O artigo argumenta que os índices espectrais, que medem o quão previsível é uma série temporal com base em seu espectro de potência, são insuficientes para determinar se adicionar contexto (como janelas de observação mais longas ou mecanismos de recuperação) melhorará a previsão. Como os índices espectrais são invariantes sob randomização de fase enquanto o valor do contexto depende da estrutura além da ordem superior à segunda, esses dois conceitos abordam perguntas fundamentalmente diferentes.
- Os autores demonstram um resultado de impossibilidade mostrando que qualquer índice baseado no espectro não pode capturar o valor do contexto, que depende de uma estrutura não gaussiana perdida durante a randomização de fase.
- Eles introduzem um diagnóstico livre de rótulos chamado "déficit de cobertura" para medir a estrutura além do espectro comparando os ganhos de previsão por analogia com a previsão linear.
- Experimentos em sete conjuntos de dados mostram que o valor da recuperação chaveada por janela colapsa entre pares substitutos com espectros idênticos, enquanto os índices espectrais permanecem inalterados.
- O valor de um modelo fundamental se divide em uma parte de segunda ordem sobrevivente e uma pequena margem além da linearidade que também colapsa sob randomização de fase.
- O termo estrutural derivado do diagnóstico prevê o sinal do valor além do espectro onde os índices espectrais falham em fazê-lo.
A contribuição fornece uma comparação controlada e uma ferramenta de diagnóstico para ajudar profissionais a tomar decisões de implantação sobre o uso de contexto na previsão de séries temporais.