空间自回归模型的迁移学习及其在预测美国总统选举中的应用
机器学习
2024-09-10 v2 机器学习
计量经济学
统计方法学
摘要
将空间地理信息纳入美国总统选举分析非常重要，尤其是对于摇摆州。州级分析还面临空间数据可用性有限的重大挑战。为了解决在利用空间依赖数据预测美国总统选举结果时面临的空间依赖性和小样本量的挑战，我们提出了一种新颖的SAR模型迁移学习框架，称为tranSAR。经典SAR模型估计在目标数据样本较小时通常会失去准确性。我们的框架通过利用相似源数据的信息来增强估计和预测。我们引入了一个两阶段算法，包括迁移阶段和去偏阶段，以估计参数并建立估计量的理论收敛速度。此外，如果信息源数据未知，我们提出了一种使用空间残差自举的可迁移源检测算法，以保持空间依赖性并推导其检测一致性。模拟研究表明，我们的算法显著优于经典的两阶段最小二乘估计器。我们展示了我们的方法在预测美国总统摇摆州结果方面的有效性，其表现优于传统方法。此外，我们的tranSAR模型预测民主党将赢得2024年美国总统选举。
引用
@article{arxiv.2405.15600,
title = {Transfer Learning for Spatial Autoregressive Models with Application to U.S. Presidential Election Prediction},
author = {Hao Zeng and Wei Zhong and Xingbai Xu},
journal= {arXiv preprint arXiv:2405.15600},
year = {2024}
}