Binary Response Forecasting under a Factor-Augmented Framework
因子增强框架下的二元响应预测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：摘要明确以潜在因子利用高维信息，并应用于美国衰退预测，因此对应因子模型与宏观预测两个方向。
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…
因子增强框架下的二元响应预测
- 研究问题
- 作者研究如何利用高维信息中的潜在因子预测二元结果，并以美国衰退预测检验模型相对传统 Probit 的表现。
- 方法与思路
- 作者提出因子增强的二元响应预测回归，采用极大似然估计回归参数，并分析估计量的渐近性质、模拟表现和实证预测效果。
- 材料陈述的贡献
- 摘要称，该方法在有限样本模拟中表现良好，在美国衰退应用的样本内与样本外分析中均优于传统 Probit。
- 阅读关注点
- 阅读全文时应核对因子的提取方式及估计误差处理、渐近条件、预测窗口、评价指标，以及样本外分析是否避免信息泄漏。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审或期刊接收未核实；摘要未说明样本区间、因子数量、预测指标及优势幅度。
原文摘要
In this paper, we propose a novel factor-augmented forecasting regression model with a binary response variable. We develop a maximum likelihood estimation method for the regression parameters and establish the asymptotic properties of the resulting estimators. Monte Carlo simulation results show that the proposed estimation method performs very well in finite samples. Finally, we demonstrate the usefulness of the proposed model through an application to U.S. recession forecasting. The proposed model consistently outperforms conventional Probit regression across both in-sample and out-of-sample exercises, by effectively utilizing high-dimensional information through latent factors.