Seasonal weighted lag adaptive LASSO

Detalhes bibliográficos
Ano de defesa: 2017
Autor(a) principal: Rangel, Lara Nassar
Orientador(a): Ziegelmann, Flavio Augusto
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Palavras-chave em Inglês:
Link de acesso: http://hdl.handle.net/10183/218403
Resumo: O objetivo principal desse artigo é propor um novo tipo de penalidade LASSO com intuito de melhorar a performance de previsão fora da amostra para séries temporais em cenários de grande dimensionalidade. Também apresentamos resultados relativos a performance da estimação de parâmetros. Nossa abordagem leva ao que chamamos SWLadaLASSO (seasonal weighted lag adaptive LASSO) que atribui maiores penalidades para coeficientes de variáveis com maiores defasagens – baseado na ideia do WLadaLASSO de Konzen e Ziegelmann (2016) – com exceção daqueles associados a defasagens sazonais da variável a ser estimada. Pode ser considerado uma generalização do WLadaLASSO. Nas nossas simulações de Monte Carlo, SWLadaLASSO é superior em termos de previsão, estimação de parâmetros e também de seleção de variáveis na maioria dos casos quando comparado a outros modelos de penalidade LASSO. Uma aplicação empírica é conduzida para avaliar a capacidade da abordagem proposta na previsão do crescimento do PIB brasileiro. Adicionalmente, são implementadas algumas formas de combinação de previsões visando obter maior acurácia nas previsões.