He estado trabajando en mi propia pregunta y puedo informar de los siguientes resultados después de probar las 3 opciones de la serie en cuestión. He hecho un modelo base que solo incluye la variable regresora y he probado las tres aproximaciones a esta con la siguiente validación:
- Todos los modelos se prueban con los mismos parámetros en un modelo ARIMAX.
- La prueba incluye una validación de 5 periodos de 30 días cada uno en el "periodo posterior al covid"
El modelo de referencia tiene un MAPE del 19,88% en los 5 períodos.
1. Utilizar un regresor escalonado durante el periodo de parada.
He introducido una variable en el modelo con un valor de 1 durante el periodo de parada y 0 en el resto. Esto fue bastante fácil de implementar
df['shutdown'] = (df.index > pd.to_datetime('2020-03-06')) & (df.index < pd.to_datetime('2020-06-12')) == 1
Añadí esta variable al modelo e hice una interacción con los otros regresores y la añadí a mi modelo ARIMA.
Este enfoque ha dado lugar a un 21,52% de MAPE medio a lo largo de 5 periodos en la validación walk forward.
También se probó añadir el regresor de forma independiente, pero el error fue mayor que el probado inicialmente.
2. Suprimir por completo el período y considerar que "nunca ocurrió".
Para ello, se eliminó por completo el periodo de cierre y se entrenaron los datos en los que cada observación había ocurrido unos meses antes, para luego volver a convertirlos a las fechas originales; por supuesto, esto también se hizo para las variables regresoras.
Esto dio un resultado del 19,88%. El promedio de MAPE en 5 periodos en la validación walk forward, una mejora de rendimiento bastante grande en comparación con el modelo de referencia.
3. Ajustar el periodo de desconexión para que coincida con la magnitud de los datos anteriores a la crisis.
Para ello, la serie se ajustó con un multiplicador para alcanzar los niveles previos a la covacha. Esta era la peor de las opciones, porque se perdía la escala y la relación entre los regresores y la variable dependiente. No tenía sentido validar este modelo con la validación por pasos.
Después de todo esto, se pretendía un enfoque diferente:
4. Añadir la información de COVID-19 al modelo: Número de casos diarios activos.
Obtuve los datos de Nuestro mundo en datos Conjunto de datos COVID y después de limpiar la serie y suavizarla, añadí al modelo el regresor con el número de casos activos diarios.
El resultado fue del 13,56%. El MAPE medio de 5 periodos en la validación walk forward, siendo éste el mejor resultado y recortando 6 puntos porcentuales enteros del error.
La conclusión es que, al menos en este caso, había una variable que explicaba el comportamiento tanto en el periodo de derribo como después, y esto proporcionó el mejor resultado.
