Mincer–Zarnowitz রিগ্রেশন: পূর্বাভাসের পক্ষপাত ও ক্যালিব্রেশন পরীক্ষা

ধরা যাক, কোনো মডেল পরবর্তী সময়ের return পূর্বাভাস দিচ্ছে, অথবা কোনো অর্থনীতিবিদ পরের ত্রৈমাসিকের প্রবৃদ্ধি অনুমান করছেন। মূল্যায়ন নমুনায় forecast error-এর গড় শূন্য হতে পারে। এটি ধারাবাহিক গড়-অতিরিক্ত বা গড়-কম পূর্বাভাসের বিরুদ্ধে একটি ইঙ্গিত, কিন্তু পূর্বাভাসের মান পরবর্তী ফলাফলের সঙ্গে এক-অনুপাতে চলে—তা দেখায় না। পূর্বাভাস অতিরিক্ত চরম, অতিরিক্ত সংকুচিত বা সরলরৈখিকভাবে সরানো হতে পারে; তবুও ধনাত্মক ও ঋণাত্মক ত্রুটি পরস্পরকে বাতিল করতে পারে।

বাস্তব outcome-কে forecast-এর ওপর regress করে MZ regression এই দ্বিতীয় প্রশ্নটি সামনে আনে। অর্থনৈতিক পূর্বাভাস মূল্যায়নে Mincer ও Zarnowitz এই কাঠামোটি প্রস্তাব করেছিলেন (১৯৬৯ অধ্যায়)। এটি সংখ্যাসূচক লক্ষ্য-পরিমাপের point forecast-এর diagnostic—বিশেষত squared-error loss-এর অধীনে conditional mean লক্ষ্য হলে। দুই মডেলের কোনটির গড় loss কম, তা এটি তুলনা করে না; সে প্রশ্নে Diebold–Mariano নির্দেশিকা দেখুন।

Trading research-এও এ পার্থক্য জরুরি। return forecast-এর গড় পক্ষপাত কম হলেও scale ভুল হতে পারে; volatility forecast এক পরিসরে অতিরিক্ত এবং অন্য পরিসরে অপর্যাপ্ত হতে পারে। MZ regression linear mismatch শনাক্ত করতে পারে, কিন্তু ফল নির্ভর করে evaluation sample, target-এর সংজ্ঞা, তথ্যের সময় এবং inference method-এর ওপর। শুধু এই পরীক্ষায় প্রমাণ হয় না যে পূর্বাভাস থেকে লাভজনক trading rule তৈরি হবে।

প্রতিটি forecast origin t-তে forecast (fₜ)-কে সেই পরবর্তী realized target (yₜ)-এর সঙ্গে জুড়ুন, যেটি পূর্বাভাস দেওয়ার কথা ছিল। প্রতিটি জোড়ার horizon স্থির: (fₜ) আগের origin-এ প্রকাশিত হয়েছিল পরের target (yₜ)-এর জন্য; পরবর্তী সমীকরণে t এই forecast–outcome জোড়ার সংক্ষিপ্ত সূচক। দুটিকে একই variable, horizon, unit ও timestamp convention বোঝাতে হবে। পাঁচ দিনের return forecast-এর সঙ্গে এক দিনের realized return জুড়লে নির্দিষ্ট target-এর calibration যাচাই হয় না।

প্রতিটি origin-এ সত্যিই উপলভ্য forecast ব্যবহার করুন এবং forecast value, model version, data vintage ও information cutoff সংরক্ষণ করুন। Macro data-র প্রথম প্রকাশ পরে সংশোধিত হতে পারে। প্রথম প্রকাশ নাকি সংশোধিত চূড়ান্ত মানের বিপরীতে calibration মাপবেন তা ঠিক করে ধারাবাহিকভাবে ব্যবহার করুন। ঐতিহাসিক input সংশোধিত data দিয়ে বদলালে মূল পূর্বাভাসকারীর অজানা তথ্য মূল্যায়নে ঢুকে যেতে পারে।

