Modelos multivariados e penalizados

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.

Os modelos vetoriais de correção de erros são úteis para conjuntos de dados com relacionamentos de longo prazo (também chamados de cointegração). Os VECMs são úteis para estimar os efeitos de curto e longo prazo de uma série temporal em outra. O termo correção de erros se refere ao fato de que o desvio do último período de um equilíbrio de longo prazo, o erro, influencia sua dinâmica de curto prazo. Esses modelos estimam, além das relações de longo prazo entre as variáveis, também diretamente a velocidade com que uma variável dependente retorna ao equilíbrio após uma mudança em outras variáveis. Esta versão é combinada com Lasso, Menor Encolhimento Absoluto e Operador de Seleção, que força certos coeficientes a serem definidos como zero, escolhendo efetivamente um modelo mais simples que não inclui esses coeficientes.