Szacunki i prognozy: założenia, modele i niepewność

Szacunki i prognozy – czym się różnią i po co analizujemy założenia

Szacunek i prognoza to różne pojęcia, choć bywają mylone. Szacunek dotyczy wartości już istniejącej lub historycznej, choć nieobserwowanej bezpośrednio – np. gdy uzupełniamy lukę w danych albo liczymy agregat dla całej gospodarki. Prognoza opisuje przyszłość: co może się wydarzyć przy określonych warunkach. W obu przypadkach trzeba przyjąć założenia o zakresie danych, metodzie liczenia, zachowaniu ludzi i firm oraz o tym, które czynniki są stałe, a które zmienne.

W Polsce podstawowym źródłem danych dla wielu szacunków jest Główny Urząd Statystyczny. GUS zbiera, przetwarza i udostępnia dane wykorzystywane w decyzjach rządowych, lokalnych i prywatnych. Sprawozdania GUS obejmują m.in. demografię, gospodarkę, zdrowie i edukację.

Analizy prognostyczne, w tym prognozy inflacji, prowadzi też NBP. W „Wiadomościach Statystycznych” Szymon Wójcik z Uniwersytetu Łódzkiego wykorzystał modele wektorowej autoregresji do prognozowania indeksu cen konsumpcyjnych w Polsce, a jakość wyników zbadał za pomocą błędów prognoz ex post.

Analiza założeń pokazuje, czy wynik jest odporny na zmiany warunków, czy zależy od jednego wyboru. Dwie prognozy mogą użyć tych samych danych, a dać różne wnioski, jeśli inaczej określą oczekiwania inflacyjne, politykę fiskalną, kurs walutowy lub tempo wzrostu wydajności. Dlatego czytanie szacunków i prognoz zaczyna się od pytania nie tylko „jaki jest wynik?”, lecz także „przy jakich założeniach powstał?”.

Od sprawozdawczości GUS do rachunków narodowych: warsztat danych wejściowych

Podstawą szacunków w Polsce są dane zbierane i udostępniane przez GUS. Urząd gromadzi, przetwarza i publikuje informacje o życiu społecznym, gospodarczym i środowiskowym. Sprawozdania GUS zawierają m.in. dane demograficzne – liczbę ludności, wiek, płeć, migracje – a także ekonomiczne, zdrowotne i edukacyjne. Statystyka publiczna służy analizom, planowaniu strategicznemu i ocenie polityk publicznych.

Wskaźniki makroekonomiczne GUS są dostępne poprzez Bank Danych Makroekonomicznych (BDM), a dane według rodzajów działalności prezentowane są w układzie PKD 2007, opracowanej na podstawie NACE Rev. 2. Przykładem publikacji GUS jest „Zatrudnienie i wynagrodzenia w gospodarce narodowej w I—III kwartale 2011 r.” (stat.gov.pl).

Równie ważna jak dane jest metodologia. Rozwój metodologii badań statystycznych wpływa na obiektywność i porównywalność informacji.

Rachunki narodowe to dziedzina teoretycznych badań na pograniczu statystyki i ekonomii, nierozerwalnie związana z praktyką gospodarczą. W ich ramach powstają zagregowane miary gospodarki, wykorzystywane później w modelach i prognozach.

Warsztat danych obejmuje ustalenie definicji i klasyfikacji, sprawdzenie spójności danych z różnych źródeł, ocenę braków i korekt oraz przygotowanie szeregów czasowych. Dane bywają rewidowane, a definicje mogą się zmieniać. Każda zmiana danych wejściowych może wpłynąć na szacunek lub prognozę, dlatego dokumentacja metodologiczna jest równie ważna jak wynik liczbowy.

Rozwój metodologii badań statystycznych w Polsce – kluczowe etapy

Założenia modeli prognostycznych – na przykładzie prognoz inflacji

Model prognostyczny to uproszczenie rzeczywistości. Zamiast wszystkich zależności opisuje tylko najważniejsze. Założenia mogą dotyczyć zachowania konsumentów i firm, tworzenia oczekiwań, reakcji polityki pieniężnej i fiskalnej, kursu walutowego, cen surowców, sytuacji u głównych partnerów handlowych czy tempa wzrostu gospodarczego. Nawet zaawansowany formalnie model daje wynik warunkowy wobec tych ustaleń.

Przykładem są prognozy inflacji oparte na nowokeynesistowskiej krzywej Phillipsa. W pracy z 2011 r. „Prognozowanie inflacji w oparciu o hybrydową krzywą Phillipsa dla gospodarki zamkniętej i małej gospodarki otwartej” („Materiały i Studia”) badano prognostyczne własności równania tej krzywej dla gospodarki zamkniętej (NHPC). Równanie wiąże inflację z oczekiwaniami inflacyjnymi i presją popytową, a wynik zależy od założeń: sposobu tworzenia oczekiwań, sztywności cen, działania konkurencji i otwartości gospodarki.

Zmiana jednego założenia może przesunąć prognozę. Inne założenia o kursie walutowym, polityce fiskalnej, cenach importu lub oczekiwaniach społecznych dają inny obraz inflacji. Rzetelna prognoza powinna jasno rozdzielać dane, scenariusz i niepewną hipotezę. Bez tego odbiorca nie wie, czy widzi wynik solidny, czy jedną z wielu możliwych wersji przyszłości.

Wybrane modele: dynamiczne modele czynnikowe i inne narzędzia prognoz krótkookresowych

W literaturze NBP opisywane są dynamiczne modele czynnikowe (DFM). Artykuł NBP o krótkookresowym prognozowaniu inflacji wskazuje, że DFM syntetycznie informują o zmienności dużego zbioru danych. Streszczają wiele zmiennych w kilka wspólnych czynników, które można wykorzystać w prognozie.

