Pular para o conteúdo principal

Cookies no Macro by Mark.Usamos cookies essenciais para login, idioma e segurança. Com sua permissão, também usamos cookies opcionais de preferências, para análise e para medição de anúncios com o Pixel da Meta (Facebook). Leia nossa política de cookies.

Macro by MarkMacro by Mark
  • Início
Carregando…
Carregando…
← Modelos
MacroConceitosPolíticaModelos

Modelo Elastic Net

Regressão regularizada que combina seleção LASSO com encolhimento ridge para blocos de preditores correlacionados.

Visão geralGráficoMatemáticaReferências

Elastic Net: que pergunta macro este modelo ajuda a responder?

Contexto

Regressão regularizada que combina seleção LASSO com encolhimento ridge para blocos de preditores correlacionados.

Elastic Net fica em Aprendizado de máquina e previsão com IA. Use esta classe quando há muitos preditores candidatos e a tarefa pede encolhimento, regularização ou combinação de modelos em vez de uma única especificação clássica.

A página deve ser lida como uma referência de método: primeiro o objeto empírico, depois o conjunto de informação, os diagnósticos e os limites da inferência.

Conexões para explorar

Matemática ↗A estrutura e suas condições, passo a passo.Fontes ↗Fontes acadêmicas e orientação de uso.

Como as partes se conectam

β^EN\hat{\beta}_{\text{EN}}β^​EN​

Vetor de coeficientes da rede elástica

O vetor p×1p \times 1p×1 de coeficientes penalizados. Alguns elementos são exatamente zero (esparsidade vinda do L1); os não nulos são encolhidos na direção de zero (por L1 e L2 juntos).

Comece pela série-alvo, frequência, janela da amostra e calendário de revisão. Um modelo empírico perde valor quando a pergunta ignora a safra dos dados.

Conjuntos largos de preditores macro em que grupos correlacionados importam e o LASSO puro escolheria uma variável de forma instável.

A leitura útil compara o resultado com um benchmark simples, registra onde o erro de previsão aparece e separa sinal estatístico de interpretação causal.

Os componentes e as hipóteses formais abaixo são os do próprio modelo, com a terminologia em português. A notação matemática e os títulos bibliográficos ficam no original, que é como a literatura os identifica.

Premissas

Mantida

Esparsidade aproximada com agrupamento

O vetor de coeficientes verdadeiro β0\beta_0β0​ tem um número moderado de elementos não nulos, possivelmente agrupados entre preditores correlacionados. A verdade não precisa ser tão esparsa quanto o LASSO exige.

Se falhar:Se a verdade é extremamente esparsa e sem estrutura correlacionada, o componente L2 da rede elástica acrescenta viés desnecessário sem melhorar a seleção. O LASSO puro é mais eficiente nesse caso.

Testável

Esperança condicional linear

E[y∣X]=XβE[y | X] = X\betaE[y∣X]=Xβ para algum vetor de coeficientes β\betaβ.

Se falhar:A rede elástica estima uma aproximação linear. Efeitos não lineares são absorvidos pelos resíduos; efeitos importantes de interação ou de limiar passam despercebidos.

Mantida

Preditores padronizados

Todos os preditores são padronizados para média zero e variância unitária antes da aplicação da penalidade.

Se falhar:Tanto a penalidade L1 quanto a L2 tratam de forma desigual coeficientes em escalas diferentes. Um preditor medido em unidades grandes é penalizado desproporcionalmente. A padronização é necessária para que a propriedade de seleção em grupo funcione corretamente.

Testável

Erros independentes ou fracamente dependentes

Os erros εi\varepsilon_iεi​ são i.i.d. sub-gaussianos, ou fracamente dependentes com coeficientes de mistura somáveis no caso de séries temporais.

Se falhar:Correlação serial forte invalida a validação cruzada padrão em kkk dobras. As desigualdades oráculo exigem ajuste pelo tamanho amostral efetivo reduzido.

Mantida

Condição de autovalor restrito

A matriz de desenho XXX satisfaz uma condição de autovalor restrito: ∥Xδ∥22/n≥κ∥δ∥22\|X\delta\|_2^2 / n \geq \kappa \|\delta\|_2^2∥Xδ∥22​/n≥κ∥δ∥22​ para todo δ\deltaδ em um cone em torno do suporte esparso verdadeiro.

Se falhar:Sem essa condição, a rede elástica não recupera de forma confiável a direção do suporte verdadeiro. As taxas de estimação se degradam e a garantia de seleção em grupo enfraquece.

Mantida

Faixa adequada do parâmetro de mistura

α\alphaα é limitado longe de zero: α∈[αmin⁡,1]\alpha \in [\alpha_{\min}, 1]α∈[αmin​,1] com αmin⁡>0\alpha_{\min} > 0αmin​>0 para que haja esparsidade.

Se falhar:Em α=0\alpha = 0α=0 o modelo se reduz à ridge, sem esparsidade. Para que valham as propriedades de seleção de variáveis da rede elástica, α\alphaα precisa ser estritamente positivo.

Aplicações

Use esta página para escolher o modelo antes de olhar o resultado: o alvo, a frequência, a janela e o benchmark definem o que a saída pode dizer.

Em monitoramento macro, a comparação com alternativas importa tanto quanto o modelo escolhido. Erro fora da amostra, estabilidade e revisão dos dados devem ficar visíveis.

Troque ou complemente o modelo quando a pergunta exigir identificação causal, contrafactual estrutural, distribuição entre agentes ou uma mudança de regime que a amostra histórica não contém.

Extensões e questões em aberto

Variantes

  • Adaptive elastic net - predictor-specific penalty weights wj=∣β^jinit∣−γw_j = |\hat{\beta}_j^{\text{init}}|^{-\gamma}wj​=∣β^​jinit​∣−γ on the L1 term for oracle properties
  • Group elastic net - penalizes ℓ2\ell_2ℓ2​ norms of predefined predictor groups, combining group LASSO with group ridge
  • Sparse group elastic net - between-group selection via group penalty plus within-group sparsity via element-wise L1
  • Multi-task elastic net - shared support across multiple response variables, useful for multi-horizon forecasting
  • Time-varying elastic net - rolling or expanding window estimation with adaptive (α,λ)(\alpha, \lambda)(α,λ) for structural change

Questões em aberto

  • Optimal data-driven selection of α\alphaα jointly with λ\lambdaλ in finite samples, beyond grid search
  • Valid post-selection inference for elastic net coefficients without the computational cost of selective inference methods
  • Whether the grouped selection property delivers genuine gains over LASSO in macro panels where group structure is unknown a priori

Continue por aqui

Leia a seguir

Continue com um conceito, modelo ou exemplo relacionado.

Modelo teórico

IS-LM Model

modelo teórico bem conectado a dois passos daqui

Novo ângulo: modelo teórico →
Macro by Mark
Ajuda
Política de PrivacidadeTermos de UsoÉtica e conformidade

© 2026 Mark Jayson Nation LLC