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

Área do gráfico

Painel de previsão de Regressão ridge

Área do gráfico

Previsão macro com muitos preditores candidatos, quando mínimos quadrados sobreajusta e precisa de encolhimento. O gráfico transforma essa pergunta em um cenário ajustável, com controles suficientes para ver direção, persistência e limites sem fingir estimação em tempo real.

Metadados dos eixos
xHorizonte da previsãotempo discreto · 1 a 24 períodos à frenteyValor previsto ou erroíndice · escala normalizada pelo cenário
Trajetórias dos coeficientes conforme a
penalidade ridge é relaxada (mais forte
à esquerda) static chart preview showing Coeficiente 1, Coeficiente 2, Coeficiente 3, Coeficiente 4, Coeficiente 5
Autovalores do desenho: uma raiz grande
sob colinearidade static chart preview showing Series 1
xHorizonte da previsãotempo discreto · 1 a 24 períodos à frenteyValor previsto ou erroíndice · escala normalizada pelo cenário

Resultados atuais

EQM de MQO

Explicar: EQM de MQO
p−1∥β^OLS−βtrue∥2p^{-1}\|\hat{\beta}_{\text{OLS}} - \beta_{\text{true}}\|^2p−1∥β^​OLS​−βtrue​∥2

Compare este valor entre cenários para ver o efeito dos controles.

0.0605

unidades padronizadas ao quadrado

EQM do ridge no lambda ótimo

Explicar: EQM do ridge no lambda ótimo
p−1∥β^ridge(λ∗)−βtrue∥2,λ∗=arg⁡min⁡λ∈{0}∪Λp−1∥β^ridge(λ)−βtrue∥2p^{-1}\|\hat{\beta}_{\text{ridge}}(\lambda^*) - \beta_{\text{true}}\|^2, \quad \lambda^* = \arg\min_{\lambda \in \{0\} \cup \Lambda} p^{-1}\|\hat{\beta}_{\text{ridge}}(\lambda) - \beta_{\text{true}}\|^2p−1∥β^​ridge​(λ∗)−βtrue​∥2,λ∗=argminλ∈{0}∪Λ​p−1∥β^​ridge​(λ)−βtrue​∥2

Compare este valor entre cenários para ver o efeito dos controles.

0.0605

unidades padronizadas ao quadrado

Graus de liberdade efetivos

Explicar: Graus de liberdade efetivos
df(λ∗)=∑jdj2/(dj2+λ∗)\text{df}(\lambda^*) = \sum_j d_j^2 / (d_j^2 + \lambda^*)df(λ∗)=∑j​dj2​/(dj2​+λ∗)

Compare este valor entre cenários para ver o efeito dos controles.

6.00

adimensional

Razão de encolhimento

Explicar: Razão de encolhimento
1−∥β^ridge(λ∗)∥2/∥β^OLS∥21 - \|\hat{\beta}_{\text{ridge}}(\lambda^*)\|_2 / \|\hat{\beta}_{\text{OLS}}\|_21−∥β^​ridge​(λ∗)∥2​/∥β^​OLS​∥2​

Compare este valor entre cenários para ver o efeito dos controles.

0.0000

proporção

Parâmetros do modelo

0.8
Explicar: Correlação entre preditores

Controle do modelo: mova-o e veja como o cenário muda.

Compare o gráfico e as leituras antes e depois de mover o controle.

1
Explicar: Nível de ruído

Controle do modelo: mova-o e veja como o cenário muda.

Compare o gráfico e as leituras antes e depois de mover o controle.

6
Explicar: Número de preditores

Controle do modelo: mova-o e veja como o cenário muda.

Compare o gráfico e as leituras antes e depois de mover o controle.

80
Explicar: Tamanho da amostra

Controle do modelo: mova-o e veja como o cenário muda.

Compare o gráfico e as leituras antes e depois de mover o controle.

1.5
Explicar: Sinal mais forte

Controle do modelo: mova-o e veja como o cenário muda.

Compare o gráfico e as leituras antes e depois de mover o controle.

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