Factor-Augmented Sparse MIDAS Regressions with an Application to Nowcasting
因子增强稀疏 MIDAS 回归及其即时预测应用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：摘要明确研究混频高维时间序列、因子增强回归及美国 GDP 即时预测，分别对应时间序列、因子模型和预测方向。
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…
关注这篇论文的作者
因子增强稀疏 MIDAS 回归及其即时预测应用
- 研究问题
- 面对不同观测频率的高维时间序列，如何同时利用稀疏的个别信息和稠密的共同因子，以改善宏观变量的即时预测？
- 方法与思路
- 作者将稀疏回归与因子降维整合进 MIDAS 框架，在近似误设、τ 混合依赖和多项式尾部下推导收敛率，并进行模拟及 GDP 即时预测。
- 材料陈述的贡献
- 摘要称，方法在疫情期间的美国 GDP 增长即时预测中优于稀疏回归及标准因子增强回归，并已在 CRAN 的 midasml R 包中实现。
- 阅读关注点
- 应核对因子与稀疏部分如何共同估计、MIDAS 近似误差的控制，以及预测比较的信息集、实时数据安排和评价窗口。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；摘要未提供误差指标、比较数值或预测显著性，疫情期结果不能保证其他时期优势，也不推断刊本变化。
原文摘要
This article investigates factor-augmented sparse MIDAS (Mixed Data Sampling) regressions for high-dimensional time series data, which may be observed at different frequencies. Our novel approach integrates sparse and dense dimensionality reduction techniques. We derive the convergence rate of our estimator under misspecification due to the MIDAS approximation error, τ-mixing dependence, and polynomial tails. Our method’s finite sample performance is assessed via Monte Carlo simulations. We apply the methodology to nowcasting U.S. GDP growth and demonstrate that it outperforms both sparse regression and standard factor-augmented regression during the COVID-19 pandemic. These findings indicate that the growth through this period was influenced by both idiosyncratic (sparse) and common (dense) shocks. The approach is implemented in the midasml R package, available on CRAN.