Bayesian factor-adjusted sparse regression
贝叶斯因子调整稀疏回归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：摘要以共同因子处理金融解释变量的强相关性，并应用于美国债券风险溢价，支持金融因子方向。
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
贝叶斯因子调整稀疏回归
- 研究问题
- 当经济金融数据的解释变量存在强相关性时，能否通过分离共同因子与特异成分，改善稀疏回归的估计和变量选择？
- 方法与思路
- 作者以因子结构表示解释变量的强相关性，提出因子调整稀疏回归及半贝叶斯估计，并用非渐近分析研究后验收缩和选择一致性。
- 材料陈述的贡献
- 摘要称，方法具有后验收缩率和模型选择一致性；实验中优于相应 Lasso，对因子数量高估不敏感，并获美国债券风险溢价应用支持。
- 阅读关注点
- 应核对共同因子与特异成分的识别、半贝叶斯步骤、稀疏性和信号条件，以及因子数量误设与 Lasso 比较的实验设计。
- 阅读边界
- 摘要未提供收缩率公式、选择一致性的具体条件或实证改进幅度；实验中的稳健性不能直接推广至任意相关结构和因子误设。
原文摘要
Many sparse regression methods rely on an assumption that the covariates are weakly correlated, which hardly holds in many economic and financial datasets. To relax this assumption, we model the strongly correlated covariates by a factor structure: strong correlations among covariates are modeled by common factors, while the remaining variations of covariates are modeled as idiosyncratic components. We then propose a factor-adjusted sparse regression model and develop a semi-Bayesian estimation method for it. Posterior contraction rate and model selection consistency are established by a non-asymptotic analysis. Experimental studies show that the proposed method outperforms its Lasso analogue, manifests insensitivity to overestimates of the number of common factors, pays a negligible price when covariates are uncorrelated, scales up well with increasing sample size, dimensionality and sparsity, and converges fast to the posterior distribution. An application to the U.S. bond risk premia lends further support to the proposed model and method.