Seasonal weighted lag adaptive LASSO
Autor(a) principal: | |
---|---|
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_ |
1810085545121939456 |