Valutare la calibrazione dell’incertezza nei modelli fondazionali probabilistici per serie temporali

Abstract degli autori

I modelli fondazionali per serie temporali (TSFM) sono sempre più utilizzati per effettuare previsioni probabilistiche in diversi ambiti, ma l’affidabilità delle loro stime dell’incertezza resta poco conosciuta. In questo lavoro studiamo la calibrazione dell’incertezza nei TSFM probabilistici da una prospettiva metodologica ed empirica più ampia. Introduciamo una tassonomia dei modi in cui i TSFM rappresentano l’incertezza predittiva e sviluppiamo un framework di valutazione dettagliato della calibrazione nelle previsioni multi-orizzonte, che distingue tra calibrazione aggregata, per orizzonte e condizionale più rigorosa. Utilizzando questo framework, conduciamo una valutazione empirica completa di alcuni dei TSFM più diffusi su diversi dataset e mostriamo che i modelli attuali presentano pattern di calibrazione errata distinti e sistematici, spesso celati dalle metriche standard. Analizziamo inoltre i comuni metodi di ricalibrazione post hoc e descriviamo quali forme di calibrazione possono migliorare e quali tendono a persistere. I nostri risultati forniscono indicazioni pratiche per valutare e migliorare la calibrazione dell’incertezza nei TSFM e mettono in luce importanti limiti delle pratiche attuali.