MIDASMIDAS-Modelle (Mixed Data Sampling) verwenden Hochfrequenzindikatoren, um eine niederfrequente Variable vorherzusagen. Durch die Anpassung einer Lag-Verteilungsfunktion wird die Anzahl der Parameter niedrig gehalten, wodurch das Risiko einer Überanpassung verringert wird.
MIDAS LassoMIDAS-Modelle (Mixed Data Sampling) verwenden Hochfrequenzindikatoren, um eine niederfrequente Variable vorherzusagen. Durch Anwendung einer Lasso-Paltyfunktion werden die Parameter gegen Null geschrumpft, wodurch das Risiko einer Überanpassung reduziert wird.
MIDAS Sparse Group PenaltyMIDAS-Modelle (Mixed Data Sampling) verwenden Hochfrequenzindikatoren, um eine niederfrequente Variable vorherzusagen. Durch Anwendung einer Straffunktion für spärliche Gruppen werden die Parameter in Richtung Null geschrumpft, wodurch das Risiko einer Überanpassung verringert wird.
Uneingeschränktes MIDASMIDAS-Modelle (Unrestricted Mixed Data Sampling) verwenden Hochfrequenzindikatoren, um eine niedrige Frequenzvariable vorherzusagen.
