Respuesta directa
El marco temporal afecta al R cuadrado porque el cálculo utiliza datos de una ventana de observación específica. Cuando cambia el período de mantenimiento o la ventana de tiempo, cambia la combinación de regímenes de mercado, la cantidad de ruido y la forma en que el modelo se alinea con lo observado. Como resultado, el R cuadrado reportado puede aumentar, disminuir o volverse inestable.
Mecanismo o definición
El R cuadrado (a menudo escrito como R²) es una estadística que resume cuánta variación en una variable dependiente es explicada por un modelo. En un entorno de regresión típico, está vinculado a la relación entre la variación explicada y la variación total en los puntos de datos utilizados.
El marco temporal interviene porque su conjunto de datos está indexado por tiempo. Dos formas comunes en que el marco temporal cambia los datos son:
- Cambiar la ventana de observación: Puede calcular el R cuadrado utilizando datos diarios de un mes frente a un año. La ventana más larga incluye más episodios, por lo que la relación (si existe) se promedia en más condiciones.
- Cambiar el período de muestreo/mantenimiento: Puede construir rendimientos o cambios en diferentes horizontes (por ejemplo, usando cambios de un día frente a cambios de varios días). La serie dependiente y la estructura de ruido cambian, lo que altera la alineación ajustada y, por lo tanto, el R cuadrado.
Debido a que el R cuadrado depende de los residuos (el desajuste entre los valores observados y las salidas del modelo), cambiar el marco temporal cambia los patrones de residuos. Esa es la razón principal por la que se espera sensibilidad al marco temporal.
Impacto del escenario: sensibilidad a los períodos de observación y mantenimiento
Considere un escenario simple donde un modelo predice un cambio de precio utilizando alguna característica derivada de datos anteriores. Si calcula el R cuadrado en un marco temporal corto, puede capturar un período donde el modelo coincide con el movimiento observado. En un marco temporal diferente—especialmente uno con un equilibrio diferente entre tendencia y reversión a la media—el mismo modelo puede producir residuos más grandes, reduciendo el R cuadrado.
Un efecto relacionado ocurre cuando cambia el período de mantenimiento. Los períodos de mantenimiento más largos a menudo suavizan algunas fluctuaciones diarias, pero también pueden amplificar los cambios de régimen. Los horizontes cortos pueden estar dominados por ruido de microestructura, y ese ruido puede reducir el poder explicativo o inflar el ajuste aparente dependiendo de cómo se construya y evalúe el modelo.
En ambos casos, no está cambiando una propiedad mágica del R cuadrado en sí; está cambiando el conjunto de datos y el comportamiento de los residuos que el R cuadrado resume.
Limitaciones y riesgos
Una limitación importante es el riesgo de sobreajuste: un R cuadrado más alto en un marco temporal elegido no prueba que la relación sea estable. Cuando el marco temporal se selecciona de una manera que beneficia a la muestra específica, el R cuadrado puede parecer fuerte incluso si el modelo falla con datos nuevos.
Otros modos de falla incluyen:
- Mezcla de regímenes: Las ventanas más largas combinan diferentes condiciones de mercado. Si las relaciones son diferentes entre regímenes, un solo R cuadrado puede enmascarar rupturas.
- No estacionariedad: Si las propiedades estadísticas de la serie cambian con el tiempo, entonces el mapeo de las entradas a los cambios observados puede derivar, haciendo que el R cuadrado dependa del marco temporal.
- Desajuste de evaluación: Si calcula el R cuadrado en el mismo período utilizado para seleccionar o ajustar las entradas, puede obtener valores optimistas que no se generalizan.
Nada de esto implica que el R cuadrado sea inútil; significa que el R cuadrado es condicional al marco temporal elegido y al método de evaluación.
Verificación o siguiente pregunta
Debido a que se espera sensibilidad al marco temporal, un enfoque de verificación práctico es recalcular el R cuadrado en múltiples ventanas (por ejemplo, ventanas móviles o expansivas) manteniendo la definición del modelo consistente. Luego compare cuánto varía el R cuadrado.
Si ve grandes oscilaciones, eso es evidencia de que el ajuste depende del período de muestra específico en lugar de reflejar una relación estable. Si ve un R cuadrado consistentemente alto en muchas ventanas independientes, eso es más sólido—pero aún no es una garantía—porque las relaciones históricas no establecen resultados futuros.
Una buena siguiente pregunta es: ¿Qué elecciones de marco temporal cambian más la variable dependiente y la estructura de ruido? Eso le ayuda a entender por qué el R cuadrado se mueve cuando cambia el marco temporal.