Modelos de previsão

Nossos modelos de previsão

Nossa extensa biblioteca de modelos aumenta as chances de melhorar sua precisão

Modelos univariados (modelos de séries temporais)

• ARIMA
  Um modelo de média móvel integrada autorregressiva (ARIMA) é uma generalização de um modelo de média móvel autorregressiva (ARMA).
• ANIMAIS DE ESTIMAÇÃO
  A suavização exponencial é uma técnica prática para suavizar dados de séries temporais usando a função de janela exponencial.
  
• Theta
  O modelo Theta é um método simples de previsão que envolve o ajuste de duas linhas teta, a previsão das linhas usando uma suavização exponencial simples e, em seguida, a combinação das previsões das duas linhas para produzir a previsão final.
• STL
  O STL é um método versátil e robusto para decompor séries temporais. STL é um acrônimo para “Decomposição sazonal e de tendências usando Loess”, enquanto Loess é um método para estimar relações não lineares.
• TBATS
  O TBATS é um modelo de série temporal útil para lidar com dados com vários padrões sazonais. TBATS é um acrônimo para as principais características do modelo: T: Sazonalidade trigonométrica B: Transformação de Box-Cox A: Erros ARIMA T: Tendência S: Componentes sazonais.
• ANN
  Uma rede neural artificial (ANN) é um modelo baseado em uma coleção de unidades ou nós conectados chamados neurônios artificiais, que modelam vagamente os neurônios em um cérebro biológico.
• Profeta
  Prophet é um procedimento para prever dados de séries temporais com base em um modelo aditivo em que as tendências não lineares se ajustam à sazonalidade anual, semanal e diária, além dos efeitos do feriado. Funciona melhor com séries temporais que têm fortes efeitos sazonais e várias temporadas de dados históricos. O Prophet é robusto à falta de dados e às mudanças na tendência, e normalmente lida bem com valores discrepantes.

Modelos econométricos multivariados

• VAR
  A regressão automática vetorial é um modelo que captura as relações lineares entre várias séries temporais. Os modelos VAR generalizam o modelo autorregressivo univariado (modelo AR) ao permitir múltiplas variáveis. Todas as variáveis em um VAR entram no modelo da mesma forma: cada variável tem uma equação que explica sua evolução com base em seus próprios valores defasados, nos valores defasados das outras variáveis do modelo e em um termo de erro. Os cálculos encontram o melhor comprimento de atraso comum para todas as variáveis em todas as equações (vetores).
• VEZM
  Os modelos vetoriais de correção de erros são especialmente úteis para conjuntos de dados com relacionamentos de longo prazo (também chamados de cointegração). No entanto, 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.
  
• VARMA
  Na análise estatística de séries temporais, os modelos autorregressivos e de média móvel (ARMA) fornecem uma descrição das relações entre as variáveis em termos dos dois fatores: autorregressão (AR) e média móvel (MA). A parte AR envolve a regressão da variável em seus próprios valores defasados (ou seja, passados). A parte MA envolve a modelagem do termo de erro como uma combinação linear de termos de erro que ocorrem simultaneamente e em vários momentos no passado. VARMA é a versão VAR (multivariada) do modelo ARMA.
• ARDL
  O atraso distribuído autorregressivo era o modelo padrão antes da invenção do modelo VAR. Comparado ao VAR, é um modelo menos complexo, em que as variáveis não são vistas como inter-relacionadas. A principal variável prevista depende dos indicadores, mas os indicadores não dependem de outros indicadores ou da variável principal.

