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 LSTM

Arquitetura de rede neural recorrente com portas que retêm ou esquecem informação ao longo de sequências macro longas.

Visão geralGráficoMatemáticaReferências

LSTM: premissas, equações e falhas

Siga a lógica do modelo por premissas, notação, equações e situações em que a leitura deixa de ser confiável.

Entenda a matemática

Acompanhe as mesmas equações e hipóteses por seção ou em uma leitura contínua.

Passe o cursor ou foque um símbolo definido no modelo para encontrar suas ocorrências exatas. Selecione para manter o destaque; Escape limpa a seleção.

Configuração do modelo

LSTM deve ser lido como modelo empírico. A prova começa separando a pergunta econômica, os estados que carregam memória e o choque ou regra que move o sistema.

Arquitetura de rede neural recorrente com portas que retêm ou esquecem informação ao longo de sequências macro longas.

ft=σ(Wfxt+Ufht−1+bf)f_t = \sigma(W_f x_t + U_f h_{t-1} + b_f)ft​=σ(Wf​xt​+Uf​ht−1​+bf​)
ftf_tft​σ\sigmaσ

A primeira equação fixa a variável ou bloco que organiza a leitura do modelo.

Definir o estado de referência

Sem referência, o leitor não sabe se a resposta é grande, persistente ou apenas uma mudança de escala.
ft=σ(Wfxt+Ufht−1+bf)f_t = \sigma(W_f x_t + U_f h_{t-1} + b_f)ft​=σ(Wf​xt​+Uf​ht−1​+bf​)
ftf_tft​σ\sigmaσ

Notações

sts_tst​

estado

εt\varepsilon_tεt​

choque

Sobre os símbolos

estado: Informação herdada do período anterior, como capital, balanço, rede, dívida ou produtividade.

choque: Inovação ou mudança de regra que inicia o cenário.

Hipóteses

  • Mecanismo explícito
  • Validação separada

Checagens de transição

Agent update
si,t+1=F(si,t,ui,t;θ),Yt=1N∑i=1Ng(si,t)s_{i,t+1}=F(s_{i,t},u_{i,t};\theta),\qquad Y_t=\frac{1}{N}\sum_{i=1}^{N}g(s_{i,t})si,t+1​=F(si,t​,ui,t​;θ),Yt​=N1​i=1∑N​g(si,t​)

The aggregate is computed after individual states are updated. If the rule is nonlinear or stochastic, the aggregate can change abruptly even when the plotted line connects adjacent periods.

Each point is an aggregate after one model update. The connecting line helps the eye, but the law is discrete.

Do not read the line as a continuous differential equation unless one is stated.

Cutoff and contagion
Di,t=1{qi,t>τ},si,t+1=F0(si,t)+Di,tF1(si,t)D_{i,t}=\mathbf{1}\{q_{i,t}>\tau\},\qquad s_{i,t+1}=F_0(s_{i,t})+D_{i,t}F_1(s_{i,t})Di,t​=1{qi,t​>τ},si,t+1​=F0​(si,t​)+Di,t​F1​(si,t​)

The indicator changes value discontinuously at qi,t=τq_{i,t} = \tauqi,t​=τ. Aggregates inherit that discontinuity when enough agents sit near the cutoff.

A cutoff creates a kink or jump because the update rule changes at the threshold.

Do not force a smooth explanation onto a chart section driven by threshold crossing.

Temporalidade das variáveis

Agent state

si,t+1=F(si,t,ui,t;θ)s_{i,t+1}=F(s_{i,t},u_{i,t};\theta)si,t+1​=F(si,t​,ui,t​;θ)

Agent states update at dates. Abrupt aggregate movement can come from many small state changes applied at once.

Aggregate readout

Yt=N−1∑i=1Ng(si,t)Y_t=N^{-1}\sum_{i=1}^{N}g(s_{i,t})Yt​=N−1i=1∑N​g(si,t​)

The aggregate can jump when the distribution changes shape or many agents cross a boundary.

Threshold indicator

Di,t=1{qi,t>τ}D_{i,t}=\mathbf{1}\{q_{i,t}>\tau\}Di,t​=1{qi,t​>τ}

The indicator turns on at the cutoff. That creates a discontinuity in the micro rule and possibly the aggregate.

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