Machine learning ed Econometria: strumenti alternativi o complementari?

Lo sviluppo del machine learning nel campo delle previsioni economiche potrebbe rendere marginale l’approccio econometrico. Tuttavia, questo rischio si presenta solo quando è disponibile un numero elevato di misurazioni del fenomeno analizzato e delle sue determinanti.
Quando invece le osservazioni sono limitate, l’econometria mantiene un vantaggio significativo: consente infatti di incorporare in modo esplicito conoscenze teoriche sulla dinamica della variabile studiata e sulle relazioni che la legano ai suoi fattori determinanti. In tali contesti, le tecniche di machine learning non sono ancora in grado di competere con l’affidabilità previsiva dei modelli econometrici.

Viceversa, quando i dati disponibili sono numerosi, le tecniche di machine learning possono risultare più performanti dei modelli econometrici nelle previsioni. Un caso concreto è rappresentato dai test di performance sulle capacità previsive del Prezzo Unico Nazionale (PUN) orario dell’energia elettrica in Italia, effettuati in PricePedia utilizzando alternativamente modelli econometrici strutturali, modelli statistici e tecniche di machine learning, come illustrato da Riccardo Gentilucci in alcuni recenti articoli^[1].
I risultati ottenuti mostrano come le tecniche di machine learning siano effettivamente più accurate in termini previsivi rispetto a tutti gli altri strumenti analizzati.

A fronte di questi risultati, è lecito domandarsi se, in presenza di una grande disponibilità di dati, non sia opportuno abbandonare l’approccio econometrico a favore di un uso esclusivo delle tecniche di machine learning.
A mio avviso, la scelta più efficace è quella di affiancare le previsioni basate sul machine learning a quelle dei modelli strutturali, per due motivi principali:

• il confronto tra le previsioni ottenute con modelli strutturali e quelle prodotte dal machine learning fornisce indicazioni utili sull’attendibilità complessiva delle previsioni;
• i modelli strutturali permettono di ottenere informazioni aggiuntive, andando oltre la semplice previsione puntuale del fenomeno di interesse.

Attendibilità della previsione

L’utilizzo di un modello econometrico in parallelo al TTM consente di rafforzare l’attendibilità delle previsioni. La previsione econometrica, infatti, offre un termine di confronto fondato su relazioni teoricamente definite tra le variabili, permettendo di verificare se i risultati generati dal modello di machine learning si collocano entro margini di coerenza economica e statistica accettabili.
In questo senso, il modello econometrico non compete con il TTM sul piano della performance numerica, ma svolge una funzione di validazione metodologica, contribuendo a consolidare la credibilità complessiva del processo previsivo.

Informazioni aggiuntive

Anche quando i modelli di machine learning risultano più performanti sul piano della previsione numerica, i modelli econometrici conservano un valore analitico specifico, legato alla loro capacità di produrre informazioni aggiuntive rispetto al semplice punto di previsione.
Grazie alla loro struttura teorica esplicita, essi consentono di comprendere come e perché si generano i risultati previsivi, rendendo possibile un’analisi articolata delle determinanti del fenomeno.

In primo luogo, i modelli econometrici permettono di costruire intervalli di previsione che quantificano il grado di incertezza associato alla stima puntuale, offrendo una misura diretta della variabilità potenziale dei risultati.
In secondo luogo, consentono di identificare e stimare l’impatto delle variabili esogene, evidenziando in quale misura ciascun fattore contribuisca alla dinamica della variabile dipendente.
In terzo luogo, permettono di analizzare le relazioni strutturali tra le variabili, fornendo indicazioni sulle direzioni di causalità e sulla stabilità dei legami nel tempo.
Infine, la loro formulazione esplicita consente di simulare scenari alternativi, modificando ipotesi o valori delle variabili esogene per valutare l’evoluzione del sistema in condizioni differenti da quelle osservate.

Nel complesso, queste informazioni trasformano la previsione da semplice esercizio quantitativo a strumento interpretativo, capace di integrare la potenza predittiva dei modelli di machine learning con una lettura economica coerente e trasparente dei risultati.

In sintesi

Quando i dati disponibili sono limitati, l’approccio econometrico resta l’unica via affidabile per elaborare scenari previsivi credibili. In queste situazioni, le tecniche di machine learning non dispongono di osservazioni sufficienti per individuare pattern dinamici robusti da utilizzare a fini previsivi.
La prospettiva cambia radicalmente quando il fenomeno analizzato è descritto da un ampio numero di osservazioni temporali: in questo caso, le tecniche di machine learning tendono a offrire prestazioni previsive superiori ai modelli econometrici. Tuttavia, anche in presenza di tali vantaggi, l’econometria mantiene un ruolo decisivo.
Da un lato, il confronto tra previsioni ottenute con machine learning e modelli econometrici consente di valutare l’attendibilità dei risultati previsivi; dall’altro, i modelli econometrici forniscono informazioni aggiuntive indispensabili per un’interpretazione completa: intervalli di previsione, misure dell’impatto delle variabili esogene, analisi delle relazioni strutturali tra le variabili e simulazione di scenari alternativi.
Nel complesso, l’integrazione tra approcci econometrici e tecniche di machine learning non rappresenta una sovrapposizione, ma un’evoluzione metodologica^[2]: la combinazione dei due strumenti consente di coniugare rigore analitico e potenza predittiva, trasformando la previsione in un processo conoscitivo più robusto e consapevole.