Modelos multivariados e penalizados

• Regressão Ridge
  Essa é uma maneira de usar modelos bayesianos em uma estrutura VAR. Antes de Lasso, o método mais usado para escolher quais variáveis incluir era a seleção por etapas. Naquela época, a regressão de crista era a técnica alternativa mais popular usada para melhorar a precisão da previsão. A regressão Ridge melhora o erro de predição ao reduzir grandes coeficientes de regressão para reduzir o sobreajuste, mas não realiza a seleção de variáveis e, portanto, não ajuda a tornar o modelo mais interpretável.
• Lasso
  Lasso, Loast Absolute Shrinkage and Selection Operator é a aplicação mais bem-sucedida de IA na econometria. O Lasso foi introduzido para melhorar a precisão da previsão e a interpretabilidade dos modelos de regressão, alterando o processo de ajuste do modelo para selecionar apenas um subconjunto das variáveis independentes fornecidas para uso no modelo final, em vez de usar todas elas. Lasso força certos coeficientes a serem definidos como zero, escolhendo efetivamente um modelo mais simples que não inclui esses coeficientes.
• Rede elástica
  A rede elástica é um método de regressão que combina linearmente os métodos de laço e crista (veja abaixo). Basicamente, o método da rede elástica encontra os coeficientes de regressão de crista e, em seguida, faz uma redução dos coeficientes do tipo laço.
• VECM Lasso
  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.
• Grupo Lasso
  Em 2006, Yuan e Lin introduziram o laço de grupo para permitir que grupos predefinidos de covariáveis sejam selecionados para dentro ou para fora de um modelo juntos, de modo que todos os membros de um determinado grupo sejam incluídos ou não incluídos.
• • Grupo Lag Lasso
    Agrupa as séries com base nas defasagens das variáveis explicativas. O modelo seleciona as variáveis e seus atrasos com base no agrupamento de atrasos, o que significa que os primeiros atrasos, os segundos atrasos etc. de todas as variáveis são colocados em grupos. Se não contribuírem, grupos inteiros serão penalizados.
  • Lasso ponderado por atraso
    Consiste em uma penalidade de Lasso que aumenta geometricamente com o atraso. Isso significa que atrasos menores são priorizados nesses modelos, em comparação com a configuração em outros modelos VAR.
  • Endógeno-Primeiro
    O VARX Endegenous-First utiliza uma penalidade para priorizar séries endógenas. Em um determinado atraso, uma série exógena pode entrar no modelo somente se sua contraparte endógena for diferente de zero. Clique aqui para obter mais informações.
  • Penalidade própria ou outra penalidade de grupo
    Neste modelo, o agrupamento distingue entre os atrasos próprios de uma série e os de outras séries. Essa estrutura é semelhante à Componentwise (veja abaixo), mas prioriza os atrasos “próprios” sobre os atrasos “outros” para um atraso específico. Isso se baseia na hipótese de que os atrasos próprios são mais informativos do que outros atrasos.
  • Penalidade própria ou outra penalidade de grupo esparso
    Esparso se refere a não penalizar um grupo inteiro. Em certos cenários, uma penalidade de grupo pode ser muito restritiva. Por outro lado, ter muitos grupos aumentará substancialmente o tempo de computação e geralmente não melhora o desempenho da previsão.
• Autorregressão vetorial hierárquica (HVAR)
  A regressão automática vetorial hierárquica, os modelos HVAR, aliviam o problema de o desempenho da previsão começar a se degradar à medida que cada variável adicionada é tratada democraticamente, apesar de dados mais distantes geralmente tenderem a ser menos úteis na previsão. Em vez de impor uma ordem de atraso única e universal, os atrasos podem variar nos modelos HVAR. Não há variáveis exógenas na estrutura HVAR.
• • Laço Componentwise
    Nos modelos Componentwise, todas as variáveis têm o mesmo atraso máximo.
  • Lasso Próprio/Outro
    Impõe uma camada adicional de hierarquia: priorizar atrasos “próprios” sobre “outros” atrasos na estrutura HVAR.
  • Laço Elementwise
    Na estrutura mais geral, em cada modelo marginal, cada série pode ter seu próprio atraso máximo.

Modelos de frequência mista (multivariados)

• MIDAS
  Os modelos de amostragem de dados mistos (MIDAS) usam indicadores de alta frequência para prever uma variável de baixa frequência. Ao ajustar uma função de distribuição de atraso, o número de parâmetros é mantido baixo, reduzindo o risco de ajuste excessivo.
• MIDAS irrestrito
  Os modelos de amostragem de dados mistos irrestritos (MIDAS) usam indicadores de alta frequência para prever uma variável de baixa frequência.
  
• Penalidade de grupo esparso do MIDAS
  Os modelos de amostragem de dados mistos (MIDAS) usam indicadores de alta frequência para prever uma variável de baixa frequência. Ao aplicar uma função de penalidade de grupo esparso, os parâmetros são reduzidos para zero, reduzindo o risco de ajuste excessivo.
• Laço MIDAS
  Os modelos de amostragem de dados mistos (MIDAS) usam indicadores de alta frequência para prever uma variável de baixa frequência. Ao aplicar uma função de penalidade de laço, os parâmetros são reduzidos para zero, reduzindo o risco de ajuste excessivo.

Modelos de aprendizado de máquina (multivariados)

• ANN
  A rede neural artificial (ANN) é um modelo inspirado em redes neurais biológicas, como o cérebro humano. O modelo é um exemplo de um modelo de aprendizado de máquina mais esparso em comparação com o LSTM e o GRU. Isso diminui o risco de sobreajuste e, ao mesmo tempo, oferece mais flexibilidade do que um modelo linear. O ANN é treinado em dados usando variantes de gradiente descendente, como AdaGrad e ADAM.
• LSTM
  O modelo de memória de longo prazo (LSTM) é uma rede neural artificial recorrente. É especialmente adequado para processar sequências de dados, devido às suas conexões de feedback. Os modelos LSTM são usados para muitas tarefas diferentes, como análise de fala e vídeo, bem como análise de séries temporais. Um dos principais pontos fortes de um modelo LSTM é sua flexibilidade, ele pode identificar estruturas complexas em dados graças às suas funções de ativação não linear e parametrização pesada. O LSTM é treinado em dados usando variantes de gradiente descendente, como AdaGrad e ADAM.
  
• GRU
  O modelo de unidade recorrente fechada (GRU) é um tipo de rede neural recorrente. Como tal, é adequado para dados sequenciais, como séries temporais. O principal ponto forte é a alta flexibilidade em comparação aos modelos lineares. Um modelo GRU pode identificar padrões não lineares nos dados, permitindo descrevê-los com mais precisão. É semelhante ao LSTM, mas tem menos parâmetros, o que diminui o risco de sobreajuste em conjuntos menores de dados. O GRU é treinado em dados usando variantes de gradiente descendente, como AdaGrad e ADAM.