Seasonal weighted lag adaptive LASSO
dc.contributor.advisor | Ziegelmann, Flavio Augusto | pt_BR |
dc.contributor.author | Rangel, Lara Nassar | pt_BR |
dc.date.accessioned | 2021-03-04T04:16:39Z | pt_BR |
dc.date.issued | 2017 | pt_BR |
dc.identifier.uri | http://hdl.handle.net/10183/218403 | pt_BR |
dc.description.abstract | 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. | pt_BR |
dc.description.abstract | 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. | en |
dc.format.mimetype | application/pdf | pt_BR |
dc.language.iso | eng | pt_BR |
dc.rights | Open Access | en |
dc.subject | Estimação | pt_BR |
dc.subject | Time series | en |
dc.subject | JEL Codes: C51, C53, C55 | en |
dc.subject | Produto interno bruto | pt_BR |
dc.subject | Econometria | pt_BR |
dc.subject | Forecast combination | en |
dc.subject | Brasil | pt_BR |
dc.subject | Seasonality | en |
dc.subject | Forecasting | en |
dc.subject | LASSO | en |
dc.title | Seasonal weighted lag adaptive LASSO | pt_BR |
dc.type | Dissertação | pt_BR |
dc.identifier.nrb | 001066441 | pt_BR |
dc.degree.grantor | Universidade Federal do Rio Grande do Sul | pt_BR |
dc.degree.department | Faculdade de Ciências Econômicas | pt_BR |
dc.degree.program | Programa de Pós-Graduação em Economia | pt_BR |
dc.degree.local | Porto Alegre, BR-RS | pt_BR |
dc.degree.date | 2017 | pt_BR |
dc.degree.level | mestrado | pt_BR |
Este item está licenciado na Creative Commons License
![](/themes/Mirage2Novo//images/lume/cc.png)
-
Ciências Sociais Aplicadas (6003)Economia (1085)