Relação linear
A esperança condicional é linear em para algum desconhecido.
Se falhar:A ridge encolhe na direção de um modelo errado. Gráficos de resíduos e verificações de resposta parcial revelam a não linearidade.
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.
Regressão linear penalizada L2, que encolhe coeficientes para estabilizar previsões quando há muitos preditores ou colinearidade.
Regressão ridge: que pergunta macro este modelo ajuda a responder?
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.
O vetor de coeficientes de regressão penalizada, . 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.
A esperança condicional é linear em para algum desconhecido.
Se falhar:A ridge encolhe na direção de um modelo errado. Gráficos de resíduos e verificações de resposta parcial revelam a não linearidade.
Os termos de erro não são correlacionados: para .
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.
Os erros têm variância constante: para todo .
Se falhar:A GCV é inconsistente sob heterocedasticidade. Use validação cruzada em dobras, que não exige variância constante.
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.
O vetor de coeficientes verdadeiro é denso - a maioria dos preditores contribui ao menos fracamente para .
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.
O escolhido satisfaz quando , de modo que o estimador de ridge converge para o MQO em amostras grandes.
Se falhar:Se é fixo independentemente do tamanho amostral, o viés não desaparece e o estimador é inconsistente. A validação cruzada naturalmente escolhe menores conforme cresce.
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.