Localized Neural Network Modelling of Time Series: A Case Study on US Monetary Policy
时间序列的局部神经网络建模：美国货币政策案例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：摘要明确结合时间序列依赖、半参数处理效应模型及货币政策应用，因此选择时间序列和因果推断方向。
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…
关注这篇论文的作者
时间序列的局部神经网络建模：美国货币政策案例
- 研究问题
- 如何在具有时间依赖的半参数处理效应模型中使用局部神经网络，并据此评估美国紧缩货币政策对经济变量的影响？
- 方法与思路
- 作者通过识别约束和 group-LASSO 减少有效参数，推导估计理论，并用依赖型 wild bootstrap 构造考虑数据依赖的推断。
- 材料陈述的贡献
- 摘要称提出相应估计与推断框架，以数值研究检验理论，并用美国月度数据重新分析利率、通胀等变量的政策响应。
- 阅读关注点
- 应核对局部网络的构造、政策效应的识别约束、变量选择与推断如何衔接，以及 bootstrap 对时间依赖的要求。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明政策冲击识别细节，也未报告效应方向或大小。
原文摘要
In this paper, we investigate a semiparametric regression model under the context of treatment effects via a localized neural network (LNN) approach. Due to a vast number of parameters involved, we reduce the number of effective parameters by (i) exploring the use of identification restrictions; and (ii) adopting a variable selection method based on the group-LASSO technique. Subsequently, we derive the corresponding estimation theory and propose a dependent wild bootstrap procedure to construct valid inferences accounting for the dependence of data. Finally, we validate our theoretical findings through extensive numerical studies. In an empirical study, we revisit the impacts of a tightening monetary policy action on a variety of economic variables, including short-/long-term interest rate, inflation, unemployment rate, industrial price and equity return via the newly proposed framework using a monthly dataset of the US.