Η Vesper δεν δείχνει μόνο πληροφορίες σε πραγματικό χρόνο για την αγορά εμπορευμάτων: χρησιμοποιεί και μηχανική μάθηση για να προβλέψει τιμές, παραγωγή και επίπεδα αποθεμάτων για διάφορα αγροτικά εμπορεύματα (για παράδειγμα γαλακτοκομικά, φυτικά έλαια, ζάχαρη). Για να βοηθήσει τους χρήστες της να καταλάβουν ποιες μεταβλητές κάνουν τις τιμές, την παραγωγή και τα αποθέματα να αλλάζουν, σε αυτό το άρθρο η Vesper εξετάζει πώς η ανάλυση αιτιακής συμπερασματολογίας μπορεί να βοηθήσει στην ποσοτικοποίηση της επίδρασης αυτών των μεταβλητών. Επιπλέον, αυτό μπορεί να βοηθήσει τους χρήστες μας να κατανοήσουν και να προεξοφλήσουν την επίδραση μεγάλων απρόσμενων γεγονότων, όπως ο COVID-19 ή ο πόλεμος που συνεχίζεται στην Ουκρανία.
Γενικά, η αιτιακή συμπερασματολογία μπορεί να χρησιμοποιηθεί για να αναλυθούν και να ποσοτικοποιηθούν διαφορετικές αιτιακές σχέσεις. Γι’ αυτό, σε αυτό το άρθρο, θα ποσοτικοποιήσουμε και θα συγκρίνουμε τις αιτιακές επιδράσεις των εισαγωγών βουτύρου, των εξαγωγών βουτύρου και της παραγωγής βουτύρου στις τιμές του βουτύρου. Το άρθρο είναι δομημένο ως εξής:
- Πρώτα θα εμβαθύνουμε λίγο στο τι ακριβώς είναι η αιτιακή συμπερασματολογία. - Έπειτα θα συζητήσουμε την υποκείμενη δομή της αγοράς που χρησιμοποιείται για να βρεθεί η αιτιακή σχέση ανάμεσα σε εισαγωγές, εξαγωγές, παραγωγή και τιμές βουτύρου, και πώς η αναγνώριση αιτιακών σχέσεων ωφελεί τους χρήστες της Vesper. - Τέλος θα αγγίξουμε το κομμάτι της μηχανικής μάθησης στην αιτιακή συμπερασματολογία, με τη βιβλιοθήκη DoWhy της Microsoft, μαζί με τα αποτελέσματα της αιτιακής συμπερασματολογίας.
Τι ακριβώς είναι η αιτιακή συμπερασματολογία;
Η αιτιακή συμπερασματολογία ορίζεται ως μια διαδικασία που εντοπίζει αιτιακές σχέσεις ανάμεσα στα δεδομένα και εκτιμά την επίδραση ενός συγκεκριμένου γεγονότος (Eichler, 2012). Για να απαντηθούν ερωτήματα όπως «Πώς θα βαθμολογούσε ένας χρήστης μια συγκεκριμένη ταινία, αν του προτεινόταν;» και «Τι έκανε την τιμή αυτού του εμπορεύματος να αλλάξει;», η επίδραση διαφορετικών μεταβλητών πρέπει να μετρηθεί και να συγκριθεί (Moraffah et al., 2021). Ως παράδειγμα, πάρτε τα μοντέλα προτάσεων του Netflix, όπως οι εξατομικευμένες σειρές προτεινόμενων ταινιών στην αρχική οθόνη ενός χρήστη. Το παραδοσιακό σύστημα προτάσεων προσπαθεί να απαντήσει σε ένα απλό ερώτημα: «Πώς θα βαθμολογούσε ο χρήστης αυτή την ταινία;». Το πρόβλημα είναι ότι οι χρήστες θα δουν τις αγαπημένες τους ταινίες ό,τι κι αν προτείνει το σύστημα. Η αιτιακή συμπερασματολογία επιτρέπει στο Netflix να αναλύσει και να ποσοτικοποιήσει την επίδραση διαφορετικών προτάσεων, με αποτέλεσμα καλύτερη κατανόηση των χρηστών του και υψηλότερη απόδοση των τρεχόντων μοντέλων προτάσεων. Από τη σκοπιά της Vesper, η αιτιακή συμπερασματολογία μπορεί να διεξαχθεί για να κατανοήσουμε καλύτερα τι κάνει τις τιμές των εμπορευμάτων να κινούνται προς μια συγκεκριμένη κατεύθυνση, πάνω ή κάτω. Τα αποτελέσματα της αιτιακής μας ανάλυσης στα εμπορεύματα μπορούν να βοηθήσουν τους πελάτες μας να προεξοφλούν καλύτερα και γρηγορότερα πότε αλλάζουν συγκεκριμένες συνθήκες της αγοράς.
