Variable selection in high dimensional linear regressions with parameter instability
参数不稳定下高维线性回归的变量选择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：摘要直接围绕参数不稳定开展变量选择理论，并讨论历史观测降权及不同方法的预测误差比较。
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…
参数不稳定下高维线性回归的变量选择
- 研究问题
- 当回归参数不稳定时，如何区分信号、伪信号与噪声变量，并决定变量选择和预测阶段是否应对历史观测降权？
- 方法与思路
- 作者分析逐个协变量多重检验方法 OCMT 在参数不稳定下的渐近性质，并研究选择后回归及选择、预测阶段的权重安排。
- 材料陈述的贡献
- 摘要称 OCMT 渐近纳入全部信号并排除噪声，选择后样本内拟合具预言机性质；示例支持选择时不降权、预测时降权。
- 阅读关注点
- 应核对参数不稳定的形式、伪信号是否可能保留，以及预言机性质的确切含义和与 lasso 等方法比较时的调参公平性。
- 阅读边界
- 仅据所给 OpenAlex 摘要；参数变化限制、伪信号保留情况及误差数值未说明，不能将示例中的预测优势解释为普遍支配。
原文摘要
This paper considers the problem of variable selection allowing for parameter instability. It distinguishes between signal and pseudo-signal variables that are correlated with the target variable, and noise variables that are not, and investigate the asymptotic properties of the One Covariate at a Time Multiple Testing (OCMT) method proposed by Chudik et al. (2018) under parameter insatiability. It is established that OCMT continues to asymptotically select an approximating model that includes all the signals and none of the noise variables. Properties of post selection regressions are also investigated, and in-sample fit of the selected regression is shown to have the oracle property. The theoretical results support the use of unweighted observations at the selection stage of OCMT, whilst applying down-weighting of observations only at the forecasting stage. Monte Carlo and empirical applications show that OCMT without down-weighting at the selection stage yields smaller mean squared forecast errors compared to Lasso, Adaptive Lasso, and boosting.