Density Prediction of Income Distribution Based on Mixed Frequency Data
基于混频数据的收入分布密度预测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。
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：摘要明确研究混频时间序列回归及收入密度预测，未涉及分布处理效应或金融高频交易计量。
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…
基于混频数据的收入分布密度预测
- 研究问题
- 如何利用频率不同的解释变量预测收入分布密度，同时控制高频变量引入的参数维度与估计方差？
- 方法与思路
- 作者提出概率密度函数的 MIDAS 回归，用指数 Almon 多项式约束系数，并结合二次规划与 BFGS 迭代估计。
- 材料陈述的贡献
- 摘要称模拟中随密度估计样本量和观测长度增加，估计更接近真值；实际数据中引入高频变量改善拟合和预测。
- 阅读关注点
- 应核对密度表示及有效性约束、第一阶段密度估计误差、混频时点对齐，以及样本外评价和比较模型设定。
- 阅读边界
- 这是预印本，同行评审及接收未核实。摘要未给正式收敛条件或预测数值，高频变量也未明确指金融高频交易数据。
原文摘要
Modeling large dependent datasets in modern time series analysis is a crucial research area. One effective approach to handle such datasets is to transform the observations into density functions and apply statistical methods for further analysis. Income distribution forecasting, a common application scenario, benefits from predicting density functions as it accounts for uncertainty around point estimates, leading to more informed policy formulation. However, predictive modeling becomes challenging when dealing with mixed-frequency data. To address this challenge, this paper introduces a mixed data sampling regression model for probability density functions (PDF-MIDAS). To mitigate variance inflation caused by high-frequency prediction variables, we utilize exponential Almon polynomials with fewer parameters to regularize the coefficient structure. Additionally, we propose an iterative estimation method based on quadratic programming and the BFGS algorithm. Simulation analyses demonstrate that as the sample size for estimating density functions and observation length increase, the estimator approaches the true value. Real data analysis reveals that compared to single-sequence prediction models, PDF-MIDAS incorporating high-frequency exogenous variables offers a wider range of application scenarios with superior fitting and prediction performance.