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. |
