Possibili sviluppi dell’analis

Le revisioni non rappresentano solo uno degli approcci alla qualità dei dati, ed in particolare all’attendibilità e accuratezza degli stessi, ma costituiscono uno strumento diagnostico alla qualità che, non solo segnala il “problema”, ma anche contemporaneamente fornisce la “soluzione” ad esso. In altri termini, l’analisi delle revisioni non solo segnala quali dati non sono di qualità, ma anche in che misura non lo sono e, proprio per questo, fornisce indicazioni quantitative dettagliate su entità e direzione della difformità, per agire di conseguenza.

Le analisi condotte in questa sede si inseriscono nell’analisi della razionalità del processo di revisione in termini di correttezza ed efficienza, ovvero permettono di individuare quali dati non sono “di qualità” e in che maniera non soddisfano tale requisito. Possibili sviluppi di questo lavoro sono la modellizzazione delle serie oggetto d’analisi, servendosi delle informazioni fornite dall’analisi delle revisioni, mediante analisi con caratteristiche dinamiche, servendosi, per esempio, della cointegrazione delle serie oggetto d’analisi. Date, infatti, le caratteristiche delle serie in esame, si ritiene molto probabile che queste siano tra loro legate, trattandosi di stime successive (e molto probabilmente non stazionarie). L’analisi di cointegrazione, tuttavia, richiede un’adeguata lunghezza delle serie storiche, che nello studio effettuato in questo lavoro risulta purtroppo insufficiente.26

26

Un allungamento delle serie consentirebbe di condurre tali analisi (per esempio“all’indietro” oltre ad un continuo aggiornamento).

6. CONCLUSIONI

La qualità dei dati è un concetto multidimensionale, di cui l’attendibilità non è che una delle dimensioni. L’argomento è stato largamente trattato dalla letteratura già dai primi anni Sessanta. Produttori di dati e utilizzatori hanno impiegato ingenti risorse per indagare questo argomento. Tra i produttori di dati i principali approcci all’argomento sono quelli delineati dal Fondo Monetario Internazionale e da Eurostat, a cui seguono quelli di altre organizzazioni internazionali, istituti di statistica nazionali e banche. Uno degli strumenti applicabili per indagare l’attendibilità dei dati economici è l’analisi delle revisioni. In questa tesi si è esaminata la storia delle revisioni e la razionalità del processo di stima tramite l’analisi delle revisioni dei tassi di crescita trimestrali del PIL destagionalizzato a prezzi costanti per 18 Paesi dell’OCSE, basandosi sulle stime pubblicate dall’OCSE nel Main Economic Indicators (MEI) dall’edizione relativa a Maggio 1995 a quella relativa a Maggio 2006.

Le analisi relative a correttezza ed efficienza delineano una situazione eterogenea tra i diversi Paesi, in termini di razionalità delle revisioni. Alcune Nazioni come Giappone e Corea presentano difformità più marcate, mentre Paesi con una lunga tradizione di studi e pratiche alle spalle offrono migliori performance in termini di qualità delle stime (correttezza ed efficienza delle stesse), come ad esempio gli Stati Uniti.

Non per tutti i Paesi le revisioni sono diminuite dimensionalmente con il tempo e alcune stime preliminari risultano significativamente distorte (indice di una distorsione sistematica) per taluni Paesi, anche se è evidente un generale miglioramento. L’Italia si caratterizza per risultati abbastanza soddisfacenti, poiché presenta revisioni di dimensioni contenute e solo in rari casi statisticamente significative, con tendenza a diminuire e a stabilizzarsi attorno allo zero nel tempo. I dati sembrano poi supportare ipotesi di efficienza del processo di stima, cosa che non sempre si verifica negli altri Paesi, come il Giappone, dove vi è maggiore evidenza di stime assimilabili a misurazioni con errori del “vero” valore. Per giungere a questi risultati ci si è serviti di

statistiche sintetiche, per disporre di un quadro globale a livello del paese Italia e dei 17 Paesi, in termini per esempio, di distorsione delle stime preliminari (revisione media), dimensione dell’errore di stima, a prescindere dal segno (revisione media assoluta), sistematicità della distorsione (significatività della revisione media) e variabilità.

Poiché la valutazione della significatività è sensibile all’intervallo temporale scelto, si sono condotte anche analisi statistiche su finestre temporali mobili di ampiezza fissata e crescente (analisi moving e growing windows), traendo qualche spunto interessante circa il modo con cui il processo di stima dei dati economici (e dunque le revisioni) evolve nel tempo.

Quindi, dopo aver esaminato la correttezza e sistematicità delle stime, si sono ricercate indicazioni sull’efficienza delle stesse osservando la correlazione tra la revisione e le stime passate e future e l’andamento della dimensione delle varianze di stime successive. Infatti stime che sono misurazioni con errore del valore “vero” avranno revisioni che correlano con le stime passate, ma non con le future e varianze, relative a stime successive, decrescenti, per effetto della diminuzione dell’errore di misura. Stime, invece, che sono previsioni razionali del “vero” valore avranno revisioni correlate con le stime future, ma non con quelle passate, e varianze, relative a stime successive, crescenti, per effetto della maggiore informazione disponibile. Le ipotesi sono state verificate con l’analisi “news or noise”, analisi importante, ma che può portare a risultati incerti. Per ovviare questo problema si sono condotte anche analisi di efficienza previsiva, regredendo le stime preliminari sulle revisioni (eventualmente con dummies stagionali).

Va sottolineato che in questo e nelle analisi condotte durante lo stage presso l’OCSE la prospettiva adottata è quella dei produttori di dati, ma appare chiaro che l’analisi delle revisioni sia strumento cruciale anche per gli utilizzatori, in quanto, se è vero che le revisioni sono un valido strumento per indagare la qualità, esse costituiscono anche un valido supporto per la formulazione e costruzione di modelli statistici ed econometrici. Per chiarire questo punto cruciale si pensi, per esempio, che se l’ipotesi noise è consistente con i dati, l’utente può ritenere statisticamente fondata l’opinione che è possibile prevedere le stime successive, disponendo dell’informazione passata: in altre parole le revisioni sono dotate di un pattern non casuale dal quale è possibile “imparare”

per usi futuri. Questa risulta essere un’informazione fondamentale, che va considerata in fase di analisi e modellizzazione, in quanto diventa possibile servirsi di informazione in fase di stima e attuare correzioni. Un ipotesi noise fa cadere l’assunto di dati osservati privi di errore di misura. L’analisi delle revisioni diventa quindi uno strumento propedeutico all’uso di dati in modelli statistici ed econometrici.