一篇新论文介绍了一种因子增强的稀疏分组LASSO估计器，用于高维面板数据回归。该方法解决了由共同冲击引起的横截面相关误差的设置。所提出的估计器集成了MIDAS聚合与潜在因子，使其能够利用时间序列数据中的混合频率分组结构。理论分析表明，与标准的LASSO相比，该方法在处理横截面相关性时可以产生更优的预测和估计性能。 AI
影响 引入了一种新颖的统计方法，可以提高计量经济学及相关领域中机器学习模型的性能。
排序理由 该集群包含一篇详细介绍新的数据分析统计方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.06368v1 Announce Type: cross 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 co…
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 …