具有极大量预测变量的宏观经济预测与变量选择：一种惩罚回归方法
应用统计
2017-03-07 v2 统计理论
统计方法学
统计理论
摘要
本文研究使用具有极大量预测变量的折叠凹惩罚回归进行宏观经济预测与变量选择。该惩罚回归方法得到回归系数的稀疏估计，并且即使模型维度远大于样本量也适用。论文前半部分讨论当模型呈现时间序列依赖性时折叠凹惩罚回归的理论方面。具体地，我们给出了超高维时间依赖回归变量的 oracle 不等式和 oracle 性质。论文后半部分通过两个启发性实证应用展示惩罚回归的有效性。第一个应用利用 MIDAS 回归框架通过 FRED-MD 数据预测美国 GDP，其中协变量超过 1000 个，而样本量至多 200。第二个检验惩罚回归利用 NYSE 股票价格数据从超过 1800 只潜在股票中筛选出约 40 只股票的隐藏投资组合的效果。两个应用均揭示惩罚回归在预测性能和变量选择方面提供了显著结果。
引用
@article{arxiv.1508.04217,
title = {Macroeconomic Forecasting and Variable Selection with a Very Large Number of Predictors: A Penalized Regression Approach},
author = {Yoshimasa Uematsu and Shinya Tanaka},
journal= {arXiv preprint arXiv:1508.04217},
year = {2017}
}