RISK MINIMIZATION FOR TIME SERIES BINARY CHOICE WITH VARIABLE SELECTION
带变量选择的时间序列二元选择风险最小化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。
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：摘要直接研究二元选择预测、变量选择及具有强混合依赖的时间序列数据。
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
带变量选择的时间序列二元选择风险最小化
- 研究问题
- 在具有时间依赖的数据中，如何从大量候选解释变量及滞后因变量中选择变量，以降低二元选择的预测分类错误？
- 方法与思路
- 作者以分类错误为风险，研究频率学派经验风险最小化及直接基于经验风险构造 Gibbs 后验的贝叶斯方法。
- 材料陈述的贡献
- 摘要称在强混合依赖数据下给出收敛速率，方法无需正确指定概率模型，并相对于选变量的线性分类规则达到近最优表现。
- 阅读关注点
- 应核对强混合条件、候选变量数量的增长限制、Gibbs 后验设定，以及近最优结论采用的比较类别和风险定义。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确认具体速率和实施参数；近最优性针对指定分类规则类别，不代表所有预测方法。
原文摘要
This paper considers the problem of predicting binary choices by selecting from a possibly large set of candidate explanatory variables, which can include both exogenous variables and lagged dependent variables. We consider risk minimization with the risk function being the predictive classification error. We study the convergence rates of empirical risk minimization in both the frequentist and Bayesian approaches. The Bayesian treatment uses a Gibbs posterior constructed directly from the empirical risk instead of using the usual likelihood-based posterior. Therefore these approaches do not require a correctly specified probability model. We show that the proposed methods have near optimal performance relative to a class of linear classification rules with selected variables. Such results in classification are obtained in a framework of dependent data with strong mixing.