Time-varying parameters as a regularization device : an empirical evaluation of two-step ridge regression for u.s. inflation forecasting
Visualizar/abrir
Data
2026Orientador
Nível acadêmico
Graduação
Outro título
Parâmetros variando no tempo como mecanismo de regularização : uma avaliação empírica da regressão ridge de duas etapas para a previsão a inflação americana
Assunto
Abstract
Two-step ridge regression, proposed by Goulet Coulombe (2025), estimates time-varying parameters as a penalized regression, aiming to reconcile the high predictive accuracy of machine-learning methods with the interpretability they lack. This study evaluates whether the method forecasts the United States consumer price inflation rate as accurately as the models that currently define the frontier. Three specifications are estimated by two-step ridge regression: autoregressive (2SRR-AR), factor ( ...
Two-step ridge regression, proposed by Goulet Coulombe (2025), estimates time-varying parameters as a penalized regression, aiming to reconcile the high predictive accuracy of machine-learning methods with the interpretability they lack. This study evaluates whether the method forecasts the United States consumer price inflation rate as accurately as the models that currently define the frontier. Three specifications are estimated by two-step ridge regression: autoregressive (2SRR-AR), factor (2SRR-Factor), and the data-rich autoregressive diffusion-index form (2SRR-ARDI). They are compared with the twelve econometric and machine-learning benchmarks of Medeiros et al.(2021) on the FRED-MD panel, in a pseudo-out-of-sample exercise of 312 monthly forecasts from 1999 to 2025 at horizons of one, three, six, and twelve months. Predictive ability against the autoregression is assessed with the Giacomini–White and Diebold–Mariano tests, the Model Confidence Set then screens the full set of models for those statistically indistinguishable from the best, and forecast rationality is examined with the Mincer–Zarnowitz test. The data-rich 2SRR-ARDI edges past the autoregression at the shorter horizons and matches it at twelve months, remaining on par with the leading machine-learning methods, although squared-loss differences across the field are not statistically sharp. On the pre-pandemic sub-sample the Giacomini–White conditional test promotes it over the autoregression at the one and twelve horizons. The specification beats the random walk by up to a quarter and adds the interpretability of readable coefficient paths, while the factor augmentation does not improve on the parsimonious specifications in unconditional accuracy. When predictive accuracy does not strictly separate the leading models, the two-step ridge regression offers a transparent alternative, with readable time-varying coefficient paths that track how macroeconomic relationships evolve within the estimation window. ...
Resumo
A regressão ridge em duas etapas, proposta por Goulet Coulombe (2025), estima parâmetros variantes no tempo como uma regressão penalizada, buscando conciliar a alta precisão dos métodos de aprendizado de máquina com a interpretabilidade que eles não oferecem. Este estudo avalia se o método prevê a taxa de inflação ao consumidor dos Estados Unidos com a mesma precisão dos modelos que hoje definem a fronteira. Três especificações são estimadas por regressão ridgeem duas etapas: autorregressiva (2 ...
A regressão ridge em duas etapas, proposta por Goulet Coulombe (2025), estima parâmetros variantes no tempo como uma regressão penalizada, buscando conciliar a alta precisão dos métodos de aprendizado de máquina com a interpretabilidade que eles não oferecem. Este estudo avalia se o método prevê a taxa de inflação ao consumidor dos Estados Unidos com a mesma precisão dos modelos que hoje definem a fronteira. Três especificações são estimadas por regressão ridgeem duas etapas: autorregressiva (2SRR-AR), de fatores (2SRR-Factor) e a forma rica em dados do índice de difusão autorregressivo (2SRR-ARDI). Elas são comparadas com os doze modelos econométricos e de aprendizado de máquina de Medeiros et al.(2021), no painel FRED-MD, em um exercício pseudo-fora-da-amostra de 312 previsões mensais entre 1999 e 2025, nos horizontes de um, três, seis e doze meses. A capacidade preditiva em relação à autorregressão é avaliada pelos testes de Giacomini–White e Diebold–Mariano,o Model Confidence Set faz a triagem do conjunto de modelos quanto aqueles estatisticamente indistinguíveis do melhor, e a racionalidade das previsões é examinada pelo teste de Mincer–Zarnowitz. A2SRR-ARDI rica em dados supera a autorregressão nos horizontes mais curtos e a iguala em doze meses, mantendo-se no patamar dos melhores métodos de aprendizado de máquina, embora as diferenças de perda quadrática no conjunto não sejam estatisticamente nítidas.Na subamostra pré-pandemia, o teste condicional de Giacomini–White a favorece sobre a autorregressão nos horizontes de um e doze meses. A especificação supera o passeio aleatório em até um quarto e acrescenta a interpretabilidade de trajetórias de coeficientes legíveis, enquanto a inclusão dos fatores não melhora as especificações parcimoniosas em acurácia incondicional. Quando a acurácia preditiva não discrimina estritamente entre os modelos de melhor desempenho, a regressão ridge em duas etapas oferece uma alternativa transparente, com trajetórias de coeficientes variantes no tempo e legíveis que acompanham como as relações macroeconômicas evoluem dentro da janela de estimação. ...
Instituição
Universidade Federal do Rio Grande do Sul. Faculdade de Ciências Econômicas. Curso de Ciências Econômicas.
Coleções
-
TCC Ciências Econômicas (1490)
Este item está licenciado na Creative Commons License


