Boosting High Dimensional Predictive Regressions with Time Varying Parameters
时变参数高维预测回归的提升算法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：摘要明确研究经济时间序列、宏观预测和参数不稳定，分别对应时间序列、预测与即时预测及结构变化方向。
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…
关注这篇论文的作者
时变参数高维预测回归的提升算法
- 研究问题
- 经济时间序列的参数可能不稳定时，如何在大量候选预测变量下估计平滑时变系数，并改善不同期限的宏观预测？
- 方法与思路
- 作者提出两种 L2 boosting 算法，分别采用分量式局部常数与局部线性基学习器，允许预测变量局部平稳。
- 材料陈述的贡献
- 摘要称建立两种算法的一致性并讨论带宽和迭代次数；宏观应用显示时变建模收益随预测期限增加而扩大。
- 阅读关注点
- 应核对局部平稳和系数平滑条件、调参方案、预测评估设计，以及大缓和时期参数不稳定解释所依据的证据。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未报告预测改善数值，大缓和的相关解释不能视为因果结论。
原文摘要
High dimensional predictive regressions are useful in wide range of applications. However, the theory is mainly developed assuming that the model is stationary with time invariant parameters. This is at odds with the prevalent evidence for parameter instability in economic time series, but theories for parameter instability are mainly developed for models with a small number of covariates. In this paper, we present two $L_2$ boosting algorithms for estimating high dimensional models in which the coefficients are modeled as functions evolving smoothly over time and the predictors are locally stationary. The first method uses componentwise local constant estimators as base learner, while the second relies on componentwise local linear estimators. We establish consistency of both methods, and address the practical issues of choosing the bandwidth for the base learners and the number of boosting iterations. In an extensive application to macroeconomic forecasting with many potential predictors, we find that the benefits to modeling time variation are substantial and they increase with the forecast horizon. Furthermore, the timing of the benefits suggests that the Great Moderation is associated with substantial instability in the conditional mean of various economic series.