Fugu-MT 論文翻訳(概要): Factor-Augmented Machine Learning Panel Regressions

論文の概要: Factor-Augmented Machine Learning Panel Regressions

arxiv url: http://arxiv.org/abs/2607.06368v1
Date: Tue, 07 Jul 2026 15:06:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-08 21:24:51.561364
Title: Factor-Augmented Machine Learning Panel Regressions
Title（参考訳）: 因子強化機械学習パネルの回帰
Abstract要約: 本稿では, 共通衝撃によって駆動される断面的誤差を伴う設定における高次元パネルデータ回帰の理論について述べる。我々はMIDASアグリゲーションと潜在因子を組み合わせた因子増分スパース群LASSO推定器について検討した。
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 develops the asymptotic theory for high-dimensional panel data regressions in settings with cross-sectionally dependent errors driven by common shocks. We consider a factor-augmented sparse-group LASSO estimator that combines MIDAS aggregation with latent factors. The estimator can take advantage of the mixed-frequency group structure in the time-series dimension. Theory shows that it can outperform the standard LASSO estimator both for prediction and estimation while allowing for cross-sectional dependence.
Abstract（参考訳）: 本稿では, 共通衝撃によって駆動される断面依存誤差の設定における高次元パネルデータ回帰の漸近理論を考案する。我々はMIDASアグリゲーションと潜在因子を組み合わせた因子増分スパース群LASSO推定器を検討する。推定器は時系列次元における混合周波数群構造を利用することができる。理論は、断面依存を許容しながら予測と推定の両方のために標準のLASSO推定器より優れていることを示している。

関連論文リスト

Inference on covariance structure in high-dimensional multi-view data [8.549941732144035]
後続計算は、高価で脆いマルコフ連鎖モンテカルロサンプリングまたは変分近似によって行われる。提案手法は,少なくとも1つの視点で有効である潜在因子を推定・調整するためにスペクトル分解を用いる。正確な不確実性を含むシミュレーションにおいて優れた性能を示し、がん細胞サンプルのマルチオミクスデータセットから4つの高次元ビューを統合する手法を適用した。
論文参考訳（メタデータ） (2025-09-02T19:20:42Z)
Semiparametric inference for impulse response functions using double/debiased machine learning [49.1574468325115]
本稿では,インパルス応答関数(IRF)に対する機械学習推定手法を提案する。提案した推定器は、処理と結果変数の完全な非パラメトリック関係に依存することができ、柔軟な機械学習アプローチを用いてIRFを推定することができる。
論文参考訳（メタデータ） (2024-11-15T07:42:02Z)
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。この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。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つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
論文参考訳（メタデータ） (2024-08-08T17:27:29Z)
Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文参考訳（メタデータ） (2023-09-02T01:27:53Z)
HiPerformer: Hierarchically Permutation-Equivariant Transformer for Time Series Forecasting [56.95572957863576]
本稿では,同じ群を構成する成分間の関係と群間の関係を考察した階層的置換同変モデルを提案する。実世界のデータを用いた実験により,提案手法が既存の最先端手法より優れていることを示す。
論文参考訳（メタデータ） (2023-05-14T05:11:52Z)
On LASSO for High Dimensional Predictive Regression [0.0]
本稿では,L_1$-penalized regression法であるLASSOを高次元線形回帰法で検討する。 LASSOの整合性は、回帰器の交叉積の偏差境界と誤差項の2つの重要な成分に基づいて決定される。機械学習とマクロ経済分野の専門知識を用いて、LASSOは失業率の予測において高いパフォーマンスを示す。
論文参考訳（メタデータ） (2022-12-14T06:14:58Z)
Deep Learning Based Residuals in Non-linear Factor Models: Precision Matrix Estimation of Returns with Low Signal-to-Noise Ratio [0.0]
本稿では,大規模なポートフォリオにおける資産返却の精度行列に対する一貫した推定器と収束率を紹介する。金融市場に典型的な低信号対雑音比環境においても, 評価は引き続き有効である。
論文参考訳（メタデータ） (2022-09-09T20:29:54Z)
Conformal prediction set for time-series [16.38369532102931]
不確かさの定量化は複雑な機械学習手法の研究に不可欠である。我々は,時系列の予測セットを構築するために,ERAPS(Ensemble Regularized Adaptive Prediction Set)を開発した。 ERAPSによる有意な限界被覆と条件被覆を示し、競合する手法よりも予測セットが小さい傾向にある。
論文参考訳（メタデータ） (2022-06-15T23:48:53Z)
Cluster Regularization via a Hierarchical Feature Regression [0.0]
本稿では,階層的特徴回帰(HFR)という新しいクラスタベース正規化を提案する。機械学習とグラフ理論の領域からの洞察を動員し、予測セットの教師付き階層表現に沿ってパラメータを推定する。経済成長予測への応用は、実証的な環境でのHFRの有効性を示すために用いられる。
論文参考訳（メタデータ） (2021-07-10T13:03:01Z)
Performance metrics for intervention-triggering prediction models do not reflect an expected reduction in outcomes from using the model [71.9860741092209]
臨床研究者はしばしばリスク予測モデルの中から選択し評価する。振り返りデータから算出される標準メトリクスは、特定の仮定の下でのみモデルユーティリティに関係します。予測が時間を通して繰り返し配信される場合、標準メトリクスとユーティリティの関係はさらに複雑になる。
論文参考訳（メタデータ） (2020-06-02T16:26:49Z)
Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文参考訳（メタデータ） (2020-04-21T23:09:55Z)

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。