Como o período de tempo afeta a Regressão Linear
Resposta direta
O período de tempo afeta a Regressão Linear principalmente através da janela de dados usada para ajustar o modelo (período de tempo de observação) e do período contra o qual você compara posteriormente (período de manutenção ou avaliação). Alterar qualquer um deles muda quais padrões a regressão “enxerga”, então a relação ajustada e sua utilidade aparente podem mudar mesmo que o método permaneça o mesmo.
Mecânica e definição
A Regressão Linear é um método para ajustar uma relação de linha reta entre entradas (variáveis independentes) e um resultado (variável dependente). Em sua forma mais simples, o modelo estima parâmetros que minimizam os erros quadráticos entre os resultados observados e os valores previstos.
O período de tempo entra de duas maneiras práticas:
-
Período de tempo de observação (a janela de treinamento). Se você ajustar a regressão usando apenas dados recentes, a inclinação e o intercepto estimados refletem as condições recentes. Se você ajustar usando um histórico mais longo, as estimativas refletem uma média ao longo desse período mais longo.
-
Período de manutenção/avaliação (o horizonte que você testa). Mesmo se você ajustar usando uma janela, você pode avaliar o desempenho usando um horizonte diferente. Por exemplo, você pode ajustar um modelo para relacionar a entrada de hoje ao resultado de amanhã, ou para relacionar a entrada de hoje ao resultado vários períodos depois. Uma incompatibilidade entre o horizonte usado ao projetar a relação e o horizonte usado ao verificar os resultados pode quebrar a relação aparente.
Um detalhe importante é que o modelo não conhece o “futuro”. Ele se ajusta ao conjunto específico de observações incluídas na janela escolhida, assumindo (implicitamente) que a relação subjacente é razoavelmente semelhante ao longo dos períodos que você usou.
Evidência ou exemplo baseado em cenário
Considere duas escolhas de observação:
-
Cenário A: ajuste com janela curta. Suponha que você colete dados por 50 períodos e regrida o movimento do próximo período em uma entrada. A linha ajustada pode acompanhar co-movimentos de curto prazo. Mas se o comportamento do mercado mudar dentro desses 50 períodos, a linha pode perseguir ruído, produzindo parâmetros instáveis.
-
Cenário B: ajuste com janela longa. Suponha que você use 500 períodos. A linha ajustada pode parecer mais suave porque ela calcula a média de mais episódios. Mas se o mercado mudar de regime (por exemplo, passando de condições mais calmas para mais voláteis), a regressão de janela longa pode misturar comportamentos diferentes em uma única linha, reduzindo o quão bem ela corresponde à estrutura mais recente.
Agora adicione o período de manutenção/avaliação:
- Se você ajustar com um objetivo consistente com um horizonte muito curto, mas avaliar usando um horizonte mais longo, os erros podem crescer porque relações lineares que se mantêm em uma etapa frequentemente não se extrapolam linearmente muitas etapas à frente.
Esses resultados podem ser verificados sem qualquer precificação ao vivo: você pode simular construindo um conjunto de dados onde a relação verdadeira muda ao longo do tempo, e então comparar os parâmetros ajustados e os erros quando você desloca a janela de treinamento e o horizonte de avaliação. Você tipicamente verá deriva de parâmetros e erros crescentes quando o horizonte de avaliação não corresponder mais à estrutura de dependência.
Limitações e riscos
Várias limitações tornam a sensibilidade ao período de tempo comum:
-
Não estacionariedade. A relação estatística entre entradas e resultados pode mudar ao longo do tempo. Uma regressão ajustada em dados mais antigos pode se tornar menos representativa para um período de tempo mais novo.
-
Mudanças de regime e quebras estruturais. Se os dados vêm de “estados” diferentes, um único ajuste linear pode ser uma simplificação excessiva. O período de tempo determina quais estados dominam o ajuste.
-
Outliers e caudas pesadas. Janelas curtas são mais afetadas por algumas observações extremas; janelas longas podem diluir extremos, mas ainda serem distorcidas por padrões recorrentes de outliers.
-
Incompatibilidade de horizontes. Mesmo quando uma relação é mensurável para um período à frente, ela pode não ser mensurável para um horizonte diferente. O período de tempo de avaliação pode, portanto, mudar as conclusões.
Como esses efeitos dependem do conjunto de dados específico, da escolha do período de tempo e do método de avaliação, você deve tratar qualquer relação aparente como condicional, em vez de universal. O ajuste histórico não garante resultados futuros.
Verificação e próxima pergunta
Para verificar independentemente como o período de tempo importa, compare várias configurações usando o mesmo método:
- Ajuste a regressão em várias janelas de treinamento diferentes.
- Avalie cada modelo ajustado no mesmo horizonte de avaliação.
- Repita com diferentes horizontes de avaliação.
As verificações mais informativas são mudanças nos parâmetros ajustados (inclinação/intercepto), métricas de erro (como tamanho do resíduo) e se a relação se mantém consistentemente entre as janelas. Se os resultados variarem fortemente quando você desloca os períodos de tempo, isso é evidência de sensibilidade ao período de tempo, em vez de estrutura preditiva robusta.