GAM(L)A: An econometric model for interpretable Machine Learning
GAM(L)A：用于可解释机器学习的计量模型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：摘要研究通用可解释回归、分类和变量选择，未指明因果、时间序列或金融预测对象，细分证据不足。
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…
GAM(L)A：用于可解释机器学习的计量模型
- 研究问题
- 如何在回归与分类任务中兼顾预测表现和模型可解释性，捕捉线性及非线性关系，并通过变量选择控制过拟合？
- 方法与思路
- 作者提出结合参数与非参数函数的部分线性模型，将其分别与 lasso 或 autometrics 变量选择结合，并采用基于双重残差的两步估计。
- 材料陈述的贡献
- 摘要称，示例中 GAM(L)A 优于加入高次项和交互项的参数模型，与随机森林及梯度提升的表现差异不显著，同时提供可解释结构。
- 阅读关注点
- 应核对非参数函数与变量选择的实现、双重残差步骤、可解释性的具体标准，以及训练测试划分和预测表现差异的检验方式。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及期刊接收未经核实；摘要未提供任务细节与误差数值，差异不显著不等于预测能力已证实相同。
原文摘要
Despite their high predictive performance, random forest and gradient boosting are often considered as black boxes or uninterpretable models which has raised concerns from practitioners and regulators. As an alternative, we propose in this paper to use partial linear models that are inherently interpretable. Specifically, this article introduces GAM-lasso (GAMLA) and GAM-autometrics (GAMA), denoted as GAM(L)A in short. GAM(L)A combines parametric and non-parametric functions to accurately capture linearities and non-linearities prevailing between dependent and explanatory variables, and a variable selection procedure to control for overfitting issues. Estimation relies on a two-step procedure building upon the double residual method. We illustrate the predictive performance and interpretability of GAM(L)A on a regression and a classification problem. The results show that GAM(L)A outperforms parametric models augmented by quadratic, cubic and interaction effects. Moreover, the results also suggest that the performance of GAM(L)A is not significantly different from that of random forest and gradient boosting.