Η συσχέτιση δεν συνεπάγεται αιτιότητα!
Τα περισσότερα μοντέλα ή αλγόριθμοι μηχανικής μάθησης που χρησιμοποιούνται για την πρόβλεψη τιμών μετοχών και εμπορευμάτων στηρίζονται σε συσχετίσεις ανάμεσα σε μεταβλητές. Ωστόσο, για να αποκτήσουμε εικόνα για τους μοχλούς πίσω από τις προβλέψεις, είναι πολύ επικίνδυνο να βασιστούμε μόνο στη συσχέτιση. Με απλά λόγια, η συσχέτιση είναι ένα μέτρο που περιγράφει το μέγεθος και την κατεύθυνση (θετική ή αρνητική) της σχέσης ανάμεσα σε μεταβλητές. Κοιτάζοντας μόνο τη συσχέτιση μπορεί να πιστέψουμε ότι η κατανάλωση μαργαρίνης και το ποσοστό διαζυγίων στο Μέιν έχουν αιτιακή σχέση (δείτε το σχήμα παρακάτω). Το διάγραμμα δείχνει καθαρά ότι τα δύο γεγονότα συσχετίζονται ισχυρά. Αυτό όμως δεν συνεπάγεται ότι το να τρώει κανείς λιγότερη μαργαρίνη οδηγεί σε υγιέστερο γάμο. Η συσχέτιση δεν είναι αιτιότητα: η αιτιότητα δείχνει αν υπάρχει αιτιακή σχέση ανάμεσα σε δύο γεγονότα, και η αιτιακή συμπερασματολογία ελέγχει αν μια σχέση από αιτία σε αποτέλεσμα υπάρχει πράγματι.
Δομή της αγοράς
Για την αιτιακή συμπερασματολογία είναι απαραίτητο να υπάρχει καθαρή εικόνα των διαφορετικών παραγόντων που επηρεάζουν την αγορά βουτύρου. Αυτό γίνεται με τη μορφή ενός αιτιακού γράφου (δηλαδή ενός πιθανοτικού γραφικού μοντέλου που κωδικοποιεί υποθέσεις για τη διαδικασία που παράγει τα δεδομένα). Οι ειδικοί market intelligence της Vesper δημιούργησαν έναν γράφο που περιέχει όλους τους παράγοντες που θα μπορούσαν να επηρεάσουν τον κύκλο παραγωγής και τιμών του βουτύρου, και φαίνεται παρακάτω. Ο γράφος παρουσιάζει διαφορετικές σχέσεις ανάμεσα σε πολλούς παράγοντες, καθένας από τους οποίους έχει άμεση ή έμμεση σχέση με τις εισαγωγές και εξαγωγές βουτύρου, την παραγωγή βουτύρου ή τις τιμές του βουτύρου. Η τιμή του βουτύρου είναι η μεταβλητή που μας ενδιαφέρει, καθώς κάνουμε αιτιακή συμπερασματολογία για να δούμε την αιτιακή επίδραση των εισαγωγών, των εξαγωγών και της παραγωγής βουτύρου στις τιμές του. Τα βέλη στο διάγραμμα δηλώνουν άμεση σχέση ανάμεσα σε δύο μεταβλητές. Όπως βλέπετε, υποθέτουμε ότι δεν υπάρχει άμεση σχέση ανάμεσα στην παραγωγή γάλακτος και στις τιμές του βουτύρου. Αυτό όμως δεν συνεπάγεται αυτόματα ότι δεν υπάρχει έμμεση σχέση. Μπορούμε να υποστηρίξουμε ότι η παραγωγή περισσότερου γάλακτος μπορεί να αυξήσει την παραγωγή βουτύρου χάρη σε ευνοϊκή αξιοποίηση των προϊόντων, κάτι που έμμεσα μειώνει την τιμή του βουτύρου. Με την αιτιακή συμπερασματολογία, η αιτιακή σχέση ανάμεσα σε δύο ή περισσότερες έμμεσα συνδεδεμένες μεταβλητές μπορεί να ποσοτικοποιηθεί.
