Multivariate, bestrafte modellen

Dit is een manier om Bayesiaanse modellen te gebruiken in een VAR-raamwerk. Vóór Lasso was stapsgewijze selectie de meest gebruikte methode om te kiezen welke variabelen moesten worden opgenomen. In die tijd was nokregressie de meest populaire alternatieve techniek die werd gebruikt om de voorspellingsnauwkeurigheid te verbeteren. Ridge-regressie verbetert de voorspellingsfouten door grote regressiecoëfficiënten te verkleinen om overfitting te verminderen, maar het voert geen variabele selectie uit en helpt daarom niet om het model beter interpreteerbaar te maken.

Lasso, Least Absolute Shrinkage and Selection Operator is de meest succesvolle toepassing van AI binnen de econometrie. Lasso werd geïntroduceerd om de voorspellingsnauwkeurigheid en interpreteerbaarheid van regressiemodellen te verbeteren door het modelaanpassingsproces te wijzigen om slechts een subset van de geleverde onafhankelijke variabelen te selecteren voor gebruik in het uiteindelijke model in plaats van ze allemaal te gebruiken. Lasso dwingt bepaalde coëfficiënten op nul te zetten, waardoor in feite een eenvoudiger model wordt gekozen dat deze coëfficiënten niet bevat.

Het elastische net is een regressiemethode die de lasso- en ridgemethoden (zie hieronder) lineair combineert. Kortom, de elastische netmethode vindt de nokregressiecoëfficiënten en voert vervolgens een lasso-achtige krimp van de coëfficiënten uit.

Vectorfoutcorrectiemodellen zijn nuttig voor datasets met langdurige relaties (ook wel co-integratie genoemd). VECM's zijn nuttig voor het inschatten van zowel korte- als langetermijneffecten van eenmalige reeksen op een andere. De term foutcorrectie heeft betrekking op het feit dat de afwijking van de vorige periode van een evenwicht op lange termijn, de fout, de dynamiek op korte termijn beïnvloedt. Deze modellen schatten, naast de langetermijnrelaties tussen variabelen, ook rechtstreeks de snelheid waarmee een afhankelijke variabele terugkeert naar het evenwicht na een verandering in andere variabelen. Deze versie wordt gecombineerd met Lasso, Least Absolute Shrinkage en Selection Operator, waardoor bepaalde coëfficiënten op nul worden gezet, waardoor in feite een eenvoudiger model wordt gekozen dat deze coëfficiënten niet bevat.