Predictive Quantile Regression with High-Dimensional Predictors: The Variable Screening Approach
高维预测变量下的预测分位数回归：变量筛选方法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：摘要直接讨论 β 混合时间序列的高维分位数预测，并应用于经济增长风险，支持宏观预测与时间序列分类。
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
高维预测变量下的预测分位数回归：变量筛选方法
- 研究问题
- 在预测变量高维且具有时间依赖时，如何筛选有助于条件分位数预测的变量，并将方法用于经济增长风险预测？
- 方法与思路
- 作者将基于分位数偏相关的变量筛选扩展至 β 混合时间序列，推导新的收敛界，并使用模拟和 FRED-QD 数据评估。
- 材料陈述的贡献
- 摘要称，筛选性能受到时间依赖程度影响，弱依赖模拟支持方法有效性；增长风险应用指出部分劳动市场变量具有预测作用。
- 阅读关注点
- 应核对混合强度、维度增长与筛选阈值要求，以及分位数预测评价指标、预测期、样本外设计和劳动市场变量选择稳定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实。摘要未提供具体收敛条件和预测改善数值，不能据此认定强依赖下仍有效。
原文摘要
This paper advances a variable screening approach to enhance conditional quantile forecasts using high-dimensional predictors. We have refined and augmented the quantile partial correlation (QPC)-based variable screening proposed by Ma et al. (2017) to accommodate $β$-mixing time-series data. Our approach is inclusive of i.i.d scenarios but introduces new convergence bounds for time-series contexts, suggesting the performance of QPC-based screening is influenced by the degree of time-series dependence. Through Monte Carlo simulations, we validate the effectiveness of QPC under weak dependence. Our empirical assessment of variable selection for growth-at-risk (GaR) forecasting underscores the method's advantages, revealing that specific labor market determinants play a pivotal role in forecasting GaR. While prior empirical research has predominantly considered a limited set of predictors, we employ the comprehensive Fred-QD dataset, retaining a richer breadth of information for GaR forecasts.