On LASSO for High Dimensional Predictive Regression
高维预测回归中的 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：摘要明确处理单位根、协整与平稳预测变量，并用于宏观失业率预测，因此对应时间序列和预测方向。
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
高维预测回归中的 LASSO
- 研究问题
- 当预测变量数量超过样本量，且包含单位根与协整变量时，LASSO 的一致性和收敛速度如何变化，尺度标准化有何作用？
- 方法与思路
- 作者为回归变量与误差乘积的偏差界及 Gram 矩阵受限特征值推导概率界，并分析平稳、非平稳和协整变量的混合情形。
- 材料陈述的贡献
- 摘要称，所得收敛速度不同于常见横截面情形，尺度标准化可保留混合预测变量下的渐近保证，并展示失业率预测应用。
- 阅读关注点
- 应核对变量依赖与误差条件、维度增长速度、惩罚参数和标准化规则，以及 FRED-MD 应用的样本外设计与预测基线。
- 阅读边界
- 这是预印本，同行评审及期刊接收均未核实。摘要未列出具体速率、理论条件和预测误差，不能认定其普遍优于其他方法。
原文摘要
This paper examines LASSO, a widely-used $L_{1}$-penalized regression method, in high dimensional linear predictive regressions, particularly when the number of potential predictors exceeds the sample size and numerous unit root regressors are present. The consistency of LASSO is contingent upon two key components: the deviation bound of the cross product of the regressors and the error term, and the restricted eigenvalue of the Gram matrix. We present new probabilistic bounds for these components, suggesting that LASSO's rates of convergence are different from those typically observed in cross-sectional cases. When applied to a mixture of stationary, nonstationary, and cointegrated predictors, LASSO maintains its asymptotic guarantee if predictors are scale-standardized. Leveraging machine learning and macroeconomic domain expertise, LASSO demonstrates strong performance in forecasting the unemployment rate, as evidenced by its application to the FRED-MD database.