Serie temporali interrotte e regressione segmentata
Scopri come una serie temporale interrotta stima variazioni di livello e pendenza, perché i trend di base e l'autocorrelazione sono importanti e come i disegni controllati rafforzano l'analisi degli eventi finanziari
Risposta diretta
Una serie temporale interrotta confronta il percorso osservato dopo un intervento chiaramente datato con il percorso proiettato a partire da osservazioni ripetute precedenti all'intervento. La regressione segmentata può stimare una variazione immediata di livello e una variazione del trend, ma l'affermazione causale richiede più di una discontinuità visibile. Nessuno shock concomitante deve spiegare la tempistica, il trend pre-intervento deve fornire un controfattuale credibile e stagionalità, autocorrelazione, anticipazione, cambiamenti nella composizione e discontinuità di misurazione devono essere modellati o esclusi
Il vecchio percorso diventa il controfattuale
Una serie temporale interrotta inizia con molte osservazioni prima e dopo un intervento, non soltanto con una coppia prima-dopo
La serie pre-intervento stima il livello e il trend che sarebbero proseguiti senza intervento. Gli scostamenti post-intervento vengono misurati rispetto a quel percorso proiettato
Questo disegno è più solido quando la data dell'intervento è nota esternamente, gli esiti sono misurati in modo coerente e la traiettoria precedente è abbastanza stabile da poter essere estrapolata
La regressione segmentata separa due variazioni
Un modello di base include il tempo, un indicatore che si attiva all'intervento e il tempo trascorso dall'intervento
L'indicatore dell'intervento stima un salto immediato di livello. Il termine temporale post-intervento stima come cambia la pendenza rispetto alla base
A un orizzonte successivo, l'effetto implicito combina la variazione di livello e le variazioni di pendenza accumulate. Riportare un solo coefficiente può nascondere il percorso economicamente rilevante
La forma dell'interruzione deve corrispondere al meccanismo
Una regola di trading può entrare in vigore durante la notte, mentre una riforma di conformità può essere introdotta gradualmente. Un gradino, una rampa, un ritardo o un impulso temporaneo codificano storie diverse dell'intervento
L'anticipazione prima della data formale può rendere fuorviante un indicatore netto. Le date di annuncio, adozione e applicazione dovrebbero essere separate
Scegliere il punto di rottura o la forma dell'impatto dopo aver osservato l'esito esagera l'adattamento. La sequenza temporale e la specifica principale dovrebbero essere giustificate prima della stima
La dipendenza temporale cambia l'incertezza
Le osservazioni adiacenti condividono spesso gli shock, quindi errori ordinari indipendenti producono intervalli di confidenza troppo stretti
I grafici dei residui e la diagnostica dell'autocorrelazione dovrebbero guidare un modello degli errori o un'incertezza robusta alle serie temporali. Più frequenze non creano automaticamente evidenza indipendente
Stagionalità, festività, volatilità variabile, valori anomali e trend non stazionari possono assomigliare a un intervento. Modellarli richiede ragionamento economico oltre ai test statistici
Gli shock concomitanti sono la principale minaccia causale
Qualsiasi altro evento che inizi vicino all'intervento può spiegare la stessa discontinuità di livello o pendenza. Le notizie macroeconomiche e le regole simultanee sono particolarmente pericolose nella finanza
Contano anche la stabilità della misurazione e della composizione. Un cambiamento del fornitore, un nuovo universo di quotazioni o una definizione rivista dello spread possono generare una discontinuità artificiale
La regressione verso la media è un altro rischio quando l'intervento segue un risultato estremo. Un periodo pre-intervento più lungo aiuta a mostrare se inversioni simili si erano già verificate
Una serie di controllo può rafforzare il disegno
Una serie temporale interrotta controllata aggiunge una serie di confronto non interessata, esposta agli stessi shock comuni. L'estimando diventa una differenza tra interruzioni
Il confronto deve condividere le forze di base ma evitare trattamento diretto, anticipazione e spillover. Un benchmark contaminato può sottrarre una parte del vero effetto
Più controlli o un confronto sintetico possono migliorare la credibilità, ma restano essenziali un buon co-movimento pre-intervento e una selezione trasparente
Le applicazioni finanziarie richiedono contesto di mercato
Un cambiamento della dimensione minima del tick, una restrizione sulle vendite allo scoperto, una scadenza per la divulgazione o un aggiornamento del sistema di borsa possono essere studiati attraverso spread, volume o volatilità nel tempo
La frequenza intraday fornisce molti punti ma anche dipendenza dalla microstruttura, pattern del giorno della settimana e notizie sovrapposte. La dimensione del campione non equivale all'identificazione
Definisci unità, frequenza, orizzonte, date dell'intervento, forma di risposta attesa ed eventi concorrenti prima di interpretare una discontinuità come effetto di una politica
La sensibilità trasforma una discontinuità in evidenza
Usa date placebo, finestre alternative ragionevoli, forme del trend, controlli stagionali e strutture di autocorrelazione. Verifica se un solo giorno estremo determina la stima
Riporta variazione di livello, variazione di pendenza, effetti a orizzonti significativi, controlli dei residui e percorsi osservati e controfattuali con la relativa incertezza
Se molte date plausibili mostrano discontinuità simili o il risultato scompare dopo aver modellato uno shock concomitante, la conclusione causale dovrebbe indebolirsi di conseguenza
Domande frequenti
Una serie temporale interrotta è solo uno studio prima-dopo?
No. Usa osservazioni ripetute per stimare il livello e il trend di base invece di affidarsi a una sola osservazione per ciascun lato
Qual è la differenza tra una variazione di livello e una di pendenza?
Una variazione di livello è un salto immediato; una variazione di pendenza modifica la velocità con cui l'esito evolve in seguito
Perché bisogna modellare l'autocorrelazione?
Le osservazioni vicine condividono shock, quindi trattarle come indipendenti di solito sottostima l'incertezza
Aggiungere una serie di controllo risolve ogni problema?
No. Aiuta con gli shock condivisi solo se il controllo è comparabile e rimane non interessato dal trattamento o dagli spillover