Random Subspace Local Projections
随机子空间局部投影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：摘要核心是在多控制变量条件下用局部投影估计宏观脉冲响应，并比较不同识别方案，直接属于 VAR 与局部投影。
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…
随机子空间局部投影
- 研究问题
- 在控制变量很多的宏观局部投影中，能否通过随机选择控制变量子集并平均回归结果，改善脉冲响应估计？
- 方法与思路
- 作者将随机子空间方法用于局部投影，对不同控制变量子集的回归进行平均，并在多种宏观设定和识别方案下模拟。
- 材料陈述的贡献
- 摘要称，该方法可在所考察模拟中恢复脉冲响应；当数据具有典型宏观因子结构时，相比所比降维方法更准确。
- 阅读关注点
- 应核对子集抽取规则、子集规模和平均方式，以及比较方法的调参、冲击识别及两个实证应用中的响应差异。
- 阅读边界
- 摘要未提供误差指标、推断理论或应用细节；相对优势依赖所述数据结构，实证响应不同本身并不证明估计更准确。
原文摘要
Abstract We show how random subspace methods can be adapted to estimating local projections with many controls. Random subspace methods have their roots in the machine learning literature and are implemented by averaging over regressions estimated over different combinations of subsets of these controls. We document three key results: (i) Our approach can successfully recover the impulse response functions across Monte Carlo experiments representative of different macroeconomic settings and identification schemes. (ii) Our results suggest that random subspace methods are more accurate than other dimension reduction methods if the underlying large dataset has a factor structure similar to typical macroeconomic datasets such as FRED-MD. (iii) Our approach leads to differences in the estimated impulse response functions relative to benchmark methods when applied to two widely studied empirical applications.