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 Regressão ridge

Regressão linear penalizada L2, que encolhe coeficientes para estabilizar previsões quando há muitos preditores ou colinearidade.

Visão geralGráficoMatemáticaReferências

Regressão ridge: que pergunta macro este modelo ajuda a responder?

Contexto

Regressão linear penalizada L2, que encolhe coeficientes para estabilizar previsões quando há muitos preditores ou colinearidade.

Regressão ridge 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^ridge\hat{\beta}_{\text{ridge}}β^​ridge​

Vetor de coeficientes de ridge

O vetor p×1p \times 1p×1 de coeficientes de regressão penalizada, (X′X+λI)−1X′y(X'X + \lambda I)^{-1} X'y(X′X+λI)−1X′y. Enviesado na direção de zero, mas de variância menor que o MQO.

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 macro com muitos preditores candidatos, quando mínimos quadrados sobreajusta e precisa de encolhimento.

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

Relação linear

A esperança condicional E[y∣X]E[y|X]E[y∣X] é linear em XβX\betaXβ para algum β\betaβ desconhecido.

Se falhar:A ridge encolhe na direção de um modelo errado. Gráficos de resíduos e verificações de resposta parcial revelam a não linearidade.

Testável

Erros independentes

Os termos de erro εi\varepsilon_iεi​ não são correlacionados: Cov(εi,εj)=0\text{Cov}(\varepsilon_i, \varepsilon_j) = 0Cov(εi​,εj​)=0 para i≠ji \neq ji=j.

Se falhar:Os escores de validação cruzada são inválidos se os erros forem serialmente correlacionados (comum em séries temporais). É preciso validação cruzada por blocos ou específica de séries temporais.

Testável

Homocedasticidade (para a GCV)

Os erros têm variância constante: Var(εi)=σ2\text{Var}(\varepsilon_i) = \sigma^2Var(εi​)=σ2 para todo iii.

Se falhar:A GCV é inconsistente sob heterocedasticidade. Use validação cruzada em kkk dobras, que não exige variância constante.

Mantida

Preditores centrados e padronizados

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

Se falhar:Sem padronização, a penalidade pune de forma desigual coeficientes em escalas diferentes. Um preditor medido em bilhões recebe coeficiente próximo de zero independentemente de sua importância.

Mantida

Todos os preditores são relevantes (sem esparsidade)

O vetor de coeficientes verdadeiro é denso - a maioria dos preditores contribui ao menos fracamente para yyy.

Se falhar:Se a verdade é esparsa (só alguns preditores importam), a ridge mantém todos no modelo com coeficientes pequenos e não nulos. O LASSO, que zera exatamente alguns coeficientes, é mais adequado sob esparsidade.

Mantida

A penalidade não cresce com o tamanho amostral

O λ\lambdaλ escolhido satisfaz λ/n→0\lambda / n \to 0λ/n→0 quando n→∞n \to \inftyn→∞, de modo que o estimador de ridge converge para o MQO em amostras grandes.

Se falhar:Se λ\lambdaλ é fixo independentemente do tamanho amostral, o viés não desaparece e o estimador é inconsistente. A validação cruzada naturalmente escolhe λ\lambdaλ menores conforme nnn cresce.

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

  • Kernel ridge regression - extends to nonlinear relationships via the kernel trick without changing the penalty structure
  • Generalized ridge - allows a diagonal penalty matrix Λ=diag(λ1,…,λp)\Lambda = \text{diag}(\lambda_1, \ldots, \lambda_p)Λ=diag(λ1​,…,λp​) with predictor-specific penalties
  • Ridge with grouped penalties - different λ\lambdaλ for different blocks of predictors (financial vs. real variables)
  • Bayesian ridge - full posterior inference under Gaussian prior, providing credible intervals on coefficients
  • Elastic net - combines L2 (ridge) and L1 (LASSO) penalties for simultaneous shrinkage and selection

Questões em aberto

  • Whether adaptive shrinkage methods (e.g., empirical Bayes or cross-validated elastic net) dominate fixed-λ\lambdaλ ridge in real-time macro forecasting
  • How to select the penalty parameter in time-series settings where standard cross-validation violates temporal ordering
  • Whether ridge-regularized impulse responses have better coverage properties than standard local projection confidence intervals 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