Bayesian Bi-level Sparse Group Regressions for Macroeconomic Density Forecasting
用于宏观经济密度预测的贝叶斯双层稀疏分组回归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：摘要直接研究高维时间序列中的宏观密度预测，并包含美国国内生产总值增长即时预测，因此对应这两个方向。
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
用于宏观经济密度预测的贝叶斯双层稀疏分组回归
- 研究问题
- 当高维宏观预测变量具有已知分组结构，并可能包含非线性或混频信息时，如何构造有效的概率密度预测？
- 方法与思路
- 作者设置同时诱导组间和组内稀疏性的贝叶斯先验，构造密度预测，并分析允许组间相关的后验与预测分布。
- 材料陈述的贡献
- 摘要称，后验和预测分布一致，后验达到极小极大最优收缩率，并以模拟和美国国内生产总值增长即时预测展示表现。
- 阅读关注点
- 应核对分组结构与先验、收缩率适用的模型类、支持集结论及相关性条件，并查看密度预测评分和即时预测信息集。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出理论条件与比较数值，最优收缩率不能直接保证预测全面占优。
原文摘要
We propose a Machine Learning approach for optimal macroeconomic density forecasting in a high-dimensional setting where the underlying model exhibits a known group structure. Our approach is general enough to encompass specific forecasting models featuring either many covariates, or unknown nonlinearities, or series sampled at different frequencies. By relying on the novel concept of bi-level sparsity in time-series econometrics, we construct density forecasts based on a prior that induces sparsity both at the group level and within groups. We demonstrate the consistency of both posterior and predictive distributions. We show that the posterior distribution contracts at the minimax-optimal rate and, asymptotically, puts mass on a set that includes the support of the model. Our theory allows for correlation between groups, while predictors in the same group can be characterized by strong covariation as well as common characteristics and patterns. Finite sample performance is illustrated through comprehensive Monte Carlo experiments and a real-data nowcasting exercise of the US GDP growth rate.