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 Floresta aleatória

Conjunto de árvores de decisão ensacadas para previsão macro não linear e diagnóstico de importância de variáveis.

Visão geralGráficoMatemáticaReferências

Floresta aleatória: que pergunta macro este modelo ajuda a responder?

Contexto

Conjunto de árvores de decisão ensacadas para previsão macro não linear e diagnóstico de importância de variáveis.

Floresta aleatória 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

Tb(x)T_b(x)Tb​(x)

Árvore de decisão individual

O bbb-ésimo aprendiz de base, uma árvore de regressão ou de classificação totalmente crescida, treinada na amostra bootstrap Db∗\mathcal{D}_b^*Db∗​ com seleção aleatória de atributos em cada divisão.

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.

Previsão com muitos preditores quando interações e limiares não lineares importam mais do que uma tabela de coeficientes.

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

Amostra suficiente para a diversidade das árvores

O conjunto de treino precisa ser grande o bastante para que as reamostras bootstrap produzam árvores efetivamente diferentes. Com n<50n < 50n<50, as amostras bootstrap se sobrepõem muito e a correlação entre árvores aumenta, reduzindo o ganho de redução de variância.

Se falhar:As estimativas de erro fora da bolsa ficam otimistas. A floresta degenera na direção de uma única árvore média, perdendo a diversidade do conjunto.

Testável

Sem extrapolação além do suporte de treino

Florestas aleatórias preveem dentro da envoltória convexa dos dados de treino. Previsões para insumos fora da faixa observada de qualquer preditor são extensões constantes do nó terminal mais próximo.

Se falhar:Previsões em regimes inéditos (inflação sem precedentes, juro no piso, choque pandêmico) retornam ao análogo histórico mais próximo em vez de extrapolar uma tendência. A floresta não gera previsões fora da amostra que excedam a faixa de treino.

Testável

Independência aproximada ou dependência fraca das observações

A reamostragem bootstrap pressupõe observações permutáveis ou, no máximo, fracamente dependentes. Em séries temporais, o bootstrap i.i.d. padrão destrói a ordenação temporal.

Se falhar:O erro fora da bolsa subestima o erro de previsão verdadeiro porque as amostras bootstrap vazam informação futura para o treino. É preciso bootstrap por blocos ou divisões treino/teste temporais para estimar o erro de forma válida.

Mantida

Taxa adequada de subamostragem de atributos

O tamanho da subamostra de atributos mmm precisa ser pequeno o bastante para descorrelacionar as árvores e grande o bastante para que preditores relevantes apareçam com frequência. O padrão m=⌊p/3⌋m = \lfloor p/3 \rfloorm=⌊p/3⌋ equilibra essas exigências sob correlação moderada.

Se falhar:Se mmm é grande demais, as árvores ficam muito correlacionadas e a redução de variância estanca. Se é pequeno demais, cada árvore é tão fraca que até o conjunto tem viés alto.

Mantida

Fronteiras de decisão alinhadas aos eixos são adequadas

As árvores CART dividem uma variável de cada vez, produzindo partições retangulares. A floresta aleatória herda essa geometria. Fronteiras suaves ou oblíquas exigem muito mais árvores e observações para serem bem aproximadas.

Se falhar:Quando a relação verdadeira é função suave de uma combinação linear de preditores (por exemplo, uma curva de Phillips no hiato do produto), a floresta aproxima a superfície suave por uma escada. Modelos lineares penalizados ou boosting de gradiente com árvores mais profundas podem ser mais eficientes.

Testável

Estacionariedade do processo gerador dos dados

A distribuição condicional P(y∣X)P(y | X)P(y∣X) é estável ao longo das janelas de treino e de previsão. Florestas aleatórias não têm mecanismo próprio para quebras estruturais ou parâmetros variantes no tempo.

Se falhar:Previsões após a quebra refletem a distribuição condicional anterior a ela. A floresta não se adapta a mudanças de regime, a menos que o regime seja codificado como preditor ou que a janela de treino se restrinja ao regime corrente.

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

  • Extremely randomized trees (Extra-Trees) - randomize split points as well as features, further decorrelating trees at the cost of slightly higher bias
  • Quantile regression forests - retain the full conditional distribution in terminal nodes, enabling density forecasting and prediction intervals
  • Causal forests - modify the splitting criterion to maximize treatment effect heterogeneity rather than prediction accuracy
  • Macroeconomic random forests (MRF) - Goulet Coulombe (2024) variant with linear terminal nodes that blend tree flexibility with linear extrapolation
  • Block bootstrap forests - replace i.i.d. bootstrap with block bootstrap for time-series applications, preserving temporal dependence within blocks

Questões em aberto

  • Whether random forests can reliably extrapolate beyond the training support in structural break scenarios, or whether hybrid linear-tree methods are needed
  • Optimal tuning of mtry and minimum node size in macroeconomic panels with strong serial correlation and relatively few effective observations
  • Valid confidence intervals for random forest predictions that account for both estimation and model uncertainty in finite samples

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