Bayesian MIDAS penalized regressions: Estimation, selection, and prediction
贝叶斯MIDAS惩罚回归：估计、选择与预测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：摘要直接研究混频回归的预测性质，并以美国GDP预测作为主要经验应用。
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
贝叶斯MIDAS惩罚回归：估计、选择与预测
- 研究问题
- 在高维混频回归中，如何同时实现变量组的稀疏选择与可靠预测，并处理设计矩阵相关性及惩罚参数的自动调节？
- 方法与思路
- 作者结合Group Lasso惩罚与贝叶斯估计，采用尖峰—厚尾先验，并通过自适应MCMC调节控制收缩的惩罚超参数。
- 材料陈述的贡献
- 摘要称其建立后验预测误差性质、最优收缩率及预测密度最优性；模拟支持选择与预测表现，美国GDP应用可胜过多个强基准。
- 阅读关注点
- 应核对混频变量分组、先验与超参数更新、最优性条件，并检查GDP预测的样本划分、信息可得时点和基准比较。
- 阅读边界
- 仅据所给出版社摘要，无法判断最优性适用范围或预测优势大小；金融变量的短期预测信息被称为有限，未提供具体结果。
原文摘要
We propose a new approach to mixed-frequency regressions in a high-dimensional environment that resorts to Group Lasso penalization and Bayesian estimation and inference. In particular, to improve the prediction properties of the model and its sparse recovery ability, we consider a Group Lasso with a spike-and-slab prior. Penalty hyper-parameters governing the model shrinkage are automatically tuned via an adaptive MCMC algorithm. We establish good frequentist asymptotic properties of the posterior prediction error, we recover the optimal posterior contraction rate, and we show optimality of the posterior predictive density. Simulations show that the proposed models have good selection and forecasting performance in small samples, even when the design matrix presents cross-correlation. When applied to forecasting U.S. GDP, our penalized regressions can outperform many strong competitors. Results suggest that financial variables may have some, although very limited, short-term predictive content.