Η αξιοποίηση των προϊόντων είναι μία από τις πιο σημαντικές μεταβλητές. Περιγράφεται καλύτερα ως η βέλτιστη κατανομή των πόρων για τη μεγαλύτερη δυνατή απόδοση. Η Vesper υπολογίζει ποιο προϊόν, συμπεριλαμβανομένων των παραπροϊόντων, δίνει την υψηλότερη απόδοση για 10.000 L γάλακτος, δεδομένων των τρεχουσών τιμών των διαφόρων γαλακτοκομικών εμπορευμάτων. Όταν οι τιμές του βουτύρου είναι εξαιρετικά υψηλές, είναι πιθανό το εργαλείο αξιοποίησης να συστήσει περισσότερη παραγωγή βουτύρου, επειδή είναι πιο κερδοφόρα σε σύγκριση με άλλα προϊόντα όπως το τυρί. Επομένως, τόσο η παραγωγή γάλακτος όσο και η αξιοποίηση επηρεάζουν την παραγωγή βουτύρου. Οι τιμές του βουτύρου, με τη σειρά τους, επηρεάζουν τα αποτελέσματα του σημερινού μοντέλου αξιοποίησης. Πέρα από την αξιοποίηση, και άρα την ποσότητα γάλακτος που κατευθύνεται στην παραγωγή βουτύρου, η παραγωγή βουτύρου επηρεάζεται και από τις εισαγωγές και εξαγωγές, την κατανάλωση και τα επίπεδα αποθεμάτων.
Η τομή market intelligence και data science
Με την πρώτη ματιά, η data science και η market intelligence μοιάζουν δύο διαφορετικά πεδία εργασίας. Οι απαιτούμενες δεξιότητες και οι πρακτικές λειτουργίες διαφέρουν, ενώ ο τελικός στόχος είναι συνήθως ο ίδιος: η αναζήτηση γνώσης που βελτιώνει τις αποφάσεις μέσα στην επιχείρηση ή την αγορά. Για να κάνουμε αιτιακή συμπερασματολογία στις τιμές εμπορευμάτων, πρέπει να κατανοούμε τη μηχανική ολόκληρης της αγοράς και να έχουμε και την τεχνική ικανότητα να ενσωματώσουμε ένα αιτιακό μοντέλο. Η market intelligence παίζει μεγάλο ρόλο στη δημιουργία του αιτιακού γράφου, στον εντοπισμό όλων των παραγόντων που συμβάλλουν στη σχέση ανάμεσα σε δύο γεγονότα. Με άλλα λόγια, η δομή της αγοράς πρέπει να καθοριστεί προτού η ομάδα data science μπορέσει να ενσωματώσει το αιτιακό μοντέλο. Χωρίς τις απαιτούμενες τεχνικές δεξιότητες ή τη γνώση της αγοράς είναι σχεδόν αδύνατο να κατανοήσει κανείς τα αποτελέσματα της αιτιακής συμπερασματολογίας για τις τιμές εμπορευμάτων. Γι’ αυτό η καλή συνεργασία ανάμεσα στα δύο πεδία είναι πολύ σημαντική, και είναι ακριβώς αυτό που χαρακτηρίζει τη Vesper.
