IPAD：基于 Knockoffs 推断的稳定可解释预测
统计理论
2018-09-14 v1 机器学习
机器学习
统计理论
摘要
可解释性与稳定性是经济学与金融学中许多当代大数据应用所期望的两个重要特征。前者在某种程度上为许多现有预测方法所具备，而后者——在控制错误发现特征比例的意义上可极大增强可解释性——在计量经济学设定中仍远未充分发展。为此，本文利用 Candès、Fan、Janson 与 Lv（2018）近期提出的 model-X knockoffs 通用框架（该框架用于可复现的大规模推断，其非常规之处在于完全不使用 p 值进行显著性检验），并提出一种新方法——交织概率因子解耦（IPAD），用于高维模型中基于 knockoffs 推断的稳定可解释预测。该方法的要点是通过假设一个在经济学与金融学中广泛用于协变量关联结构的潜因子模型来构造 knockoff 变量。我们的方法与工作区别于现有文献之处在于：我们在构造 knockoff 变量时从数据估计协变量分布而非假设其已知；我们的过程不需要任何样本分割；我们提供了关于渐近错误发现率控制的理论依据，并建立了功效分析的理论。若干模拟示例与真实数据分析进一步表明，与一些常用预测方法相比，新提出的方法具有令人满意的有限样本表现，并具备所需的可解释性与稳定性。
引用
@article{arxiv.1809.05032,
title = {IPAD: Stable Interpretable Forecasting with Knockoffs Inference},
author = {Yingying Fan and Jinchi Lv and Mahrad Sharifvaghefi and Yoshimasa Uematsu},
journal= {arXiv preprint arXiv:1809.05032},
year = {2018}
}