Economic Predictions With Big Data: The Illusion of Sparsity
大数据经济预测：稀疏性的幻象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：摘要明确比较宏观经济预测模型的稀疏与稠密表示；金融部分未明确涉及收益预测或因子模型。
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…
大数据经济预测：稀疏性的幻象
- 研究问题
- 面对大量候选预测变量，经济预测模型是否应被视为稀疏？作者比较宏观、微观与金融预测中稀疏和稠密表示的适用性。
- 方法与思路
- 作者设置同时容许变量选择与收缩的先验，通过后验分布考察模型不确定性，以及包含较少或较多预测变量的模型获得的支持。
- 材料陈述的贡献
- 摘要称，后验通常不会集中于单个稀疏模型，而是分布在一组广泛的模型上，其中许多模型包含较多预测变量。
- 阅读关注点
- 应核对先验如何同时实现变量选择与收缩、稀疏性的操作定义、应用中的预测对象，以及样本外表现和模型不确定性的处理。
- 阅读边界
- 摘要未说明具体数据、比较指标或样本外预测结果；后验不集中于稀疏模型，不能据此认定稠密模型在所有场景下预测更好。
原文摘要
We compare sparse and dense representations of predictive models in macroeconomics, microeconomics, and finance. To deal with a large number of possible predictors, we specify a prior that allows for both variable selection and shrinkage. The posterior distribution does not typically concentrate on a single sparse model, but on a wide set of models that often include many predictors.