Η αιτιακή συμπερασματολογία για τους χρήστες της Vesper
Γιατί μας ενδιαφέρει τόσο η αιτιακή συμπερασματολογία στη Vesper; Μας βοηθά να κατανοούμε καλύτερα τις αγορές εμπορευμάτων και να δημιουργούμε περισσότερη αξία για τους πελάτες μας. Μας επιτρέπει να συνδυάσουμε τις πιο πρόσφατες εξελίξεις της τεχνητής νοημοσύνης με την εμπειρία της ομάδας μας στην αγορά. Κυρίως, ο αυτοματοποιημένος και ποσοτικός αιτιακός συλλογισμός μπορεί να οδηγήσει σε επιχειρηματική ευφυΐα πιο στέρεη, πιο στρατηγική, πιο ολοκληρωμένη και πιο ευέλικτη. Το επόμενο μέρος εξηγεί τα βασικά οφέλη της αιτιακής συμπερασματολογίας και πώς μπορεί να βοηθήσει τους χρήστες μας.
Τα τελευταία χρόνια μάθαμε πόσο βαριά μπορούν να πληγούν οι επιχειρήσεις από απρόσμενα γεγονότα. Εμπορικοί πόλεμοι, πανδημικά κύματα, πραγματικοί πόλεμοι, ακραίες καιρικές συνθήκες και αυξανόμενη πολιτική αστάθεια έκαναν τις αλυσίδες εφοδιασμού και τα πυκνά δίκτυα εισαγωγών και εξαγωγών πιο εύθραυστα από ποτέ. Η αιτιακή συμπερασματολογία μας επιτρέπει να προετοιμάζουμε τους πελάτες μας για το απρόσμενο. Κανένας αλγόριθμος μηχανικής μάθησης δεν μπορεί να προβλέψει το ακριβές μέγεθος της επόμενης αναταραχής της αγοράς. Μπορούμε όμως να είμαστε καλύτερα προετοιμασμένοι για απρόσμενα γεγονότα όταν κατανοούμε την επίδραση που έχουν στη συνολική αγορά οι μεταβλητές που άλλαξε το γεγονός. Για παράδειγμα, αν ένας μεγάλος εξαγωγέας εμπορευμάτων αποκλειστεί από τη διεθνή αγορά λόγω κυρώσεων ή εμπορικού πολέμου, κάθε πρόβλεψη αγοράς βασισμένη σε ιστορικές τιμές γίνεται άχρηστη. Η κατανόηση όμως της επίδρασης που έχει η μείωση των εξαγωγών στην αγορά βοηθά να καταλάβουμε καλύτερα ποιο θα είναι το αποτέλεσμα των κυρώσεων. Η αιτιακή συμπερασματολογία μας επιτρέπει να χρησιμοποιήσουμε τα δεδομένα μαζί με τη γνώση μας για τη δυναμική της αγοράς και να απαντήσουμε σε ερωτήματα όπως «Τι θα συμβεί αν οι εισαγωγές σε μια συγκεκριμένη χώρα μηδενιστούν;», ακόμη κι αν αυτό δεν έχει συμβεί ποτέ. Έτσι, η αιτιακή συμπερασματολογία συμπληρώνει τις προβλέψεις προσφέροντας μια πιο στέρεη και ανθεκτική κατανόηση του πώς συμπεριφέρεται η αγορά.
