Coeficiente de regressão e redução e seleção da ordem autorregressiva via lasso

Resumo O operador de shrinkage e seleção absoluto mínimo (‘lasso’) tem sido amplamente utilizado em redução e seleção de regressão. Estendemos sua aplicação ao modelo de regressão com erros autorregressivos. Dois tipos de estimadores lasso são cuidadosamente estudados. O primeiro é semelhante ao estimador lasso tradicional com apenas dois parâmetros de ajuste (um para coeficientes de regressão e o outro para coeficientes autorregressivos). Esses parâmetros de ajuste podem ser facilmente calculados por meio de um método orientado a dados, mas o estimador lasso resultante pode não ser totalmente eficiente. Para superar essa limitação, propomos um segundo estimador lasso que utiliza diferentes parâmetros de ajuste para cada coeficiente. Mostramos que esse lasso modificado pode produzir o estimador com a mesma eficiência que o oracle. Além disso, propomos um algoritmo para estimativas de parâmetros de ajuste para obter o estimador lasso modificado. Estudos de simulação demonstram que o estimador modificado é superior ao estimador tradicional. Um exemplo empírico também é apresentado para ilustrar a utilidade dos estimadores lasso. A extensão do lasso ao modelo de autorregressão com variáveis exógenas é discutida brevemente.