Cointegrated Regressors: Where Folded Concave Penalties Go Beyond LASSO
协整回归变量：折叠凹惩罚何时超越 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。
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：摘要以协整回归变量、渐近 oracle 性质为核心，并应用于欧元区失业率预测，直接对应时间序列与预测/即时预测两个方向。
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…
协整回归变量：折叠凹惩罚何时超越 LASSO
- 研究问题
- 在高维预测回归中，当回归变量之间存在协整关系时，LASSO 的凸惩罚会过度压缩协整变量系数、无法给出一致参数估计，摘要据此提出应如何改进正则化方法。
- 方法与思路
- 作者采用折叠凹惩罚（FCP），包括 SCAD 与 MCP，替代 LASSO 的凸惩罚，并建立两个渐近结果：惩罚回归的局部 oracle 性质，以及带惩罚水平约束的回归的全局 oracle 性质。
- 材料陈述的贡献
- 摘要称，带惩罚水平约束的全局 oracle 性质保证全局解一致估计真实系数并具有 oracle 预测表现；模拟研究与欧元区失业率预测应用显示，FCP 相对 LASSO 改善了变量选择与样本外预测。
- 阅读关注点
- 应核对协整设定与识别假设的具体表述、两个 oracle 结果的成立条件与惩罚水平约束如何选取，以及模拟设计和欧元区失业率数据、评价指标能否支持摘要所述改进。
- 阅读边界
- 仅依据摘要，无法判断定理假设是否合理、证明是否完整、模拟与实证细节及结果稳健性；摘要未说明惩罚参数选择、样本规模与对比方法的具体设置。
原文摘要
LASSO is one of the most popular regularization methods for high-dimensional regression models. While cointegration is common in practical applications of predictive regressions with many regressors, the convex penalty of LASSO overly suppresses the coefficients of cointegrated regressors and therefore fails to deliver consistent parameter estimation. We employ folded concave penalties (FCP), including the well-known SCAD and MCP, to address this issue. Using FCP, we establish two asymptotic results: (i) a local oracle property for the penalized regression, and (ii) a global oracle property for regressions with a penalty-level constraint. In particular, the latter guarantees a global solution that consistently estimates the true coefficients and enjoys oracle prediction performance. Simulation studies and an application to predicting the euro area unemployment rate show that FCP improves variable selection and out-of-sample prediction relative to LASSO.