跳到正文
← 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:摘要讨论后双重选择的控制变量处理及工具变量扩展,对应因果推断中的高维方法。

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

Lasso 后双重选择的实证模型:航空运输研究讨论

研究问题
在航空运输研究面临高维且相关的控制变量时,如何理解并实施 Lasso 后双重选择、后正则化及其工具变量扩展?
方法与思路
作者讨论高维问题与稀疏性原则,介绍后双重选择和工具变量模型,并说明 lassopack 的语法及与固定效应估计结合的例子。
材料陈述的贡献
摘要所述贡献主要是方法与实施流程的介绍,并讨论其在航空公司运营效率和飞机燃油消耗研究中的潜在应用。
阅读关注点
应核对各类模型的目标参数、稀疏性与工具变量条件、选择后的推断步骤,以及固定效应处理和航空应用的实际设定。
阅读边界
这是 arXiv 预印本,同行评审与期刊接收均未核实;摘要未说明新的理论结果或航空应用的估计结果,不能据此判断有效性。

原文摘要

This paper presents and discusses forms of estimation by regularized regression and model selection using the LASSO method - Least Absolute Shrinkage and Selection Operator. LASSO is recognized as one of the main supervised learning methods applied to high-dimensional econometrics, allowing work with large volumes of data and multiple correlated controls. Conceptual issues related to the consequences of high dimensionality in modern econometrics and the principle of sparsity, which underpins regularization procedures, are addressed. The study examines the main post-double selection and post-regularization models, including variations applied to instrumental variable models. A brief description of the lassopack routine package, its syntaxes, and examples of HD, HDS (High-Dimension Sparse), and IV-HDS models, with combinations involving fixed effects estimators, is also presented. Finally, the potential application of the approach in research focused on air transport is discussed, with emphasis on an empirical study on the operational efficiency of airlines and aircraft fuel consumption.

笔记与分组