Loading article…
コンセンサス予測とは、多くの場合異なる手法を用いて作成された複数の個別の予測を組み合わせることによって作成される未来予測のことです。計量経済学から気象学まで、多くの科学分野で用いられており、計量経済学や統計学では予測の組み合わせ、予測平均、モデル平均、機械学習では委員会マシン、アンサンブル平均、専門家集約などとも呼ばれています。
応用範囲は、天気予報から、国の年間国内総生産の予測、企業や個人ディーラーが1年間に販売するであろう自動車の台数の予測まで多岐にわたります。予測は時系列データの将来の値に対して行われることが多いですが、大統領選挙の結果やサッカーの試合結果といった単発的な出来事に対しても行うことができます。
予測は、不確実性に関する洞察を提供するため、あらゆる組織の計画プロセスにおいて重要な役割を果たします。シミュレーションを通じて、提案された戦略が事前に定義された範囲内で望ましい目標を生み出す可能性が高いかどうかを評価できます。経済予測の分野では、経済の将来の動向はほぼすべての企業の事業見通しに不可欠であり、そのため正確な経済予測に対する需要が非常に高くなっています。この強い需要に応えるように、政府、国際機関、およびさまざまな民間企業から、すぐに利用できる予測情報が大量に提供されています。Consensus EconomicsやBlue Chip Economic Indicatorsなどの企業は、経済予測データの公開を専門としており、前者は世界の主要地域のほとんどを網羅し、通貨や商品の予測も提供し、後者は米国経済に焦点を当てています。しかし、最適な予測方法を解読するのは容易なことではなく、主にユーザーの目的と直面する可能性のある制約に依存します。単一の最適な予測方法を特定しようとするのではなく、別のアプローチとして、独立した予測者の結果を組み合わせて、予測の平均を取る方法があります。
異なる予測手法から得られた独立した予測のパネルの単純平均を取るこの方法は、予測の結合として知られており、その結果はしばしばコンセンサス予測と呼ばれます。他の個々の予測と比較して予測誤差が小さい特定の予測モデルを特定できない限り、分散化の利益のためにコンセンサスアプローチを採用することは有益です。経済予測の結合は多くの国で確立されており、中央銀行、政府機関、企業が利用者に含まれます。ここ数十年、予測精度に関する膨大な学術研究の発表に支えられ、コンセンサス予測は大きな関心を集めています。実証研究は、予測を統合することで予測精度が向上することを示しています。[ 1 ] [ 2 ] [ 3 ]コンセンサス予測を使用する利点の1つは、状況に高い不確実性またはリスクが伴い、事前に最も正確な予測を選択することが難しい場合に有用であることが証明されることです。1つの方法が最良であると特定されたとしても、他の方法が予測精度に何らかのプラスの貢献をすることができる場合は、結合する価値があります。さらに、多くの要因が独立した予測に影響を与える可能性があり、これらの要因は、その他の有用な情報とともに、コンセンサスアプローチを使用することで捉えられる可能性があります。この方法を支持するもう1つの論拠は、個々の予測は多数の行動バイアスの影響を受ける可能性があるが、独立した予測を組み合わせることでこれらを最小限に抑えることができるということです。したがって、組み合わせることで、個々の予測の予測誤差を減らすことにより、予測精度を向上させるのに役立つと考えられています。さらに、構成要素となる予測が抽出されるデータと予測手法が大きく異なる場合、予測を平均化することがより有用である可能性が高いです。また、単純なアプローチ（通常は加重なしの平均）に過ぎませんが、この方法は他のより洗練されたモデルと同じくらい有用です。実際、過去10年間のより最近の研究では、時間の経過とともに、等重み付けされた結合予測は、コンセンサスを構成する個々の予測よりも通常はより正確であることが示されています。[ 4 ] [ 5 ] [ 6 ]
要約すると、コンセンサス予測手法の有用性は、ここ数十年の豊富な実証研究によって裏付けられています。結合方法における等重み付けは、その簡便さと説明の容易さから魅力的です。特に、個々の予測者の予測を平均化するこの単純な方法は、民間部門の期待を測ろうとする世界の多くの中央銀行によって実践されています。ロイ・バチェラーが2000年に実施した実証研究では、国際通貨基金（IMF）や経済協力開発機構（ OECD ）といった主要な多国籍機関が作成したマクロ経済予測よりも、コンセンサス予測の方が精度が高いことが示されています。[ 7 ]ロバート・C・ジョーンズによる研究では、次のように結論づけられています。「少なくとも『予測の組み合わせ』（ベイツとグレンジャー[1969]）の出版以来、経済学者は、異なる情報源からの予測を組み合わせることで、精度が向上し、予測者の誤差が減少することを知っていた。その後、数多くの研究がこれらの結論を裏付け、予測の組み合わせが最も効果的な条件を概説し、より高度な統計的手法に比べて単純な等重み付けがなぜこれほど効果的なのかを説明しようと試みてきた。」[ 8 ]
点予測の組み合わせに関する文献は非常に豊富ですが、確率的予測の組み合わせに関するトピックはそれほど人気がありません。[ 3 ]区間予測の組み合わせを明示的に扱っている論文は非常に少ないですが、密度予測の分野ではいくらか進展が見られます。[ 9 ] [ 10 ]シンプルでありながら強力な代替手法が、電力価格予測の文脈で導入されています。分位点回帰平均法（QRA）は、多数の個々の予測モデルまたは専門家の点予測に分位点回帰を適用するものです。 [ 11 ]実際には非常に優れたパフォーマンスを発揮することがわかっています。グローバルエネルギー予測コンペティション（GEFCom2014）の価格トラックで上位2位のチームは、QRAのバリエーションを使用しました。
{{cite book}}:|journal=無視されました (ヘルプ)