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 Combinação de previsões

Combinação de vários previsores de base, por médias simples, pesos ou stacking, para reduzir risco de modelo único.

Visão geralGráficoMatemáticaReferências

Combinação de previsões: que pergunta macro este modelo ajuda a responder?

Contexto

Combinação de vários previsores de base, por médias simples, pesos ou stacking, para reduzir risco de modelo único.

Combinação de previsões 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

y^m\hat{y}_my^​m​

Previsão individual

Previsão pontual do modelo mmm para a variável-alvo yyy no horizonte de previsão hhh.

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.

Quando nenhum modelo é claramente superior e a combinação produz uma leitura fora da amostra mais estável.

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

Testável

Distribuição estacionária dos erros de previsão

A distribuição conjunta dos erros de previsão (e1,…,eM)(e_1, \ldots, e_M)(e1​,…,eM​) é estacionária ao longo dos períodos de validação e de previsão.

Se falhar:Pesos estimados a partir de erros históricos deixam de ser ótimos. Quebras estruturais, mudanças de política ou degradação de modelos alteram a covariância dos erros ao longo do tempo.

Testável

Previsões individuais não enviesadas

Cada previsão individual é não enviesada: E[y−y^m]=0E[y - \hat{y}_m] = 0E[y−y^​m​]=0 para todo mmm.

Se falhar:Previsões enviesadas transmitem seu viés à combinação, a menos que os pesos sejam restritos ou que se inclua uma constante (regressão de Granger-Ramanathan). Os testes de Mincer-Zarnowitz detectam viés nas previsões individuais.

Testável

Conjuntos de informação diversificados

Os modelos individuais usam informação parcialmente não sobreposta, de modo que seus erros são imperfeitamente correlacionados.

Se falhar:Se todos os modelos cometem os mesmos erros (correlação perfeita), a combinação não reduz variância nenhuma. O ganho de combinar cresce com o grau de diversificação dos erros.

Mantida

Amostra de validação suficiente para estimar pesos

A amostra de validação T0T_0T0​ é grande o bastante para estimar a covariância Σe\Sigma_eΣe​ de forma confiável. Para pesos ótimos, T0≫MT_0 \gg MT0​≫M.

Se falhar:Os pesos ótimos estimados superajustam a amostra de validação. A inversão da covariância amostral amplifica o erro de estimação. Pesos iguais tornam-se preferíveis quando T0/MT_0 / MT0​/M é pequeno.

Mantida

Modelos corretamente especificados (para a BMA)

O processo gerador verdadeiro é um dos MMM modelos candidatos (ou é bem aproximado por um deles).

Se falhar:A posteriori da BMA se concentra no único modelo que melhor aproxima, perdendo os ganhos de combinação que surgem ao promediar modelos estruturalmente diferentes.

Mantida

Função de perda simétrica

A função de perda é quadrática (EQM). Superestimar e subestimar custam igual.

Se falhar:Sob perda assimétrica (por exemplo, subestimar a inflação é pior que superestimá-la), os pesos ótimos por EQM são subótimos. A combinação deveria mirar diretamente a função de perda assimétrica.

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

  • Bayesian model averaging - weights proportional to posterior model probabilities
  • Exponentially weighted combination - recent forecast errors weighted more heavily, adapting to structural change
  • Stacked generalization - uses a meta-learner (regression, LASSO, neural network) to combine base model forecasts
  • Trimmed mean / median combination - robust to outlier forecasts by discarding extreme predictions
  • Density forecast combination - combines full predictive distributions rather than point forecasts alone

Questões em aberto

  • Why simple averages outperform estimated optimal weights in most empirical settings (the forecast combination puzzle)
  • How to optimally combine density forecasts when individual predictive distributions are misspecified
  • Whether machine-learning-based meta-learners can reliably improve upon equal weighting for macro forecast combination

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