Lasso de groupe, multivarié

Regroupe les séries en fonction des décalages des variables explicatives. Le modèle sélectionne les variables et leurs décalages en fonction du regroupement des décalages, ce qui signifie que les premiers décalages, les deuxièmes décalages, etc. de toutes les variables sont regroupés en groupes. S'ils ne contribuent pas, des groupes entiers seront alors pénalisés.

Dans ce modèle, le regroupement fait la distinction entre les décalages propres à une série et ceux des autres séries. Cette structure est similaire à celle de Componentwise (voir ci-dessous) mais donne la priorité aux retards « propres » par rapport aux « autres » retards pour un décalage spécifique. Ceci est basé sur l'hypothèse selon laquelle les propres décalages sont plus informatifs que les autres décalages.

Sparse signifie ne pas pénaliser un groupe entier. Dans certains scénarios, une pénalité de groupe peut être trop restrictive. D'autre part, le fait d'avoir de nombreux groupes augmente considérablement le temps de calcul et n'améliore généralement pas les performances de prévision.

Consiste en une pénalité de Lasso qui augmente de façon géométrique avec le décalage. Cela signifie que les délais plus courts sont privilégiés dans ces modèles, par rapport à la configuration des autres modèles VAR.

VARX Endegenous-First utilise une pénalité pour hiérarchiser les séries endogènes. À un certain décalage, une série exogène ne peut entrer dans le modèle que si sa contrepartie endogène est différente de zéro.