Η κατανόηση και η εκτίμηση αιτίων και αποτελεσμάτων μπορεί να βοηθήσει στη στρατηγική λήψη αποφάσεων. Αν μια εταιρεία θέλει να αυξήσει σημαντικά την παραγωγή ενός αγαθού, πρέπει να λάβει υπόψη τη μεταβολή των τιμών που θα προκύψει. Μια τέτοια απόφαση γενικά δεν καλύπτεται από τις προβλέψεις, καθώς αυτές βασίζονται μόνο σε ιστορικά δεδομένα αγοράς. Βεβαίως, αυτό μάλλον δεν είναι ζήτημα για μικρές επιχειρήσεις με περιορισμένη επίδραση στην αγορά. Οι μεγάλοι παίκτες όμως χρειάζεται να ξέρουν πώς οι πράξεις τους επηρεάζουν τη συνολική αγορά. Η αιτιακή συμπερασματολογία το κάνει εφικτό. Αν ξέρουμε την επίδραση της αυξημένης παραγωγής στις τιμές της αγοράς, μπορούμε να εκτιμήσουμε καλύτερα τα αποτελέσματα της απόφασης μιας εταιρείας. Έτσι, με μοντέλα αιτιακής συμπερασματολογίας, μπορούμε να βάλουμε τη δύναμη της τεχνητής νοημοσύνης στην υπηρεσία του εταιρικού σχεδιασμού και της στρατηγικής.
Τέλος, η αιτιακή συμπερασματολογία επιτρέπει μεγαλύτερη ευελιξία στον σχεδιασμό. Θα μπορούσε να επιτρέψει στους πελάτες μας να εξετάζουν διαφορετικά σενάρια και να βλέπουν πώς επηρεάζουν τις αγορές. Για παράδειγμα, αν υπάρχει αβεβαιότητα για τον καιρό των επόμενων μηνών, μια εταιρεία μπορεί να ελέγξει τις συνήθεις επιδράσεις διαφορετικών καιρικών συνθηκών στις τιμές του γάλακτος και να σχεδιάσει ανάλογα. Ή, αν μια εταιρεία πιστεύει ότι ο ανταγωνιστής της μπορεί να αυξήσει γρήγορα τις εισαγωγές βουτύρου, επειδή υπέγραψε νέα συνεργασία, μπορεί να προετοιμαστεί εκτιμώντας τις επιδράσεις που θα έχει αυτή η κίνηση στις τιμές του βουτύρου. Έτσι, η αιτιακή ανάλυση μπορεί να συμπληρώσει τις προβλέψεις και να δώσει πιο εξατομικευμένη εικόνα της αγοράς.
Το πακέτο DoWhy για την αιτιακή συμπερασματολογία
Για να αναπτύξουμε μια ολοκληρωμένη μηχανή αιτιακής συμπερασματολογίας, χρησιμοποιούμε μια βιβλιοθήκη Python ανοιχτού κώδικα της Microsoft: το DoWhy (Sharma, Kiciman, 2020). Όπως γράφουν οι συγγραφείς: όπως ακριβώς έκαναν οι βιβλιοθήκες μηχανικής μάθησης για την πρόβλεψη, το «DoWhy» είναι μια βιβλιοθήκη Python που φιλοδοξεί να πυροδοτήσει την αιτιακή σκέψη και ανάλυση. Η βιβλιοθήκη προσφέρει ένα πλαίσιο για την εκτίμηση αιτιακών επιδράσεων και υπό συνθήκη αιτιακών επιδράσεων. Συνδυάζει προσεγγίσεις στην αιτιότητα που αναπτύχθηκαν στη μηχανική μάθηση, στη στατιστική και στα οικονομικά, κάτι που επιτρέπει μεγαλύτερη ευελιξία. Η βιβλιοθήκη είναι ακόμη σε beta, αλλά έχει ήδη ένα εντυπωσιακό σύνολο λειτουργιών.
Η προσέγγιση DoWhy στην αιτιακή συμπερασματολογία αποτελείται από τέσσερα βήματα:
- Μοντελοποίηση του προβλήματος - Αναγνώριση της αιτιακής σχέσης - Εκτίμηση του μεγέθους της σχέσης - Αντίκρουση των αποτελεσμάτων
Το πρώτο βήμα είναι ευθύ: για να κάνουμε την αιτιακή ανάλυση, χρειαζόμαστε τον αιτιακό γράφο κωδικοποιημένο ώστε να μπορεί να τον διαβάσει η βιβλιοθήκη. Επιπλέον, πρέπει να επιλέξουμε τις μεταβλητές αποτελέσματος και παρέμβασης. Στην περίπτωσή μας: τιμές βουτύρου και παραγωγή βουτύρου.
