总结

本研究通过以下方法检验了高维预测和变量选择折弯惩罚回归。惩罚回归方法导致稀疏回归系数的估计,并允许模型的维数为比样本量大得多。首先,我们讨论了惩罚的理论方面时间序列设置中的回归。具体来说,我们用超高维时间相关回归变量。然后我们展示了使用两个经验应用程序的惩罚回归。首先,我们预测季度美国使用高维月度数据集和混合数据的国内生产总值数据带有惩罚的抽样(MIDAS)框架。其次,我们检查被处罚者的表现基于纽约证券交易所大股价的回归筛选隐藏投资组合数据集。两个应用程序都表明,惩罚回归提供了显著的结果在预测性能和变量选择方面。

这篇文章是根据牛津大学的条款出版和分发的大学出版社,标准期刊出版模式(https://academic.oup.com/journals/pages/open_access/funder_policies/chorus/standard_publication_model)
您当前没有访问此文章的权限。