Hierarchical Regularizers for Mixed-Frequency Vector Autoregressions
混频向量自回归的层级正则化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：摘要明确采用混频 VAR 并研究即时预测及 GDP 同步指标，支持 VAR 与预测分类，但未说明结构冲击识别。
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
混频向量自回归的层级正则化
- 研究问题
- 当混频向量自回归的序列数量及低频周期内高频观测增多时，如何缓解维数灾难，并识别即时预测关系和经济动态联系？
- 方法与思路
- 作者设计按信息新近程度优先纳入系数的层级稀疏正则化，同时稀疏估计误差协方差矩阵，以研究混频变量间的即时预测关系。
- 材料陈述的贡献
- 摘要称，方法用于美国经济的混频向量自回归，分析预测性格兰杰因果关系并构建 GDP 增长同步指标，提供层级稀疏建模方案。
- 阅读关注点
- 应核对混频变量排列、层级惩罚与调参规则、协方差稀疏化的解释，以及 GDP 指标构造、数据可得时点和预测验证方案。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及期刊接收未经核实；摘要未给出预测改善数值，格兰杰关系也不足以确认结构性因果效应。
原文摘要
Mixed-frequency Vector AutoRegressions (MF-VAR) model the dynamics between variables recorded at different frequencies. However, as the number of series and high-frequency observations per low-frequency period grow, MF-VARs suffer from the "curse of dimensionality". We curb this curse through a regularizer that permits hierarchical sparsity patterns by prioritizing the inclusion of coefficients according to the recency of the information they contain. Additionally, we investigate the presence of nowcasting relations by sparsely estimating the MF-VAR error covariance matrix. We study predictive Granger causality relations in a MF-VAR for the U.S. economy and construct a coincident indicator of GDP growth. Supplementary Materials for this article are available online.