High-dimensional forecasting with known knowns and known unknowns
利用已知变量与未知潜在因素开展高维预测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：摘要明确研究英国通胀高维预测，并将不可观测潜在因子近似作为方法组成部分。
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
利用已知变量与未知潜在因素开展高维预测
- 研究问题
- 高维预测中如何兼顾从已知活跃变量集合中筛选变量与近似不可观测潜在因子，并评估简约模型和全球变量的作用？
- 方法与思路
- 作者讨论用 Lasso 与 OCMT 选择变量，并通过不同方式近似潜在因子，将稀疏和稠密思路用于英国通胀多期限预测。
- 材料陈述的贡献
- 摘要通过二〇二〇年第一季度至二〇二三年第一季度的通胀预测应用，展示简约模型的作用及纳入全球变量的重要性。
- 阅读关注点
- 应核对活跃变量集合如何确定、潜在因子如何近似，以及不同预测期限下的数据可得性、样本外评估和基准设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明预测误差数值、因子近似细节及结果能否推广到其他时期。
原文摘要
Forecasts play a central role in decision making under uncertainty. After a brief review of the general issues, this paper considers ways of using high-dimensional data in forecasting. We consider selecting variables from a known active set, known knowns, using Lasso and OCMT, and approximating unobserved latent factors, known unknowns, by various means. This combines both sparse and dense approaches. We demonstrate the various issues involved in variable selection in a high-dimensional setting with an application to forecasting UK inflation at different horizons over the period 2020q1-2023q1. This application shows both the power of parsimonious models and the importance of allowing for global variables.