Inference for Large Panel Data with Many Covariates
含大量协变量的大规模面板数据推断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：摘要核心是高维面板的变量选择推断，应用明确涉及解释投资策略的资产定价因子。
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
含大量协变量的大规模面板数据推断
- 研究问题
- 在大规模面板和大量候选协变量中，如何选择稀疏解释变量，同时对选择后的检验与横截面上的多重发现控制错误率？
- 方法与思路
- 作者结合选择后推断与新的多重检验调整，提出 Panel-PoSI，将面板调整与可纳入先验信息的广义 LASSO 有效 p 值结合。
- 材料陈述的贡献
- 摘要称方法控制族错误率且具有较高功效，并在解释投资策略横截面的资产定价因子应用中，展示优于基准的样本外表现。
- 阅读关注点
- 应核对条件于变量选择的假设定义、面板依赖结构、族错误率控制范围，以及样本外比较使用的评价指标和基准设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出维度增长条件、具体先验机制或实证优势的数值与范围。
原文摘要
This paper proposes a novel testing procedure for selecting a sparse set of covariates that explains a large dimensional panel. Our selection method provides correct false detection control while having higher power than existing approaches. We develop the inferential theory for large panels with many covariates by combining post-selection inference with a novel multiple testing adjustment. Our data-driven hypotheses are conditional on the sparse covariate selection. We control for family-wise error rates for covariate discovery for large cross-sections. As an easy-to-use and practically relevant procedure, we propose Panel-PoSI, which combines the data-driven adjustment for panel multiple testing with valid post-selection p-values of a generalized LASSO, that allows us to incorporate priors. In an empirical study, we select a small number of asset pricing factors that explain a large cross-section of investment strategies. Our method dominates the benchmarks out-of-sample due to its better size and power.