Seasonal weighted lag adaptive LASSO

Detalhes bibliográficos
Autor(a) principal: Rangel, Lara Nassar
Data de Publicação: 2017
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
Texto Completo: 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.
id URGS_80619ae4bb5c9fcf73f7bbc70eef1633
oai_identifier_str oai:www.lume.ufrgs.br:10183/218403
network_acronym_str URGS
network_name_str Biblioteca Digital de Teses e Dissertações da UFRGS
repository_id_str 1853
spelling Rangel, Lara NassarZiegelmann, Flavio Augusto2021-03-04T04:16:39Z2017http://hdl.handle.net/10183/218403001066441O 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.The main purpose of this paper is to propose a new LASSO type penalty aiming to improve out-of-sample forecasting performance for seasonal time series in high dimensionality scenarios. We also present results concerning parameter estimation performance. Our approach leads to what we call SWLadaLASSO (seasonal weighted lag adaptive LASSO) which assigns larger penalties for higher-lagged covariate coefficients - based on the idea of WLadaLASSO by Konzen e Ziegelmann (2016) - but those associated to the seasonal lags of the variable being estimated. It can be considered a generalization of the WLadaLASSO. In our Monte Carlo studies, the SWLadaLASSO is superior in terms of forecasting, parameter estimation and also covariate selection in most of the cases when compared to other LASSO-type penalty models. An empirical application is conducted to evaluate the capability of the proposed approach to forecast Brazilian GDP growth. Additionally, a set of forecast combinations is implemented in search of forecast accuracy improvement.application/pdfengEstimaçãoProduto interno brutoEconometriaBrasilTime seriesJEL Codes: C51, C53, C55Forecast combinationSeasonalityForecastingLASSOSeasonal weighted lag adaptive LASSOinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulFaculdade de Ciências EconômicasPrograma de Pós-Graduação em EconomiaPorto Alegre, BR-RS2017mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001066441.pdf.txt001066441.pdf.txtExtracted Texttext/plain83144http://www.lume.ufrgs.br/bitstream/10183/218403/2/001066441.pdf.txte5dea899fa892489398dc0d1e50fb902MD52ORIGINAL001066441.pdfTexto completoapplication/pdf543406http://www.lume.ufrgs.br/bitstream/10183/218403/1/001066441.pdf969979d73d7ca7d861b65e7790f4e1afMD5110183/2184032021-05-07 05:04:28.387316oai:www.lume.ufrgs.br:10183/218403Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532021-05-07T08:04:28Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Seasonal weighted lag adaptive LASSO
title Seasonal weighted lag adaptive LASSO
spellingShingle Seasonal weighted lag adaptive LASSO
Rangel, Lara Nassar
Estimação
Produto interno bruto
Econometria
Brasil
Time series
JEL Codes: C51, C53, C55
Forecast combination
Seasonality
Forecasting
LASSO
title_short Seasonal weighted lag adaptive LASSO
title_full Seasonal weighted lag adaptive LASSO
title_fullStr Seasonal weighted lag adaptive LASSO
title_full_unstemmed Seasonal weighted lag adaptive LASSO
title_sort Seasonal weighted lag adaptive LASSO
author Rangel, Lara Nassar
author_facet Rangel, Lara Nassar
author_role author
dc.contributor.author.fl_str_mv Rangel, Lara Nassar
dc.contributor.advisor1.fl_str_mv Ziegelmann, Flavio Augusto
contributor_str_mv Ziegelmann, Flavio Augusto
dc.subject.por.fl_str_mv Estimação
Produto interno bruto
Econometria
Brasil
topic Estimação
Produto interno bruto
Econometria
Brasil
Time series
JEL Codes: C51, C53, C55
Forecast combination
Seasonality
Forecasting
LASSO
dc.subject.eng.fl_str_mv Time series
JEL Codes: C51, C53, C55
Forecast combination
Seasonality
Forecasting
LASSO
description 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.
publishDate 2017
dc.date.issued.fl_str_mv 2017
dc.date.accessioned.fl_str_mv 2021-03-04T04:16:39Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/218403
dc.identifier.nrb.pt_BR.fl_str_mv 001066441
url http://hdl.handle.net/10183/218403
identifier_str_mv 001066441
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Biblioteca Digital de Teses e Dissertações da UFRGS
collection Biblioteca Digital de Teses e Dissertações da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/218403/2/001066441.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/218403/1/001066441.pdf
bitstream.checksum.fl_str_mv e5dea899fa892489398dc0d1e50fb902
969979d73d7ca7d861b65e7790f4e1af
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv lume@ufrgs.br||lume@ufrgs.br
_version_ 1800309175772774400

Registros relacionados