Machine learning panel data regressions with heavy-tailed dependent data: Theory and application
厚尾依赖数据的机器学习面板回归：理论与应用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：摘要明确研究混合与固定效应面板回归，在厚尾依赖和混频结构下建立正则化估计理论。
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…
厚尾依赖数据的机器学习面板回归：理论与应用
- 研究问题
- 当面板数据具有厚尾、时间依赖且可能混频采样时，如何利用结构化正则化估计回归模型，并给出反映这些数据特征的误差保证？
- 方法与思路
- 作者聚焦稀疏组 LASSO，利用混频时间序列面板结构，并为厚尾 τ-mixing 面板过程建立新的 Fuk–Nagaev 集中不等式。
- 材料陈述的贡献
- 摘要称，论文为混合与固定效应稀疏组 LASSO 面板估计量建立 oracle 不等式，将厚尾及依赖纳入理论分析；未报告具体应用结果。
- 阅读关注点
- 应核对矩存在、τ-mixing 衰减和设计矩阵条件，组结构与混频信息如何编码，以及惩罚参数选择和 oracle 界的实际含义。
- 阅读边界
- 仅依据所给 RePEc 出版社摘要；摘要未说明尾部阶数、维度增长率或应用数据，理论误差界不能直接证明样本外预测普遍改善。
原文摘要
The paper introduces structured machine learning regressions for heavy-tailed dependent panel data potentially sampled at different frequencies. We focus on the sparse-group LASSO regularization. This type of regularization can take advantage of the mixed frequency time series panel data structures and improve the quality of the estimates. We obtain oracle inequalities for the pooled and fixed effects sparse-group LASSO panel data estimators recognizing that financial and economic data can have fat tails. To that end, we leverage on a new Fuk–Nagaev concentration inequality for panel data consisting of heavy-tailed τ-mixing processes.