Text-term selection and analysis: Frequentist and Bayesian strategies and interpretations
文本词项选择与分析：频率学派和贝叶斯策略及解释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。
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：摘要聚焦超高维文本选择，FOMC 应用未明确涉及所列宏观预测、冲击识别等具体方向。
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…
文本词项选择与分析：频率学派和贝叶斯策略及解释
- 研究问题
- 面对文本数据的超高维词项集合，如何进行可靠的变量选择和估计，并识别与货币政策不确定性波动相关的词项？
- 方法与思路
- 作者提出信息自适应 Lasso 与信息自适应 Spike-and-Slab Lasso，分别采用频率学派和贝叶斯策略处理词项选择。
- 材料陈述的贡献
- 摘要称，建立了词项选择一致性的收敛速度结果，并宣称快于既有 Lasso 文献；应用于 FOMC 声明中的重要词项分析。
- 阅读关注点
- 核对信息自适应权重的构造、维度与信号强度条件、比较收敛速度的标准，以及文本预处理和政策不确定性的度量方式。
- 阅读边界
- 仅据所给 OpenAlex 摘要，不能核验速度优势的适用条件；重要词项的统计关联也不足以确认因果驱动，不推断刊本变化。
原文摘要
Economic analysis based on text data has expanded rapidly, yet the ultra-high dimensionality of text data presents substantial challenges for term selection and estimation. We propose the Information-Adaptive Lasso and Information-Adaptive Spike-and-Slab Lasso as novel frequentist and Bayesian approaches to address these challenges. A key theoretical contribution of this study is the establishment of the rate of convergence in term-selection consistency, which we show to be faster than those achieved in the existing Lasso literature. Applying our methods to Federal Open Market Committee (FOMC) statements, we identify and estimate high-impact terms driving fluctuations in monetary policy uncertainty.