論文の概要: Non-linear dimension reduction in factor-augmented vector autoregressions

• arxiv url: http://arxiv.org/abs/2309.04821v1
• Date: Sat, 9 Sep 2023 15:22:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-12 16:09:36.646808
• Title: Non-linear dimension reduction in factor-augmented vector autoregressions
• Title（参考訳）: 因子拡大ベクトル自己回帰における非線形次元の減少
• Authors: Karin Klieber
• Abstract要約: 本稿では, 因子付加ベクトル自己回帰の非線形次元低減法を導入し, 異なる経済ショックの影響を解析する。 大規模データセットと潜在要因の間の非線形性を制御することは、特にビジネスサイクルの乱時において有用である、と私は主張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper introduces non-linear dimension reduction in factor-augmented vector autoregressions to analyze the effects of different economic shocks. I argue that controlling for non-linearities between a large-dimensional dataset and the latent factors is particularly useful during turbulent times of the business cycle. In simulations, I show that non-linear dimension reduction techniques yield good forecasting performance, especially when data is highly volatile. In an empirical application, I identify a monetary policy as well as an uncertainty shock excluding and including observations of the COVID-19 pandemic. Those two applications suggest that the non-linear FAVAR approaches are capable of dealing with the large outliers caused by the COVID-19 pandemic and yield reliable results in both scenarios.
• Abstract（参考訳）: 本稿では, 因子付加ベクトル自己回帰の非線形次元低減法を導入し, 異なる経済ショックの影響を解析する。 大規模データセットと潜在要因の間の非線形性を制御することは、特にビジネスサイクルの乱時において有用である、と私は主張する。 シミュレーションでは, 非線形次元低減手法が, 特にデータが揮発性が高い場合, 良好な予測性能をもたらすことを示す。 実証的な応用として、新型コロナウイルスのパンデミックの観察を含む不確実性ショックと同様に、金融政策を特定します。 これらの2つの応用は、covid-19のパンデミックによって引き起こされる大きな異常に対処でき、両方のシナリオで信頼できる結果が得られることを示唆している。

関連論文リスト

• LEARN: An Invex Loss for Outlier Oblivious Robust Online Optimization [56.67706781191521]
  敵は、学習者に未知の任意の数kの損失関数を破損させることで、外れ値を導入することができる。 我々は,任意の数kで損失関数を破損させることで,敵が外乱を発生させることができる,頑健なオンラインラウンド最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-12T17:08:31Z)
• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• To Predict or to Reject: Causal Effect Estimation with Uncertainty on Networked Data [36.31936265985164]
  GraphDKLは、グラフによる因果効果推定を行う際に、肯定的仮定違反に対処する最初のフレームワークである。 本研究では,ネットワークデータに対する不確実性を考慮した因果効果推定における提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2023-09-15T05:25:43Z)
• Linear Regression on Manifold Structured Data: the Impact of Extrinsic Geometry on Solutions [4.8234611688915665]
  多様体上に構築されたデータに適用した線形回帰について検討する。 回帰解の特異性に対する多様体の曲率の影響を解析する。
  論文  参考訳（メタデータ） (2023-07-05T17:51:26Z)
• Monotonicity and Double Descent in Uncertainty Estimation with Gaussian Processes [52.92110730286403]
  限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。 我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。 また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
  論文  参考訳（メタデータ） (2022-10-14T08:09:33Z)
• Data Augmentation in the Underparameterized and Overparameterized Regimes [7.326504492614808]
  我々は,データの増大が推定値の分散と限定分布に与える影響を定量化する。 その結果、機械学習の実践において行われたいくつかの観察が確認できたが、予期せぬ発見につながった。
  論文  参考訳（メタデータ） (2022-02-18T11:32:41Z)
• Improving Generalization via Uncertainty Driven Perturbations [107.45752065285821]
  トレーニングデータポイントの不確実性による摂動について考察する。 損失駆動摂動とは異なり、不確実性誘導摂動は決定境界を越えてはならない。 線形モデルにおいて,UDPがロバスト性マージン決定を達成することが保証されていることを示す。
  論文  参考訳（メタデータ） (2022-02-11T16:22:08Z)
• Marginal Effects for Non-Linear Prediction Functions [0.7349727826230864]
  我々は、前縁効果と呼ばれる新しい限界効果のクラスを導入する。 平均辺効果のような単一計量における非線形予測関数の特徴効果の要約に反対する。
  論文  参考訳（メタデータ） (2022-01-21T18:47:38Z)
• The Interplay Between Implicit Bias and Benign Overfitting in Two-Layer Linear Networks [51.1848572349154]
  ノイズの多いデータに完全に適合するニューラルネットワークモデルは、見当たらないテストデータにうまく一般化できる。 我々は,2層線形ニューラルネットワークを2乗損失の勾配流で補間し,余剰リスクを導出する。
  論文  参考訳（メタデータ） (2021-08-25T22:01:01Z)
• Bounds on Causal Effects and Application to High Dimensional Data [27.872692504502286]
  バックドア基準やフロントドア基準の調整変数が部分的に観察された場合の因果効果の限界を導出する。 本稿では,推定パワーのバイアスを交換できる次元還元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-23T01:47:38Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)

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。