Wielowymiarowy, grupa Lasso

Składa się z kary Lasso, która wzrasta geometrycznie wraz z opóźnieniem. Oznacza to, że krótsze opóźnienia mają priorytet w tych modelach, w porównaniu z ustawionymi w innych modelach VAR.

VARX Endegenous-First stosuje karę, aby nadać priorytet szeregom endogennym. Przy danym opóźnieniu seria egzogenna może wejść do modelu tylko wtedy, gdy ich endogenny odpowiednik nie jest zerowy.

Grupuje serię na podstawie opóźnień zmiennych objaśniających. Model wybiera zmienne i ich opóźnienia na podstawie grupowania opóźnień, co oznacza, że pierwsze opóźnienia, drugie opóźnienia itp. wszystkich zmiennych są podzielone na grupy. Jeśli nie wnoszą wkładu, całe grupy zostaną ukarane.

W tym modelu grupowanie rozróżnia własne opóźnienia serii od opóźnień innych serii. Ta struktura jest podobna do Componentwise (patrz poniżej), ale priorytetowo traktuje opóźnienia „własne” nad „innymi” opóźnieniami dla określonego opóźnienia. Opiera się to na hipotezie, że własne opóźnienia są bardziej pouczające niż inne opóźnienia.

Sparse odnosi się do nie karania całej grupy. W niektórych scenariuszach kara grupowa może być zbyt restrykcyjna. Z drugiej strony posiadanie wielu grup znacznie wydłuży czas obliczeń i generalnie nie poprawi wydajności prognozowania.