El artículo sostiene que los índices espectrales, que miden lo predecible que es una serie temporal basándose en su espectro de potencia, son insuficientes para determinar si añadir contexto (como retrospectivas más largas o mecanismos de recuperación) mejorará la predicción. Dado que los índices espectrales son invariantes ante la aleatorización de fase mientras que el valor del contexto depende de estructuras más allá del segundo orden, estos dos conceptos abordan preguntas fundamentalmente diferentes.
- Los autores demuestran un resultado de imposibilidad que muestra que ningún índice basado en el espectro puede capturar el valor del contexto, el cual depende de una estructura no gaussiana perdida durante la aleatorización de fase.
- Introducen un diagnóstico libre de etiquetas llamado "déficit de cobertura" para medir la estructura más allá del espectro comparando las ganancias de predicción por analogía frente a la predicción lineal.
- Los experimentos en siete conjuntos de datos muestran que el valor de la recuperación con ventanas clave se colapsa entre pares sustitutos con espectros idénticos, mientras que los índices espectrales permanecen inalterados.
- El valor de un modelo base se divide en una parte de segundo orden que sobrevive y un pequeño margen más allá de lo lineal que también se colapsa bajo la aleatorización de fase.
- El término estructural derivado del diagnóstico predice el signo del valor más allá del espectro donde los índices espectrales no logran hacerlo.
La contribución proporciona una comparación controlada y una herramienta de diagnóstico para ayudar a los profesionales a tomar decisiones de implementación respecto al uso del contexto en la predicción de series temporales.