LASSO inference for high dimensional predictive regressions
高维预测回归中的 LASSO 推断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：摘要明确研究含局部单位根变量的预测回归，并分别应用于美国股票收益和通胀预测，支持这三个方向。
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…
高维预测回归中的 LASSO 推断
- 研究问题
- 高维预测回归同时存在 LASSO 收缩偏差和局部单位根解释变量引致的 Stambaugh 偏差时，如何恢复有效的假设检验？
- 方法与思路
- 作者提出 IVX 去稀疏化 LASSO，将两类偏差校正结合起来，无需事先区分平稳与非平稳解释变量，并建立渐近推断理论。
- 材料陈述的贡献
- 摘要称，XDlasso 同时消除两类偏差，理论得到模拟支持；应用考察盈利价格比对美国股收益及失业对通胀的预测关系。
- 阅读关注点
- 应核对 IVX 构造、稀疏性与解释变量持久性条件、调节参数选择，以及股票收益和通胀应用中的检验对象与预测含义。
- 阅读边界
- 仅据所给 OpenAlex 摘要，未核对全文或其他版本；理论条件和应用检验结果未说明，不能据此断言存在显著预测能力。
原文摘要
LASSO inflicts shrinkage bias on estimated coefficients, which undermines asymptotic normality and invalidates standard inferential procedures based on the t -statistic. Given cross sectional data, the desparsified LASSO has emerged as a well-known remedy for correcting the shrinkage bias. In the context of high dimensional predictive regression, the desparsified LASSO faces an additional challenge: the Stambaugh bias arising from nonstationary regressors modeled as local unit roots. To restore standard inference, we propose a novel estimator called IVX-desparsified LASSO (XDlasso). XDlasso simultaneously eliminates both shrinkage bias and Stambaugh bias and does not require prior knowledge about the identities of nonstationary and stationary regressors. We establish the asymptotic properties of XDlasso for hypothesis testing, and our theoretical findings are supported by Monte Carlo simulations. Applying our method to real-world applications from the FRED-MD database, we investigate two important empirical questions: (i) the predictability of the U.S. stock returns based on the earnings-price ratio, and (ii) the predictability of the U.S. inflation using the unemployment.