論文の概要: High-dimensional mixed-frequency IV regression

• arxiv url: http://arxiv.org/abs/2003.13478v1
• Date: Mon, 30 Mar 2020 13:41:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 08:39:58.179677
• Title: High-dimensional mixed-frequency IV regression
• Title（参考訳）: 高次元混合周波数IV回帰
• Authors: Andrii Babii
• Abstract要約: 本稿では,混合周波数でサンプリングしたデータに対する高次元線形IV回帰法を提案する。 オーストラリアの電気スポット市場における供給のリアルタイム価格弾力性を推定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper 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 derive the convergence rate of its mean-integrated squared error 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 estimate the real-time price elasticity of supply on the Australian electricity spot market. Our estimates suggest that the supply is relatively inelastic and that its elasticity is heterogeneous throughout the day.
• Abstract（参考訳）: 本稿では,混合周波数でサンプリングしたデータに対する高次元線形IV回帰法を提案する。 本研究では,低周波インストゥルメンタル変数を用いて,高周波共変量の高次元傾斜パラメータを同定し,高精度に推定できることを示す。 このモデルの特長は、およその空間制限を課さずに高次元データセットを手渡すことができることである。 本稿では,Tikhonov-regularized estimatorを提案し,時系列データに対する平均積分二乗誤差の収束率を導出する。 estimatorは計算が容易でモンテカルロ実験で優れた性能を示すクローズドフォーム式を持っています。 オーストラリアの電気スポット市場における供給のリアルタイム価格弾力性を推定する。 我々の推定では、供給は比較的非弾性であり、その弾力性は一日中不均一である。

関連論文リスト

• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 さらに、テストポイントがトレーニングセットと非自明な相関を持ち、時系列予測で頻繁に発生するような場合まで分析を拡張します。 我々は多種多様な高次元データにまたがって理論を検証する。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• Geometry-Aware Instrumental Variable Regression [56.16884466478886]
  本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。 本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
  論文  参考訳（メタデータ） (2024-05-19T17:49:33Z)
• High-dimensional robust regression under heavy-tailed data: Asymptotics and Universality [7.416689632227865]
  重み付き雑音の存在下での頑健な回帰推定器の高次元特性について検討する。 整合性にもかかわらず、最適に調整された位置パラメータ$delta$は高次元状態において最適であることを示す。 隆起回帰の余剰リスクに対する崩壊率を導出する。
  論文  参考訳（メタデータ） (2023-09-28T14:39:50Z)
• On the Convergence Rate of Gaussianization with Random Rotations [0.8081564951955755]
  本稿では,必要な層数がガウス入力の次元と線形にスケールできることを解析的に示す。 任意の入力$p(x)$に対して、同じ線形的なコスト増加が見つかるが、いくつかの分布に対して好意的なスケーリングが観察される。
  論文  参考訳（メタデータ） (2023-06-23T14:35:39Z)
• Statistical Efficiency of Score Matching: The View from Isoperimetry [96.65637602827942]
  本研究では, スコアマッチングの統計的効率と推定される分布の等尺性との間に, 密接な関係を示す。 これらの結果はサンプル状態と有限状態の両方で定式化する。
  論文  参考訳（メタデータ） (2022-10-03T06:09:01Z)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• Time varying regression with hidden linear dynamics [74.9914602730208]
  線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。 反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
  論文  参考訳（メタデータ） (2021-12-29T23:37:06Z)
• Near-optimal inference in adaptive linear regression [60.08422051718195]
  最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。 我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。 我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-07-05T21:05:11Z)
• Support estimation in high-dimensional heteroscedastic mean regression [2.28438857884398]
  ランダムな設計と、潜在的にヘテロセダスティックで重み付きエラーを伴う線形平均回帰モデルを考える。 我々は,問題のパラメータに依存するチューニングパラメータを備えた,厳密な凸・滑らかなHuber損失関数の変種を用いる。 得られた推定器に対して、$ell_infty$ノルムにおける符号一貫性と最適収束率を示す。
  論文  参考訳（メタデータ） (2020-11-03T09:46:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。