Trading series-এ close-to-close, intraday ও overnight উপাদান একই নিয়মে সাজান। একাধিক সময়জুড়ে overlapping target পাশের forecast error-গুলোর মধ্যে dependence তৈরি করে। অভিন্ন evaluation sample-ও দরকার: volatile দিনে কোনো একটি মডেলের forecast অনুপস্থিত হলে তারিখের গঠনগত পার্থক্যকে calibration সমস্যা মনে হতে পারে। মূল্যায়িত সব forecast series-এর জন্য একই target ও origin schedule ব্যবহার করুন।

সত্যিই তৈরি করা forecast এবং fitted value আলাদা রাখুন। MZ regression-এ ব্যবহৃত একই observation-এ forecast model estimate করলে in-sample fit-কে calibration বলে ভুল হতে পারে। ভবিষ্যতের forecast নিয়ে দাবি করতে chronological out-of-sample sequence তৈরি করুন, প্রতিটি origin-এ তখনকার তথ্যেই পুনরায় estimate করুন এবং model বা threshold বাছাইয়ে ব্যবহার না করা একটি শেষ confirmation period রাখুন।

প্রচলিত level regression হলো

yₜ = α + β fₜ + uₜ

এখানে (yₜ) realized target, (fₜ) forecast এবং (uₜ) regression residual। প্রচলিত যৌথ calibration restriction হলো

H₀: α = 0 এবং β = 1

দুটিই সত্য হলে outcome ও forecast-এর fitted linear relation identity line হয়। কোনো constant offset লাগে না, এবং forecast এক unit বাড়লে fitted outcome-ও এক unit বাড়ে। Regression estimate করার পর sampling design-এর উপযোগী covariance estimate দিয়ে Wald বা সমতুল্য F test-এ দুই restriction একসঙ্গে পরীক্ষা করুন। Intercept ও slope আলাদা পরীক্ষা করা যৌথ restriction পরীক্ষা করার সমান নয়।

Residual (uₜ) স্বয়ংক্রিয়ভাবে raw forecast error (yₜ − fₜ) নয়। Joint null সত্য হলে দুটো মেলে; অন্যথায় estimated intercept ও slope linear shift এবং rescaling শোষণ করে। তাই regression coefficient-এর পাশাপাশি আসল forecast error-ও জানান, যাতে গড় miss ও calibration relation দুটোই দেখা যায়।

MZ restriction-কে কখনো forecast unbiasedness বা rationality test বলা হয়। কোন সংজ্ঞা বোঝাচ্ছেন তা নির্দিষ্ট করুন। Zero unconditional mean error-এর শর্ত (E[yₜ − fₜ] = 0); (α = 0, β = 1) একটি বিশেষ linear relation চাপায় এবং সাধারণত আরও শক্তিশালী। Holden ও Peel তাঁদের formulation-এ দেখান, প্রচলিত joint restriction unbiasedness-এর জন্য sufficient, কিন্তু necessary নয় (১৯৯০)। কোন restriction পরীক্ষা করা হয়েছে না জানিয়ে “unbiased” ও “MZ calibrated” শব্দকে সমার্থক বলবেন না।

<!-- learn:illustration -->

তিনটি কাল্পনিক forecast ও পরবর্তী outcome দেখুন:

Forecast-এর গড় 2, outcome-এর গড়ও 2, এবং forecast error-এর গড় শূন্য। তবু মানগুলো (yₜ = 1 + 0.5 fₜ) সম্পর্ক মেনে চলে; তাই MZ regression-এ intercept (α = 1) এবং slope (β = 0.5), (0, 1) নয়। গড়ে error-গুলো কাটাকাটি করলেও linear calibration restriction ব্যর্থ: এই নির্মিত উদাহরণে outcome forecast-এর অর্ধেক হারে চলে।

এটি হাতে তৈরি গাণিতিক ব্যাখ্যা, market data বা inference sample নয়। noise-হীন তিনটি বিন্দু থেকে অর্থপূর্ণ p-value দেওয়া বা বাস্তব forecast system ব্যর্থ হয়েছে বলা ঠিক হবে না। বাস্তব নমুনায় joint test estimation uncertainty হিসাব করে। coefficient-এর বড় বিচ্যুতি অনির্ভুল হতে পারে; আবার যথেষ্ট observation থাকলে ছোট বিচ্যুতিও নির্ভুলভাবে estimate হতে পারে। উদাহরণটি শুধু দেখায় যে গড় error ও MZ restriction আলাদা প্রশ্নের উত্তর দেয়।

