Multivariate, bestrafte Modelle

Dies ist eine Möglichkeit, Bayes-Modelle in einem VAR-Framework zu verwenden. Vor der Einführung von Lasso war die schrittweise Auswahl der einzubeziehenden Variablen die am häufigsten verwendete Methode. Zu dieser Zeit war die Ridge-Regression die beliebteste alternative Methode zur Verbesserung der Prognosegenauigkeit. Die Ridge-Regression verbessert die Prognosefehler, indem große Regressionskoeffizienten verkleinert werden, um eine Überanpassung zu vermeiden. Sie führt jedoch keine Variablenauswahl durch und trägt daher nicht dazu bei, das Modell besser interpretierbar zu machen.

Das elastische Netz ist eine Regressionsmethode, bei der die Lasso- und Ridge-Methoden (siehe unten) linear kombiniert werden. Im Grunde ermittelt die Elastic-Net-Methode die Regressionskoeffizienten für den Kamm und führt dann eine Schrumpfung der Koeffizienten vom Lasso-Typ durch.

Lasso, Least Absolute Shrinkage and Selection Operator, ist die erfolgreichste Anwendung von KI in der Ökonometrie. Lasso wurde eingeführt, um die Vorhersagegenauigkeit und Interpretierbarkeit von Regressionsmodellen zu verbessern, indem der Modellanpassungsprozess dahingehend geändert wurde, dass nur eine Teilmenge der bereitgestellten unabhängigen Variablen für die Verwendung im endgültigen Modell ausgewählt wurde, anstatt sie alle zu verwenden. Lasso erzwingt, dass bestimmte Koeffizienten auf Null gesetzt werden, wodurch praktisch ein einfacheres Modell gewählt wird, das diese Koeffizienten nicht berücksichtigt.

Vektorfehlerkorrekturmodelle eignen sich für Datensätze mit langfristigen Beziehungen (auch Kointegration genannt). VECMs sind nützlich, um sowohl die kurzfristigen als auch die langfristigen Auswirkungen einmaliger Datenreihen auf eine andere abzuschätzen. Der Begriff Fehlerkorrektur bezieht sich auf die Tatsache, dass die Abweichung der letzten Periode von einem langfristigen Gleichgewicht, der Fehler, die kurzfristige Dynamik beeinflusst. Diese Modelle schätzen neben den langfristigen Beziehungen zwischen Variablen auch direkt die Geschwindigkeit, mit der eine abhängige Variable nach einer Änderung anderer Variablen wieder ins Gleichgewicht zurückkehrt. Diese Version wird mit Lasso, der geringsten absoluten Schrumpfung und dem Auswahloperator kombiniert, der erzwingt, dass bestimmte Koeffizienten auf Null gesetzt werden, wodurch praktisch ein einfacheres Modell ausgewählt wird, das diese Koeffizienten nicht berücksichtigt.