Random Subspace Local Projections
随机子空间局部投影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：摘要明确研究局部投影和宏观冲击响应函数的估计。
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…
随机子空间局部投影
- 研究问题
- 局部投影包含大量控制变量时，能否通过随机抽取控制变量子集并平均回归结果，改善冲击响应估计和高维信息的利用？
- 方法与思路
- 作者将机器学习中的随机子空间方法用于局部投影，对不同控制变量子集的回归进行平均，并通过宏观模拟及两项应用比较。
- 材料陈述的贡献
- 摘要称，方法在多种宏观设定与识别方案下能恢复冲击响应；当大数据具有类似 FRED-MD 的因子结构时，准确性优于比较的降维方法。
- 阅读关注点
- 应核对子集大小、抽样方式与回归平均规则，各识别方案如何进入局部投影，以及响应估计差异是否伴随有效的不确定性评估。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收。摘要未给出理论条件或误差数值，应用中响应不同本身不能证明估计更准确。
原文摘要
We show how random subspace methods can be adapted to estimating local projections with many controls. Random subspace methods have their roots in the machine learning literature and are implemented by averaging over regressions estimated over different combinations of subsets of these controls. We document three key results: (i) Our approach can successfully recover the impulse response functions across Monte Carlo experiments representative of different macroeconomic settings and identification schemes. (ii) Our results suggest that random subspace methods are more accurate than other dimension reduction methods if the underlying large dataset has a factor structure similar to typical macroeconomic datasets such as FRED-MD. (iii) Our approach leads to differences in the estimated impulse response functions relative to benchmark methods when applied to two widely studied empirical applications.