(1 + 0.5 fₜ) ধরনের recalibration এই তিনটি outcome হুবহু ফিরিয়ে দেবে, কারণ সূত্রটি সেগুলো থেকেই তৈরি। তাতে ভবিষ্যতে কাজ করার প্রমাণ হয় না। Recalibration পদ্ধতির অংশ হলে আগের training segment-এ estimate করে পরবর্তী এমন data-তে adjusted forecast মূল্যায়ন করুন, যা coefficient নির্ধারণে ব্যবহৃত হয়নি।

Intercept (α) হলো forecast শূন্য হলে fitted outcome; এর বাস্তব অর্থ নির্ভর করে forecast range শূন্যের কাছে কি না। Slope (β) forecast বদলালে fitted outcome কতটা বদলায় তা বোঝায়। Intercept বিবেচনায় রেখে slope একের কম হলে প্রতি unit-এ forecast বেশি বদলায়; একের বেশি হলে fitted outcome বেশি বদলায়। অন্য coefficient-ও মুক্ত থাকলে একা কোনো coefficient পুরো সম্পর্ক বর্ণনা করে না।

উচ্চ (R²) calibration প্রমাণ করে না। যেমন noise-হীন (yₜ = 2 + 1.1 fₜ) সম্পর্কের (R² = 1), তবুও MZ null পূরণ হয় না। (R²) linear fit নমুনার কত variation ব্যাখ্যা করে তা সারসংক্ষেপ করে; joint test জিজ্ঞেস করে fit-টি identity line কি না। বিপরীতে, noisy forecast-এ restriction reject না হলেও (R²) কম হতে পারে। Calibration ও precision সম্পর্কিত, কিন্তু আলাদা বৈশিষ্ট্য।

দুটি আলাদা t-statistic দেখে joint ফল অনুমান করবেন না। Intercept ও slope estimate পরস্পর correlated হতে পারে, তাই joint Wald/F test তাদের covariance ব্যবহার করে। α, β ও তাদের uncertainty, joint statistic ও p-value, sample size এবং mean raw error জানান। উপযোগী হলে identity line-সহ scatterplot বা bin-ভিত্তিক তুলনা দিন; data দেখার পর bin বেছে থাকলে তা উল্লেখ করুন। Linear test বাঁকানো mismatch, regime change বা tail-specific error ধরতে নাও পারে।

Squared-error loss-এর অধীনে optimal point forecast হলো পূর্বাভাসকারীর information set শর্তাধীন target-এর conditional expectation। এর মানে, forecast origin-এ জানা তথ্য পরবর্তী error predict করতে পারার কথা নয়। কিন্তু MZ regression শুধু forecast নিজে ও constant-সহ linear relation দেখে; information set-এর প্রতিটি অন্য variable পরীক্ষা করে না।

আরও শক্ত diagnostic-এ আগে থেকে নির্দিষ্ট information variable (zₜ) error regression-এ যোগ করা যায়, যেমন:

yₜ − fₜ = δ₀ + δ₁ zₜ + vₜ

Origin-এ জানা variable যদি পরবর্তী error predict করে, তবে কাজে লাগার মতো তথ্য বাদ পড়ে থাকতে পারে। Variable কখন উপলভ্য ছিল তা ঠিক রাখতে হবে এবং বাছাই সতর্কভাবে করতে হবে; অনেক lag, market state ও transformation পরীক্ষা করলে নতুন multiple-search problem তৈরি হয়। ছোট তালিকায় predictability না পাওয়া পুরো information set-এর তুলনায় efficiency প্রমাণ করে না।

Zarnowitz survey forecast-এ bias, serial correlation, sample size ও test power নিয়ে আলোচনা করেছেন (NBER Working Paper 1070, 1983)। তাই MZ-কে linear calibration diagnostic বা দুর্বল efficiency check বলুন, সব প্রাসঙ্গিক তথ্য সর্বোত্তমভাবে ব্যবহারের প্রমাণ নয়। Giacomini–White নির্দেশিকা নির্বাচিত loss moment-এর ভিত্তিতে অন্য ধরনের conditional comparison নিয়ে আলোচনা করে।