Στο δεύτερο βήμα, το DoWhy χρησιμοποιεί do-calculus για να βρει τους πιθανούς συγχυτικούς παράγοντες: μεταβλητές που θα μπορούσαν να παρεμβληθούν στην αιτιακή σχέση ανάμεσα στη μεταβλητή παρέμβασης (παραγωγή βουτύρου) και στο αποτέλεσμα (τιμές βουτύρου). Ένας συγχυτικός παράγοντας μπορεί να είναι κοινή αιτία: για παράδειγμα, το επίπεδο των αποθεμάτων βουτύρου μπορεί να επηρεάσει και την παραγωγή και τις τιμές, οπότε πρέπει να το λάβουμε υπόψη. Το do-calculus είναι ένα τυπικό σύστημα που, δεδομένου ενός αιτιακού γράφου, επιτρέπει στον αλγόριθμο να βρει όλους αυτούς τους παράγοντες. Έχει αποδειχθεί ότι, με το do-calculus, το πρόγραμμα μπορεί πάντα να πει αν, με τα δεδομένα που έχουμε, η αιτιακή σχέση που μας ενδιαφέρει είναι αναγνωρίσιμη. Χάρη σε αυτό, σε τούτο το βήμα μπορούμε να βασιστούμε πλήρως στη βιβλιοθήκη DoWhy.
Το τρίτο βήμα, η εκτίμηση της αιτιακής σχέσης, απαιτεί την περισσότερη δουλειά από τον προγραμματιστή. Όταν ξέρουμε όλες τις μεταβλητές που πρέπει να λάβουμε υπόψη (να ελέγξουμε), πρέπει ακόμη να επιλέξουμε ένα στατιστικό μοντέλο για να εκτιμήσουμε το μέγεθος αυτής της σχέσης. Τα δημοφιλέστερα μοντέλα περιλαμβάνουν την απλή γραμμική παλινδρόμηση, τις παλινδρομήσεις συρρίκνωσης όπως LASSO (Tibshirani, 1996) ή Ridge (Hoerl, Kennard, 1970), τα μοντέλα double machine learning (Chernozhukov et al, 2016) και τα αιτιακά δάση (Wager, Athey, 2018). Τα δύο τελευταία μας επιτρέπουν να εκτιμήσουμε όχι μόνο τη μέση αιτιακή επίδραση αλλά και την αιτιακή επίδραση υπό την τιμή κάποιας άλλης μεταβλητής. Για παράδειγμα: ποια είναι η αναμενόμενη επίδραση της αυξημένης παραγωγής βουτύρου στην τιμή του βουτύρου σε διαφορετικά επίπεδα αποθεμάτων; Αυτό το βήμα μοιάζει με τη συνηθισμένη άσκηση πρόβλεψης, οικεία σε κάθε μηχανικό μηχανικής μάθησης και σε κάθε data scientist. Χάρη σε αυτό, οι δεξιότητες που έχουν ήδη αναπτυχθεί για τις προβλέψεις μπορούν να επαναχρησιμοποιηθούν για την υλοποίηση εργαλείων αιτιακής συμπερασματολογίας.
Τέλος, το DoWhy ενσωματώνει ένα ολοκληρωμένο εργαλείο ελέγχου και αντίκρουσης των αιτιακών εκτιμήσεων. Για παράδειγμα, μπορείτε να προσθέσετε έναν τυχαίο συγχυτικό παράγοντα στο μοντέλο και να δείτε αν τα αποτελέσματα παραμένουν στέρεα. Χάρη σε αυτό, μπορείτε να βεβαιωθείτε ότι τα αποτελέσματα που πήρατε είναι έγκυρα, γερά και ασφαλή. Το DoWhy κάνει την ανάπτυξη των αιτιακών μας εργαλείων ευκολότερη και ταχύτερη, και μας επιτρέπει να προσφέρουμε καλύτερη, πιο ολοκληρωμένη και πιο ευέλικτη εικόνα της αγοράς εμπορευμάτων.
