Factor-Augmented Machine Learning Panel Regressions
因子增强的机器学习面板回归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：摘要明确研究高维面板回归，并以潜在因子处理共同冲击引起的横截面依赖，直接对应面板与因子模型。
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…
因子增强的机器学习面板回归
- 研究问题
- 在共同冲击导致误差横截面相关的高维面板中，如何结合潜在因子与混频分组结构进行回归，并建立估计和预测的渐近理论？
- 方法与思路
- 作者提出因子增强的稀疏分组 LASSO，将 MIDAS 混频聚合与潜在因子结合，利用时间维度上的混频组结构并容许横截面依赖。
- 材料陈述的贡献
- 摘要称论文建立了该类高维面板回归的渐近理论，并指出在所研究框架下，估计量在预测和估计方面可以优于标准 LASSO。
- 阅读关注点
- 应核对共同因子的估计方式、稀疏性及依赖条件、混频分组与惩罚参数设定，以及相对标准 LASSO 的理论比较基准和成立条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明具体收敛率、优势条件或实证结果，不能据此认定普遍优于标准 LASSO。
原文摘要
This paper develops the asymptotic theory for high-dimensional panel data regressions in settings with cross-sectionally dependent errors driven by common shocks. We consider a factor-augmented sparse-group LASSO estimator that combines MIDAS aggregation with latent factors. The estimator can take advantage of the mixed-frequency group structure in the time-series dimension. Theory shows that it can outperform the standard LASSO estimator both for prediction and estimation while allowing for cross-sectional dependence.