关于混合频率与纵向数据建模的分位数回归森林
机器学习
2025-02-25 v1 机器学习
统计方法学
摘要
本论文旨在扩展分位数回归森林 (QRF) 算法的应用，以处理混合频率和纵向数据。为此，利用标准统计方法构建了两种新算法：混合频率分位数回归森林 (MIDAS-QRF) 和有限混合分位数回归森林 (FM-QRF)。MIDAS-QRF 将 QRF 的灵活性与混合数据采样 (MIDAS) 方法相结合，实现了对不同频率观测变量的非参数分位数估计。另一方面，FM-QRF 将随机效应机器学习算法扩展到 QR 框架，允许在纵向数据设置下进行条件分位数估计。本文的贡献在于方法论和实证两方面。在方法论上，MIDAS-QRF 和 FM-QRF 代表了在 QR 机器学习框架中处理混合频率和纵向数据的两种新方法。在实证上，所提出模型在金融风险管理和气候变化影响评估中的应用，证明了它们作为适用于复杂实证环境的准确且灵活的模型的有效性。
引用
@article{arxiv.2502.17137,
title = {On Quantile Regression Forests for Modelling Mixed-Frequency and Longitudinal Data},
author = {Mila Andreani},
journal= {arXiv preprint arXiv:2502.17137},
year = {2025}
}
备注
PhD Thesis