Combinação de previsões de inflação via peLASSO e validação cruzada: uma avaliação empírica com modelos de machine learning
Visualizar/abrir
Data
2026Orientador
Nível acadêmico
Graduação
Assunto
Resumo
Este trabalho avalia o desempenho comparativo de métodos de combinação de previsões aplicados à inflação dos Estados Unidos, medida pelo Consumer Price Index (CPI). O pool de entrada é composto por onze modelos individuais econométricos e de aprendizado de máquina, cujas previsões foram produzidas no arcabouço de Medeiros et al. (2021) sobre a base FRED-MD de McCracken e Ng (2016), estendida com observações até junho de 2025. Sobre esse conjunto, são comparados dez esquemas de combinação: média ...
Este trabalho avalia o desempenho comparativo de métodos de combinação de previsões aplicados à inflação dos Estados Unidos, medida pelo Consumer Price Index (CPI). O pool de entrada é composto por onze modelos individuais econométricos e de aprendizado de máquina, cujas previsões foram produzidas no arcabouço de Medeiros et al. (2021) sobre a base FRED-MD de McCracken e Ng (2016), estendida com observações até junho de 2025. Sobre esse conjunto, são comparados dez esquemas de combinação: média simples, mediana, ponderação pelo inverso do MSE, CV-LOO (caso leave-one-out do estimador K-fold), três variantes do peLASSO de Diebold e Shin (2019) (simple, eRidge e eLASSO) e três configurações da validação cruzada K-fold de Zhang e Liu (2023). As comparações são realizadas em quatro horizontes (h = 1, 3, 6, 12) ao longo de 289 origens out-of-sample, na amostra completa e no subperíodo pré-pandêmico. O desempenho é avaliado pelo RMSE relativo, MAPE relativo, Soma Acumulada dos Erros Quadráticos de Previsão (CSFE), teste de Diebold-Mariano e Reality Check de White (2000). Os resultados indicam que a média simples permanece como referência difícil de superar: nenhum esquema rejeita a hipótese nula do Reality Check. Entre os métodos com pesos estimados, as variantes regularizadas do peLASSO (eRidge e eLASSO) são as que apresentam o comportamento mais estável, com trajetórias de CSFE parcialmente sobrepostas: obtêm ganho expressivo sobre a média no horizonte intermediário (h = 6) em ambos os recortes; em h = 12, o ganho é persistente para o eRidge mas restrito ao pré-pandêmico para o eLASSO; em h = 3, a vantagem marginal sobrevive apenas ao pré-pandêmico; e em h = 1 ambas subestimam a média. A validação cruzada K-fold, por outro lado, exibe desempenho oscilante e por vezes catastrófico em praticamente todos os horizontes, atribuído ao diversification bias de Smith e Wallis (2009). Demonstra-se ainda que, sob previsões pré-computadas, o estimador K-fold é invariante ao número de partições, coincidindo com o caso leave-one-out. ...
Abstract
This work evaluates the comparative performance of forecast combination methods applied to United States inflation, measured by the Consumer Price Index (CPI). The input pool comprises eleven individual econometric and machine learning models, whose forecasts were produced within the framework of Medeiros et al. (2021) using the FRED-MD database of McCracken and Ng (2016), extended with observations through June 2025. Ten combination schemes are compared on this set: simple mean, median, invers ...
This work evaluates the comparative performance of forecast combination methods applied to United States inflation, measured by the Consumer Price Index (CPI). The input pool comprises eleven individual econometric and machine learning models, whose forecasts were produced within the framework of Medeiros et al. (2021) using the FRED-MD database of McCracken and Ng (2016), extended with observations through June 2025. Ten combination schemes are compared on this set: simple mean, median, inverse-MSE weighting, CV-LOO (the leaveone-out case of the K-fold estimator), three peLASSO variants of Diebold and Shin (2019) (simple, eRidge, and eLASSO), and three configurations of the Kfold cross-validation of Zhang and Liu (2023). The comparisons are carried out at four forecast horizons (h = 1, 3, 6, 12) over 289 out-of-sample origins, on the full sample and the pre-pandemic subperiod. Performance is assessed through relative RMSE, relative MAPE, Cumulative Sum of Squared Forecast Errors (CSFE), the Diebold-Mariano test, and White’s (2000) Reality Check. The results show that the simple mean remains a hard-to-beat benchmark: no combination scheme rejects the null hypothesis of the Reality Check. Among the methods with estimated weights, the regularized peLASSO variants (eRidge and eLASSO) display the most stable behavior, with partially overlapping CSFE trajectories: they achieve substantial gains over the mean at the intermediate horizon (h = 6) in both subperiods; at h = 12, the gain is persistent for eRidge but restricted to the pre-pandemic subperiod for eLASSO; at h = 3, the marginal advantage survives only in the pre-pandemic subperiod; and at h = 1 both underperform the mean. The K-fold cross-validation, by contrast, exhibits volatile and sometimes catastrophic performance at virtually all horizons, attributed to the diversification bias of Smith and Wallis (2009). It is also shown that, under pre-computed forecasts, the K-fold estimator is invariant with respect to the number of partitions, coinciding with the leave-one-out case. ...
Instituição
Universidade Federal do Rio Grande do Sul. Instituto de Matemática e Estatística. Curso de Estatística: Bacharelado.
Coleções
-
TCC Estatística (328)
Este item está licenciado na Creative Commons License


