser una simplificación excesiva. El marco temporal determina qué estados dominan el ajuste.
-
Valores atípicos y colas pesadas. Las ventanas cortas se ven más afectadas por unas pocas observaciones extremas; las ventanas largas pueden diluir los extremos pero aún así verse distorsionadas por patrones recurrentes de valores atípicos.
-
Desajuste de horizontes. Incluso cuando una relación es medible para un período adelante, puede no serlo para un horizonte diferente. El marco temporal de evaluación puede, por lo tanto, cambiar las conclusiones.
Debido a que estos efectos dependen del conjunto de datos específico, la elección del marco temporal y el método de evaluación, debe tratar cualquier relación aparente como condicional en lugar de universal. El ajuste histórico no garantiza resultados futuros.
Verificación y siguiente pregunta
Para verificar de forma independiente cómo importa el marco temporal, compare múltiples configuraciones utilizando el mismo método:
- Ajuste la regresión en varias ventanas de entrenamiento diferentes.
- Evalúe cada modelo ajustado en el mismo horizonte de evaluación.
- Repita con diferentes horizontes de evaluación.
Las comprobaciones más informativas son los cambios en los parámetros ajustados (pendiente/intersección), las métricas de error (como el tamaño de los residuos) y si la relación se mantiene de manera consistente en todas las ventanas. Si los resultados varían fuertemente al cambiar los marcos temporales, eso es evidencia de sensibilidad al marco temporal en lugar de una estructura predictiva robusta.