Αποτελέσματα της αιτιακής συμπερασματολογίας
Χρησιμοποιούμε τον γράφο της δομής της αγοράς για να εκτιμήσουμε τις αιτιακές επιδράσεις της παραγωγής, των εισαγωγών και των εξαγωγών βουτύρου στις τιμές του βουτύρου. Είναι εύλογο να περιμένουμε ότι η παραγωγή και οι εισαγωγές μειώνουν τις τιμές, ενώ οι εξαγωγές τις αυξάνουν. Αυτό όμως δεν αρκεί. Για ακριβείς και καλά τεκμηριωμένες αποφάσεις είναι απαραίτητο να ξέρουμε το μέγεθος αυτών των επιδράσεων. Μειώνουν οι εισαγωγές τις τιμές περισσότερο απ’ ό,τι η παραγωγή; Είναι οι επιδράσεις εισαγωγών και εξαγωγών στις τιμές παρόμοιες σε μέγεθος; Για να απαντήσουμε χρειαζόμαστε δεδομένα υψηλής ποιότητας και αιτιακή συμπερασματολογία.
Εκτιμούμε ότι η παραγωγή ενός επιπλέον τόνου βουτύρου μειώνει την τιμή του τόνου βουτύρου κατά 0,0046 ευρώ. Δηλαδή, η παραγωγή 1.000 t βουτύρου μειώνει την τιμή κατά 4,6 ευρώ. Η επίδραση των εισαγωγών έχει την ίδια κατεύθυνση αλλά είναι πολύ μεγαλύτερη. Η εισαγωγή 1.000 t βουτύρου μειώνει την τιμή του τόνου βουτύρου κατά 16,8 ευρώ. Η εξαγωγή 1.000 t βουτύρου, αντίθετα, αυξάνει την τιμή του τόνου βουτύρου κατά 6,2 ευρώ. Οι επιδράσεις κινούνται στην αναμενόμενη κατεύθυνση και είναι ουσιαστικές και στατιστικά σημαντικές. Από αυτές, οι εισαγωγές έχουν την πιο ουσιαστική επίδραση, πολύ μεγαλύτερη από τις εξαγωγές και την παραγωγή.
Η μηχανή αιτιακής συμπερασματολογίας της Vesper μας επιτρέπει επίσης να εκτιμήσουμε τις αναμενόμενες αιτιακές επιδράσεις υπό άλλες μεταβλητές. Ξέρουμε τις μέσες επιδράσεις της παραγωγής βουτύρου, αλλά πώς εξαρτώνται από το επίπεδο των υφιστάμενων αποθεμάτων; Για να απαντήσουμε, εκτιμούμε και σχεδιάζουμε ένα μοντέλο με ετερογενείς αιτιακές επιδράσεις ανάλογα με τα αποθέματα βουτύρου, και για τους τρεις παράγοντες που μας ενδιαφέρουν: παραγωγή, εισαγωγές και εξαγωγές βουτύρου.
Οι επιδράσεις της παραγωγής βουτύρου στις τιμές είναι πιο έντονες και σημαντικές στα χαμηλά επίπεδα αποθεμάτων. Αν τα αποθέματα είναι κάτω από 100.000 t, η επίδραση της παραγωγής επιπλέον 1.000 t βουτύρου μπορεί να φτάσει τα 7 ευρώ. Οι επιδράσεις μικραίνουν στα υψηλότερα επίπεδα αποθεμάτων και είναι στατιστικά μη διακρίσιμες από το μηδέν για επίπεδα πάνω από 150.000 t. Αυτό δείχνει ότι ένα μεγάλο απόθεμα βουτύρου μπορεί να έχει εξομαλυντική επίδραση στην αγορά, μειώνοντας κάθε άμεση επίδραση της επιπλέον παραγωγής.
