Latent Variable Modelling by Supervised Diffusion
通过监督扩散进行潜变量建模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：摘要明确扩展带外生输入的自回归模型，并进行股票市场与经济活动关系的样本外预测评价。
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
通过监督扩散进行潜变量建模
- 研究问题
- 如何估计含潜在输入变量的推断模型，并用扩展的自回归模型重新考察美国股票市场表现与实体经济活动的关系？
- 方法与思路
- 作者提出监督扩散估计框架及潜变量 ARX 模型，允许部分或全部输入为潜变量，并引入矩阵算子求解一类约束优化问题。
- 材料陈述的贡献
- 摘要报告 LARX 的样本外决定系数最高为 79.7%，基准 OLS 为 50.3%，并称模型揭示了行业轮动等关系驱动因素。
- 阅读关注点
- 核对潜变量的识别与监督扩散实现，明确预测目标、样本外划分和基准信息集，并检查行业轮动预测信息的可获得时间。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；所列数值仅为摘要报告，预测目标和评价协议未说明，不能据此判断普遍优势。
原文摘要
This paper proposes a new methodological framework for estimating inferential models with latent variables. It also introduces a new latent variable regression model called LARX: an extension of the ubiquitous autoregressive model with exogenous inputs (ARX) in which any or all input variables can be latent. In deriving the LARX model, a minor contribution is also made to the field of matrix calculus: A new matrix operator is defined and applied to solve a class of Lagrangian optimisation problems with interactions between multiple coefficient vectors subject to case-by-case constraints. In the empirical section, the LARX model is used to re-examine the relationship between stock market performance and real economic activity in the United States. The LARX model attains an out-of-sample R-squared of up to 79.7% compared to 50.3% for the baseline OLS approach. It also reveals new information about the underlying drivers of the relationship between stock returns and economic growth, including the predictive power of sector rotations.