Si lo único que importa en las previsiones es obtener una previsión precisa, ¿por qué es un problema utilizar datos no estacionarios? Digamos que utilizas datos no estacionarios para crear una previsión que se comporta bien en una prueba de previsión pseudofuera de muestra, ¿seguiría siendo erróneo tenerlo como modelo?
Respuesta
¿Demasiados anuncios?
El problema es que, si los datos no son estacionarios, las previsiones fuera de la muestra suelen ser malas.
Incluso si por casualidad funciona bien en su conjunto de entrenamiento fuera de la muestra, es muy probable que haya sido sólo buena suerte.
Si se comprueba que dicho modelo supera sistemáticamente a los modelos en los que se corrige la no estacionariedad, se podría utilizar. Como dices, en la previsión sólo te importa la precisión, no importa si obtienes los resultados precisos de un modelo riguroso o los lees de huesos de pollo secos.
Dicho esto, me sorprendería enormemente que se construyera un modelo de previsión con datos no estacionarios que superara sistemáticamente a los modelos que los corrigen.
P.D.: Supongo que arriba se habla de modelos que no pueden manejar la no estacionariedad. Por supuesto, si hablamos de algún modelo de corrección de errores que pueda manejar series no estacionarias, entonces no hay problema.