DFM są użyteczne, gdy wskaźników jest bardzo wiele, a nie można zgubić najważniejszych sygnałów. Model czynnikowy nie opiera się na jednej zmiennej, lecz wychwytuje wspólny rytm danych z różnych obszarów gospodarki. To naturalne zwłaszcza w krótkookresowym prognozowaniu inflacji, gdzie liczą się jednocześnie ceny, popyt, rynek pracy, pieniądz i oczekiwania.

Obok modeli czynnikowych w literaturze NBP występują modele strukturalne, w tym równanie nowokeynesistowskiej krzywej Phillipsa. W serii „Materiały i Studia” nr 263 ukazała się praca „Krótkoterminowe prognozy polskiej inflacji w oparciu o wskaźniki wyprzedzające”. Nie ma jednego uniwersalnego modelu – wybór narzędzia zależy od horyzontu, celu prognozy i dostępności danych. Wartość modelu to nie samo skomplikowanie, lecz jasność założeń i sprawdzalność wyników.

Modele uczenia maszynowego i sieci neuronowe w prognozowaniu

W prognozowaniu coraz częściej stosuje się uczenie maszynowe i sieci neuronowe. W projektach badawczych, m.in. na Uniwersytecie Mikołaja Kopernika w Toruniu, analizuje się prognozowanie rynków finansowych metodami uczenia maszynowego. Sztuczna inteligencja bywa przedstawiana jako nowe podejście do modelowania i prognozowania danych finansowych, którego potencjał dostrzegły nie tylko środowiska finansowe.

Metody te stosuje się nie tylko na rynkach finansowych. W badaniach marketingowych ocenia się możliwości wykorzystania sieci neuronowych do prognozowania wybranych zjawisk marketingowych. Pozwalają wychwytywać nieliniowe zależności i wzorce, które trudno zapisać w prostym równaniu ekonometrycznym. Modele uczenia maszynowego nie są jednak wolne od ograniczeń.

Główne wyzwania to nadmierne dopasowanie do danych historycznych, ryzyko niestabilności przy zmianach strukturalnych, zależność od jakości i reprezentatywności danych oraz trudność interpretacji wyników. Model może dobrze działać na danych z przeszłości, a słabiej poza próbą. Dlatego kluczowe są walidacja poza próbą, porównanie z prostszymi metodami i ostrożność we wnioskach. Uczenie maszynowe może wspierać prognozowanie, ale nie zwalnia z pytania o sens ekonomiczny i jawne założenia.

Zalety i wady modeli uczenia maszynowego w prognozowaniu w Polsce

Niepewność i trafność prognoz – jak ją mierzyć i interpretować

Niepewność prognozy ma kilka źródeł: dane, model, parametry i nieprzewidywalne przyszłe szoki. Nawet dobrze zbudowany model nie zna przyszłych decyzji politycznych, zmian technologicznych, kryzysów ani zachowań ludzi. Dochodzą do tego rewizje danych i zmiany definicji – to, co dziś jest punktem odniesienia, jutro może wyglądać inaczej.

Trafność prognoz jest badana. W czasopiśmie NBP „Bank i Kredyt” porównywano trafność jednorocznych prognoz. Trafność nie jest stałą cechą modelu ani instytucji – zależy od horyzontu, okresu, zmienności otoczenia i jakości danych. Ocenę prognozy trzeba opierać na wielu przypadkach, nie na jednym trafionym lub chybionym wyniku.

Błędy mierzy się m.in. średnim błędem bezwzględnym (MAE), pierwiastkiem błędu średniokwadratowego (RMSE), miarami obciążenia i analizą kierunku zmian. W komunikacji niepewności pomagają przedziały, scenariusze, wykresy wachlarzowe i jasny język. Zamiast jednej liczby warto pokazywać zakres możliwych wyników oraz warunki, przy których stają się one bardziej prawdopodobne. Prognoza jest uczciwa, gdy mówi nie tylko, co może się stać, ale też jak bardzo można się mylić.

Jak czytać szacunki i prognozy w praktyce – wnioski dla odbiorcy w Polsce

Czytając szacunek lub prognozę, najpierw ustal podstawy: kto ją przygotował, czego dotyczy, za jaki okres, na jakich danych i przy jakich założeniach. W Polsce naturalnym punktem wyjścia dla danych statystycznych jest GUS, a dla wielu analiz prognostycznych – publikacje i materiały NBP. Sprawdź, czy definicje są zgodne z tymi, do których jesteś przyzwyczajony, i czy dane nie zostały później skorygowane.

Nie traktuj prognozy jak pewnika. To scenariusz warunkowy: „jeżeli utrzymają się takie warunki, wynik może być taki”. Porównuj ją z przedziałami niepewności, śledź aktualizacje i pytaj, co musiałoby się zmienić, aby wynik się zmaterializował lub nie. Uważnie patrz na prognozy długookresowe – są bardziej podatne na zmiany założeń i nieprzewidywalne zdarzenia.

Dobra praktyka łączy trzy elementy: wiarygodne dane, przejrzystą metodę i świadomość niepewności. Szacunki i prognozy są użyteczne nie dlatego, że dają jedną nieomylną liczbę, lecz dlatego, że porządkują informacje i pokazują zależności. Im jaśniejsze założenia, tym łatwiej ocenić, czy wynik pasuje do naszych potrzeb i czy warto opierać na nim decyzje.