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 LASSO

Regressão linear penalizada L1 que zera alguns coeficientes e faz seleção de variáveis dentro do ajuste.

Visão geralGráficoMatemáticaReferências

LASSO: que pergunta macro este modelo ajuda a responder?

Contexto

Regressão linear penalizada L1 que zera alguns coeficientes e faz seleção de variáveis dentro do ajuste.

LASSO 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^LASSO\hat{\beta}_{\text{LASSO}}β^​LASSO​

Vetor de coeficientes do LASSO

O vetor p×1p \times 1p×1 de coeficientes penalizados em L1. Alguns elementos são exatamente zero; os não nulos identificam as variáveis selecionadas.

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 quando você quer que o modelo escolha um subconjunto esparso em vez de usar tudo.

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

O vetor de coeficientes verdadeiro β0\beta_0β0​ tem sss elementos não nulos, com s≪ps \ll ps≪p. A maioria dos preditores é irrelevante.

Se falhar:Se a verdade é densa (todos os preditores contribuem fracamente), o LASSO zera parte dos sinais verdadeiros e tem desempenho inferior ao da ridge. A rede elástica é mais robusta nesse caso.

Mantida

Condição de autovalor restrito

A matriz de desenho XXX satisfaz ∥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 conjunto restrito em torno do suporte esparso verdadeiro.

Se falhar:Sem essa condição, o LASSO não distingue o suporte verdadeiro de alternativas espúrias. A consistência de estimação e a de seleção falham as duas.

Testável

Condição de irrepresentabilidade (para consistência de seleção)

A correlação entre preditores relevantes e irrelevantes é limitada: ∥XAc′XA(XA′XA)−1sign(βA)∥∞<1\|X_{\mathcal{A}^c}' X_{\mathcal{A}} (X_{\mathcal{A}}' X_{\mathcal{A}})^{-1} \text{sign}(\beta_{\mathcal{A}})\|_\infty < 1∥XAc′​XA​(XA′​XA​)−1sign(βA​)∥∞​<1.

Se falhar:O LASSO pode selecionar variáveis erradas mesmo com n→∞n \to \inftyn→∞. A condição é forte e frequentemente violada em dados macro, em que os preditores são correlacionados.

Testável

Modelo linear

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

Se falhar:O LASSO seleciona uma aproximação linear. Efeitos não lineares passam despercebidos; preditores não lineares importantes podem ser zerados indevidamente.

Testável

Erros independentes ou fracamente dependentes

Os erros εi\varepsilon_iεi​ são i.i.d. ou fracamente dependentes para que valham os resultados de desigualdade oráculo.

Se falhar:A correlação serial invalida a validação cruzada padrão e enfraquece as garantias teóricas sobre as taxas de seleção e de estimação.

Mantida

Preditores padronizados

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

Se falhar:A penalidade L1 trata de forma desigual coeficientes em escalas diferentes. Um preditor medido em unidades grandes é penalizado mais por unidade de poder preditivo.

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 LASSO - predictor-specific penalty weights λwj\lambda w_jλwj​ where wj=∣β^jOLS∣−γw_j = |\hat{\beta}_j^{\text{OLS}}|^{-\gamma}wj​=∣β^​jOLS​∣−γ
  • Group LASSO - penalizes ∥βG∥2\|\beta_G\|_2∥βG​∥2​ for predefined groups GGG, selecting entire groups rather than individual variables
  • Elastic net - combines L1 and L2 penalties: α∥β∥1+1−α2∥β∥22\alpha\|\beta\|_1 + \frac{1-\alpha}{2}\|\beta\|_2^2α∥β∥1​+21−α​∥β∥22​
  • Post-LASSO OLS - uses LASSO for selection, then re-estimates by OLS on selected variables to reduce bias
  • Square-root LASSO - self-normalizing variant that does not require knowledge or estimation of the error variance

Questões em aberto

  • Whether adaptive or thresholded LASSO achieves reliable variable selection in macro panels where the irrepresentable condition fails
  • How to construct valid confidence intervals for LASSO-selected coefficients without assuming the selected model is correct (selective inference)
  • Whether LASSO's instability under predictor correlation is a fundamental limitation or a finite-sample artifact that vanishes with enough data

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