Variable Selection in High Dimensional Linear Regressions with Parameter Instability
参数不稳定下的高维线性回归变量选择AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确围绕参数不稳定展开变量选择理论，并讨论观测降权与样本外预测误差。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
参数不稳定下的高维线性回归变量选择
- 研究问题
- 高维线性回归参数不稳定时，逐变量多重检验能否保留真实信号、排除噪声，并如何安排变量选择与预测阶段的历史观测降权？
- 方法与思路
- 作者区分信号、伪信号和噪声变量，分析 OCMT 在参数不稳定下的选择与选择后回归性质，并比较选择阶段不降权、预测阶段降权的策略。
- 材料陈述的贡献
- 摘要称，OCMT 渐近保留全部信号并排除噪声，选择后样本内拟合具备 oracle 性质；模拟及应用报告其预测误差低于若干既有方法。
- 阅读关注点
- 应核对参数不稳定的形式、伪信号是否仍会入选及 oracle 性质的具体含义，检查为何选择阶段不降权，以及预测比较是否使用一致的信息集。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未列出渐近条件、参数变化机制及误差数值，不能据此推断普遍优于其他选择方法。
原文摘要
This paper considers the problem of variable selection allowing for parameter instability. It distinguishes between signal and pseudo-signal variables that are correlated with the target variable, and noise variables that are not, and investigate the asymptotic properties of the One Covariate at a Time Multiple Testing (OCMT) method proposed by Chudik et al. (2018) under parameter insatiability. It is established that OCMT continues to asymptotically select an approximating model that includes all the signals and none of the noise variables. Properties of post selection regressions are also investigated, and in-sample fit of the selected regression is shown to have the oracle property. The theoretical results support the use of unweighted observations at the selection stage of OCMT, whilst applying down-weighting of observations only at the forecasting stage. Monte Carlo and empirical applications show that OCMT without down-weighting at the selection stage yields smaller mean squared forecast errors compared to Lasso, Adaptive Lasso, and boosting.