Fused LASSO as Non-Crossing Quantile Regression
融合 LASSO 与非交叉分位数回归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：摘要直接讨论增长风险的左尾预测，并将方法用于分位数局部投影，因此对应宏观预测及 VAR 与局部投影。
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…
融合 LASSO 与非交叉分位数回归
- 研究问题
- 增长风险预测中的分位数交叉如何在估计阶段解决，而不仅修正拟合后的分位数？跨分位数收缩能否改善左尾预测和驱动变量的识别？
- 方法与思路
- 作者主张估计时施加非交叉约束，并将其与采用分位数特定收缩参数的融合 LASSO 联系起来，再用于增长风险、预期短缺和分位数局部投影。
- 材料陈述的贡献
- 摘要称，非交叉约束与特定融合 LASSO 形式等价；增长风险应用中的左尾预测与分位数差异驱动变量识别有所改善，并影响相关政策分析工具。
- 阅读关注点
- 应核对等价关系成立的条件、约束覆盖的协变量范围及收缩参数选择，并检查左尾预测评价方式和分位数局部投影中系数的解释。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未提供等价关系的具体条件、数据和改善幅度，不能据此认定所有场景均能避免交叉或提高预测。
原文摘要
Growth-at-Risk is vital for empirical macroeconomics but is often suspect to quantile crossing due to data limitations. While existing literature addresses this through post-processing of the fitted quantiles, these methods do not correct the estimated coefficients. We advocate for imposing non-crossing constraints during estimation and demonstrate their equivalence to fused LASSO with quantile-specific shrinkage parameters. By re-examining Growth-at-Risk through an interquantile shrinkage lens, we achieve improved left-tail forecasts and better identification of variables that drive quantile variation. We show that these improvements have ramifications for policy tools such as Expected Shortfall and Quantile Local Projections.