Multivariate, bestrafte modellen

This is a way of using Bayesian models in a VAR framework. Prior to Lasso, the most widely used method for choosing which variables to include was stepwise selection. At that time, ridge regression was the most popular alternative technique used for improving prediction accuracy. Ridge regression improves prediction error by shrinking large regression coefficients in order to reduce overfitting, but it does not perform variable selection and therefore does not help to make the model more interpretable.

The elastic net is a regression method that linearly combines the lasso and ridge (see below) methods. Basically, the elastic net method finds the ridge regression coefficients, and then does a lasso type shrinkage of the coefficients.

Lasso, Least Absolute Shrinkage and Selection Operator is the most successful application of AI within econometrics. Lasso was introduced in order to improve the prediction accuracy and interpretability of regression models by altering the model fitting process to select only a subset of the provided independent variables for use in the final model rather than using all of them. Lasso forces certain coefficients to be set to zero, effectively choosing a simpler model that does not include those coefficients.

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.