High-Dimensional Mixed-Frequency IV Regression
高维混频工具变量回归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。
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：摘要明确讨论混频数据的工具变量回归及时间序列大样本性质，因此有直接文本依据归入时间序列方向。
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
高维混频工具变量回归
- 研究问题
- 在不施加近似稀疏性限制的混频数据中，如何利用低频工具变量识别和估计高频协变量的高维系数，并形成统计推断？
- 方法与思路
- 作者提出具有闭式表达的 Tikhonov 正则化工具变量估计量，研究时间序列大样本性质，构造置信带，并用双重去偏机器学习纳入外生协变量。
- 材料陈述的贡献
- 摘要称方法无需近似稀疏性，给出高维系数估计与置信带；澳大利亚电力现货市场应用提示，供给在全天相对缺乏弹性。
- 阅读关注点
- 核对低频工具变量识别高维系数所需的条件、正则化参数选取、时间依赖假设，以及置信带与双重去偏步骤的有效性。
- 阅读边界
- 无需近似稀疏性仍可能依赖其他结构条件；摘要未列出识别和收敛的完整要求，电力市场的弹性结论也仅限于所述应用。
原文摘要
This article introduces a high-dimensional linear IV regression for the data sampled at mixed frequencies. We show that the high-dimensional slope parameter of a high-frequency covariate can be identified and accurately estimated leveraging on a low-frequency instrumental variable. The distinguishing feature of the model is that it allows handing high-dimensional datasets without imposing the approximate sparsity restrictions. We propose a Tikhonov-regularized estimator and study its large sample properties for time series data. The estimator has a closed-form expression that is easy to compute and demonstrates excellent performance in our Monte Carlo experiments. We also provide the confidence bands and incorporate the exogenous covariates via the double/debiased machine learning approach. In our empirical illustration, we estimate the real-time price elasticity of supply on the Australian electricity spot market. Our estimates suggest that the supply is relatively inelastic throughout the day.