বিশেষত rolling multi-step forecast-এ error heteroskedastic, serially correlated বা overlapping হতে পারে। সাধারণ OLS coefficient formula যৌথ restriction-এর valid standard error নিজে থেকে নিশ্চিত করে না। Horizon, dependence pattern ও estimation scheme অনুযায়ী যুক্তিযুক্ত inference পদ্ধতি বেছে নিয়ে জানান; error-গুলো স্বাধীন ধরে নেবেন না। সব design-এর জন্য একটি নির্দিষ্ট bandwidth বা correction নেই।

একই ছোট নমুনায় model parameter estimate, calibration adjustment তৈরি এবং সেটি পরীক্ষা করলে সাধারণ regression uncertainty পুরো পদ্ধতির অনিশ্চয়তা নাও ধরতে পারে। Nested forecast-এর accuracy comparison-এ null distribution nonstandard-ও হতে পারে। বাস্তব forecast construction-এর জন্য উপযুক্ত পদ্ধতি নিন, অথবা সম্পূর্ণ নির্দিষ্ট calibration step পরবর্তী holdout-এ মূল্যায়ন করুন। বহু equation, target ও sample চেষ্টা করে শেষে পাওয়া p-value-কে confirmatory বলবেন না।

Non-rejection calibration-এর প্রমাণ নয়; low power বা প্রশস্ত interval কারণ হতে পারে। Rejection-ও target, sample, linear form এবং covariance estimate-এর ওপর নির্ভরশীল। যুক্তিসংগত evaluation choice বদলে sensitivity দেখুন, তা disclose করুন এবং pre-specified test থেকে আলাদা রাখুন। Forecast খুব persistent হলে বা স্বাধীন episode অল্প হলে এটি বিশেষভাবে গুরুত্বপূর্ণ।

MZ forecast ও realized target-এর linear calibration restriction পরীক্ষা করে। Diebold–Mariano test নির্দিষ্ট score-এ দুই forecast procedure-এর average loss সমান কি না জিজ্ঞেস করে। একটি forecast calibrated হয়েও score-এ দুর্বল হতে পারে, অথবা গড়ে বেশি নির্ভুল হয়েও MZ calibration-এ ব্যর্থ হতে পারে।

Forecast origin-এ জানা তথ্যের সঙ্গে accuracy বদলায় কি না—এ প্রশ্নে Giacomini–White test নির্বাচিত conditional loss moment পরীক্ষা করে। অনেক forecast বা trading rule খোঁজা হলে Model Confidence Set বা White Reality Check/Hansen SPA আলাদা candidate-selection সমস্যা বিবেচনা করে। কোনো পদ্ধতিই স্পষ্ট target ও সঠিক forecast origin-এর বিকল্প নয়।

প্রচলিত MZ level regression সংখ্যাসূচক target-এর point forecast-এর জন্য। Quantile, probability, interval ও density forecast-এ সেসব forecast object-এর উপযোগী calibration test এবং scoring rule দরকার। Mean forecast-এ ভালো ফল tail-risk forecast বা volatility distribution-এ নিজে থেকে প্রযোজ্য হয় না।

Target, horizon, unit, information cutoff, evaluation date, data vintage এবং forecast সত্যিই out-of-sample ছিল কি না জানান। Regression equation, forecast error-এর সংজ্ঞা ও tested restriction দিন। “Unbiased” বলতে mean error শূন্য বোঝাচ্ছেন নাকি joint MZ restriction (α = 0, β = 1), তা স্পষ্ট করুন।

Coefficient estimate, standard error বা confidence interval, joint Wald/F statistic, degree of freedom, p-value, forecast origin-এর সংখ্যা, mean forecast error এবং সীমিত ব্যাখ্যাসহ (R²) জানান। বিশেষত horizon overlapping বা error serially dependent হলে covariance বা resampling পদ্ধতি ব্যাখ্যা করুন। Model estimation, recalibration, selection এবং চেষ্টা করা বিকল্প target, sample বা transformation disclose করুন।

স্বচ্ছ প্রতিবেদন average bias, linear calibration, information efficiency ও comparative accuracy আলাদা করতে সাহায্য করে। এগুলো পৃথক empirical claim। একটি regression restriction পাস করা forecast-এর সব ব্যবহারকে বৈধ করে না, আর forecast evaluation একা খরচের পর trading profitability প্রমাণ করে না।