Βλέπουμε διαφορετική εικόνα στην περίπτωση των εισαγωγών βουτύρου. Η αιτιακή επίδραση της αυξημένης εισαγωγής βουτύρου δεν εξαρτάται από το επίπεδο των αποθεμάτων, και η ελαφρώς ορατή τάση δεν είναι στατιστικά σημαντική. Η αυξημένη εισαγωγή βουτύρου έχει ισχυρές, αρνητικές επιδράσεις στις τιμές ανεξάρτητα από τα αποθέματα, αν και οι εκτιμώμενες επιδράσεις σε περίπτωση υψηλού αποθέματος είναι αρκετά ανακριβείς.
Τέλος, οι επιδράσεις των εξαγωγών είναι, όπως και εκείνες της παραγωγής, ευαίσθητες στο επίπεδο των αποθεμάτων. Οι μεγαλύτερες θετικές επιδράσεις στις τιμές φαίνονται όταν τα αποθέματα είναι μικρά. Τότε, η εξαγωγή 1.000 t βουτύρου μπορεί να αυξήσει την τιμή ανά τόνο έως και κατά 14 ευρώ. Αυτή η επίδραση μειώνεται απότομα και γίνεται μη σημαντική για επίπεδα αποθεμάτων πάνω από 140.000 t. Αυτό δείχνει ότι οι εξαγωγές έχουν πραγματική επίδραση στις τιμές μόνο όταν το βούτυρο δεν είναι υπερβολικά άφθονο. Στα πολύ υψηλά επίπεδα αποθεμάτων, η εξαγωγή γίνεται ανάγκη παρά στρατηγική, και η αιτιακή της επίδραση στις τιμές σβήνει.
Βασικά συμπεράσματα
Όσα αναφέρθηκαν παραπάνω βοηθούν αγοραστές, πωλητές και εμπόρους στην αγορά αγροτικών εμπορευμάτων να παίρνουν πιο τεκμηριωμένες αποφάσεις. Σας φαίνονται χρήσιμα και θα θέλατε να μάθετε τι άλλο μπορεί να σας προσφέρει η Vesper; Κλείστε μια παρουσίαση με τον Yannick Aink: Yannick@vespertool.com.
Αναφορές
- Eichler, Michael. Causal inference in time series analysis. na, 2012.
- Moraffah, Raha, et al. «Causal inference for time series analysis: Problems, methods and evaluation.» Knowledge and Information Systems (2021): 1-45.
- Blog, Netflix Technology. «A Survey of Causal Inference Applications at Netflix.» Medium, Netflix TechBlog, 6 Ιουνίου 2022, https://netflixtechblog.com/a-survey-of-causal-inference-applications-at-netflix-b62d25175e6f.
- Amit Sharma, Emre Kiciman. DoWhy: An End-to-End Library for Causal Inference. 2020. https://arxiv.org/abs/2011.04216
- Tibshirani, Robert. «Regression shrinkage and selection via the lasso.» Journal of the Royal Statistical Society: Series B (Methodological) 58.1 (1996): 267-288.
- Hoerl, Arthur E., and Robert W. Kennard. «Ridge regression: Biased estimation for nonorthogonal problems.» Technometrics 12.1 (1970): 55-67.
- Chernozhukov, Victor, et al. «Double/debiased machine learning for treatment and causal parameters.» arXiv preprint arXiv:1608.00060 (2016).
- Wager, Stefan, and Susan Athey. «Estimation and inference of heterogeneous treatment effects using random forests.» Journal of the American Statistical Association 113.523 (2018): 1228-1242.
Πηγαίνετε στο medium.com/vespertool για περισσότερα άρθρα για τη data science και την ανάπτυξη στη Vesper.
