Bagaimana jangka waktu memengaruhi Regresi Linear
Jawaban langsung
Jangka waktu memengaruhi Regresi Linear terutama melalui jendela data yang Anda gunakan untuk menyesuaikan model (jangka waktu observasi) dan periode yang nantinya Anda bandingkan (jangka waktu kepemilikan atau evaluasi). Mengubah salah satu dari keduanya mengubah pola mana yang “dilihat” oleh regresi, sehingga hubungan yang disesuaikan dan kegunaannya yang tampak dapat berubah meskipun metode yang digunakan tetap sama.
Mekanisme dan definisi
Regresi Linear adalah metode untuk menyesuaikan hubungan garis lurus antara input (variabel independen) dan hasil (variabel dependen). Dalam bentuknya yang paling sederhana, model memperkirakan parameter yang meminimalkan kesalahan kuadrat antara hasil yang diamati dan nilai yang diprediksi.
Jangka waktu masuk dalam dua cara praktis:
-
Jangka waktu observasi (jendela pelatihan). Jika Anda menyesuaikan regresi hanya menggunakan data terbaru, kemiringan dan intersep yang diperkirakan mencerminkan kondisi terkini. Jika Anda menyesuaikan menggunakan riwayat yang lebih panjang, perkiraan tersebut mencerminkan rata-rata selama periode yang lebih panjang itu.
-
Jangka waktu kepemilikan/evaluasi (cakrawala yang Anda uji). Bahkan jika Anda menyesuaikan menggunakan satu jendela, Anda mungkin mengevaluasi kinerja menggunakan cakrawala yang berbeda. Misalnya, Anda dapat menyesuaikan model untuk menghubungkan input hari ini dengan hasil besok, atau untuk menghubungkan input hari ini dengan hasil beberapa periode kemudian. Ketidakcocokan antara cakrawala yang digunakan saat merancang hubungan dan cakrawala yang digunakan saat memeriksa hasil dapat merusak hubungan yang tampak.
Detail penting adalah bahwa model tidak mengetahui “masa depan.” Model menyesuaikan dengan kumpulan observasi spesifik yang disertakan dalam jendela yang dipilih, dengan asumsi (secara implisit) bahwa hubungan yang mendasarinya cukup serupa di seluruh waktu yang Anda gunakan.
Bukti atau contoh berbasis skenario
Pertimbangkan dua pilihan observasi:
-
Skenario A: kecocokan jendela pendek. Misalkan Anda mengumpulkan data untuk 50 periode dan meregresikan pergerakan periode berikutnya pada sebuah input. Garis yang disesuaikan mungkin melacak pergerakan bersama jangka pendek. Tetapi jika perilaku pasar berubah dalam 50 periode tersebut, garis dapat mengejar noise, menghasilkan parameter yang tidak stabil.
-
Skenario B: kecocokan jendela panjang. Misalkan Anda menggunakan 500 periode. Garis yang disesuaikan mungkin terlihat lebih halus karena merata-ratakan lebih banyak episode. Tetapi jika pasar berubah rezim (misalnya, bergerak dari kondisi yang lebih tenang ke kondisi yang lebih volatil), regresi jendela panjang dapat mencampur perilaku yang berbeda menjadi satu garis, mengurangi seberapa baik garis tersebut cocok dengan struktur terbaru.
Sekarang tambahkan jangka waktu kepemilikan/evaluasi:
- Jika Anda menyesuaikan dengan tujuan yang konsisten dengan cakrawala yang sangat pendek, tetapi Anda mengevaluasi menggunakan cakrawala yang lebih panjang, kesalahan dapat bertambah karena hubungan linear yang berlaku selama satu langkah sering kali tidak diekstrapolasi secara linear beberapa langkah ke depan.
Hasil ini dapat diverifikasi tanpa harga langsung: Anda dapat mensimulasikan dengan membuat kumpulan data di mana hubungan sebenarnya berubah seiring waktu, lalu membandingkan parameter yang disesuaikan dan kesalahan saat Anda menggeser jendela pelatihan dan cakrawala evaluasi. Anda biasanya akan melihat pergeseran parameter dan kesalahan yang memburuk ketika cakrawala evaluasi tidak lagi cocok dengan struktur ketergantungan.
Keterbatasan dan risiko
Beberapa keterbatasan membuat sensitivitas jangka waktu menjadi umum:
-
Non-stasioneritas. Hubungan statistik antara input dan hasil dapat berubah seiring waktu. Regresi yang disesuaikan pada data yang lebih lama dapat menjadi kurang representatif untuk jangka waktu yang lebih baru.
-
Pergeseran rezim dan jeda struktural. Jika data berasal dari “keadaan” yang berbeda, satu kecocokan linear dapat menjadi penyederhanaan yang berlebihan. Jangka waktu menentukan keadaan mana yang mendominasi kecocokan.
-
Outlier dan ekor berat. Jendela pendek lebih terpengaruh oleh beberapa observasi ekstrem; jendela panjang dapat mengencerkan ekstrem tetapi masih terdistorsi oleh pola outlier yang berulang.
-
Ketidakcocokan cakrawala. Bahkan ketika suatu hubungan dapat diukur untuk satu periode ke depan, hubungan tersebut mungkin tidak dapat diukur untuk cakrawala yang berbeda. Jangka waktu evaluasi karena itu dapat mengubah kesimpulan.
Karena efek ini bergantung pada kumpulan data spesifik, pilihan jangka waktu, dan metode evaluasi, Anda harus memperlakukan hubungan yang tampak sebagai kondisional daripada universal. Kecocokan historis tidak menjamin hasil masa depan.
Verifikasi dan pertanyaan berikutnya
Untuk memverifikasi secara independen bagaimana jangka waktu berperan, bandingkan beberapa pengaturan menggunakan metode yang sama:
- Sesuaikan regresi pada beberapa jendela pelatihan yang berbeda.
- Evaluasi setiap model yang disesuaikan pada cakrawala evaluasi yang sama.
- Ulangi dengan cakrawala evaluasi yang berbeda.
Pemeriksaan yang paling informatif adalah perubahan parameter yang disesuaikan (kemiringan/intersep), metrik kesalahan (seperti ukuran residual), dan apakah hubungan tersebut bertahan secara konsisten di seluruh jendela. Jika hasil sangat bervariasi saat Anda menggeser jangka waktu, itu adalah bukti sensitivitas jangka waktu daripada struktur prediktif yang kuat.