On LASSO for high dimensional predictive regression
高维预测回归中的 LASSOAI 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：摘要研究单位根及协整预测变量，并以 FRED-MD 数据预测失业率。
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
高维预测回归中的 LASSO
- 研究问题
- 在预测变量多于样本量且包含大量单位根变量时，LASSO 的一致性和收敛速度如何受非平稳性影响？
- 方法与思路
- 作者为解释变量与误差乘积的偏差界及 Gram 矩阵的限制特征值建立概率界，并研究混合持续性变量的标准化。
- 材料陈述的贡献
- 摘要称，高维预测回归的收敛速度有别于截面情形；尺度标准化后仍有渐近保证，并展示失业率预测应用。
- 阅读关注点
- 应核对平稳、单位根及协整变量的联合条件、标准化和惩罚参数选择，以及 FRED-MD 应用的样本外评估设计。
- 阅读边界
- 仅据 RePEc 出版社摘要；具体概率界、收敛速度与预测比较数值未说明，不能据此认定普遍优于其他预测方法。
原文摘要
This paper examines LASSO, a widely-used L1-penalized regression method, in high dimensional linear predictive regressions, particularly when the number of potential predictors exceeds the sample size and numerous unit root regressors are present. The consistency of LASSO is contingent upon two key components: the deviation bound of the cross product of the regressors and the error term, and the restricted eigenvalue of the Gram matrix. We present new probabilistic bounds for these components, suggesting that LASSO’s rates of convergence are different from those typically observed in cross-sectional cases. When applied to a mixture of stationary, nonstationary, and cointegrated predictors, LASSO maintains its asymptotic guarantee if predictors are scale-standardized. Leveraging machine learning and macroeconomic domain expertise, LASSO demonstrates strong performance in forecasting the unemployment rate, as evidenced by its application to the FRED-MD database.