Inferens i lasso modellen med anvendelse inden for prædiktion af makroøkonomiske variable: Lasso estimatoren og dens generaliseringer
Oversat titel
Post-Selection Inference for the Lasso with application: The Lasso Estimator and Generalizations
Forfattere
Christensen, Louise Nygaard ; Graff, Trine
Semester
4. semester
Udgivelsesår
2018
Afleveret
2018-06-08
Antal sider
140
Resumé
Specialet undersøger, om krympningsmetoder som lasso og dens generaliseringer kan forbedre én-trins forudsigelser af arbejdsløshedsraten i højdimensionelle makrodata. Først gennemgås faktormodellen, lasso, elastic net, group lasso og adaptive lasso samt optimeringsalgoritmerne coordinate descent og LARS, asymptotiske egenskaber (herunder orakel-egenskaber for adaptive lasso) og post-selektionsinferens via kovarians-testen og polyeder-lemmaet. Empirisk anvendes et offentligt datasæt fra Federal Reserve Bank of St. Louis med 122 månedlige variable (1959-2017, 707 observationer) til at forudsige arbejdsløshedsraten én måned frem. Modellerne vælges med 10-fold krydsvalidering og BIC og evalueres out-of-sample ved MAE og MSE. Som benchmark bruges faktormodellen. Resultaterne viser, at alle lasso-baserede modeller klart overgår benchmarken; især foretrækkes adaptive lasso med OLS- og lasso-vægte. Diebold-Mariano-testen bekræfter signifikante forbedringer, og Model Confidence Set indeholder alle lasso-baserede modeller ved 80% og 90%.
This thesis examines whether shrinkage methods such as the lasso and its generalizations improve one-step-ahead forecasts of the unemployment rate using high-dimensional macroeconomic data. We first present the factor model, the lasso, elastic net, group lasso, and adaptive lasso, along with the coordinate descent and LARS algorithms, asymptotic properties (including oracle properties for adaptive lasso), and post-selection inference via the covariance test and the polyhedral lemma. Empirically, we use a public dataset from the Federal Reserve Bank of St. Louis with 122 monthly variables (1959-2017; 707 observations) to predict the unemployment rate one month ahead. Models are tuned by 10-fold cross-validation and BIC and evaluated out of sample with MAE and MSE, with the factor model as benchmark. We find that all lasso-based models outperform the benchmark, with adaptive lasso using OLS and lasso weights especially preferred. Diebold-Mariano tests indicate significant gains, and the Model Confidence Set at 80% and 90% includes all lasso-based models.
[Dette resumé er genereret med hjælp fra AI direkte fra projektet (PDF)]