55 Arbeiten
Die Studie zeigt, dass eine einfache Umwandlung von Prädiktoren in binäre „Risikozustands"-Indikatoren die Vorhersagegenauigkeit von Rezessionen in den USA im Vergleich zu kontinuierlichen Variablen verbessert und lineare Modelle mit flexiblen Machine-Learning-Methoden konkurrenzfähig macht.
Dieses Papier entwickelt eine neue Identifikationsstrategie für durchschnittliche Behandlungseffekte bei diskreten Panel-Daten, die auf der Annahme der Übergangsunabhängigkeit und einem latenten Typen-Markov-Modell basiert, um die Einschränkungen herkömmlicher Difference-in-Differences-Ansätze bei kategorialen Ergebnissen zu überwinden.
Diese Arbeit entwickelt einen zweiphasigen Online-Lernrahmen für semiparametrische monotone Indexmodelle, der durch eine globale Stabilität im Warm-Start und eine rateoptimale Aktualisierung mittels orthogonaler Scores sowie Online-Sieve-Methoden konsistente Schätzungen und Inferenz in Echtzeit ermöglicht, ohne dass alle Daten gespeichert werden müssen.
Diese Arbeit entwickelt einen handhabbaren Identifikationsansatz für strategische Netzwerkformationsmodelle mit unbeobachteter Heterogenität, der durch eine „Bounding-by-c"-Methode und die Ausnutzung von Monotoniebeschränkungen auf Subnetzwerkkonfigurationen die Schwierigkeit der Gleichgewichtsberechnung umgeht, um strukturelle Parameter zu identifizieren.
Dieser Beitrag klärt die Bedingungen für die Existenz von Maximum-Likelihood-Schätzern bei verallgemeinerten linearen Modellen, zeigt, dass selbst bei Nichtexistenz konsistente Schätzungen für bestimmte Parameter möglich sind, und stellt Methoden zur Überprüfung dieser Bedingungen in hochdimensionalen Modellen vor.
Diese Arbeit stellt einen Neyman-orthogonalen Schätzer für lineare Modelle mit mehrdimensionalen Paneldaten und unbeobachteten interaktiven Fixeffekten vor, der durch eine gewichtete Within-Transformation eine parametrische Konvergenzrate erreicht und asymptotisch normal ist, wobei die Methode zur Schätzung der Bier-Nachfrageelastizität angewendet wird.
Die Studie zeigt, dass die Anwendung des Temporal Hierarchy Forecasting (THieF) zur Versöhnung von Prognosen für Stunden- und Blockprodukte die Genauigkeit der Strompreisvorhersage in den deutschen und spanischen Märkten um bis zu 13 % verbessert und sich aufgrund des geringen zusätzlichen Rechenaufwands als praktikable Empfehlung für die tägliche Prognose erweist.
Diese Arbeit entwickelt ein prinzipielles statistisches Rahmenwerk für die Hypothesenprüfung übermäßig einflussreicher Datensubsets in der linearen Regression, indem sie exakte Einflussformeln und Extremwertverteilungen nutzt, um rigorose Tests durchzuführen und ad-hoc-Heuristiken zu ersetzen.
Die Autoren entwickeln ein nicht-parametrisches, sequenzielles Rahmenwerk für vergleichende Backtests allgemeiner elitisierbarer Risikomaße unter Verwendung von E-Werten und E-Prozessen, das eine jederzeit gültige Inferenz ermöglicht und robust gegenüber Abhängigkeiten sowie Modellspezifikationsfehlern ist.
Diese Arbeit stellt einen einheitlichen probabilistischen Rahmen für die Identifizierung von Strukturbrüchen mittels bayesscher Indikator-sättigender Regression vor, der in Simulationen frequentistischen Methoden überlegen ist und zur Evaluierung von Klimapolitiken im europäischen Straßentransportsektor angewendet wird.
Diese Arbeit liefert eine informationstheoretische Charakterisierung von Score-driven-Updates, die zeigt, dass diese Updates genau dann die erwartete Kullback-Leibler-Divergenz zur wahren Datenverteilung reduzieren, wenn die erwartete Update-Richtung mit dem erwarteten Score übereinstimmt, wodurch Score-driven-Modelle als natürliche und robuste Methode in statistischen und ökonometrischen Anwendungen begründet werden.
Diese Studie entwickelt ein Multi-Agenten-Einflussdiagramm-Framework, um die Wirksamkeit verschiedener Gegenmaßnahmen gegen hybride Bedrohungen zu analysieren, indem sie Kosten, Abschreckung und Schadensbegrenzung in einer simulierten Cyberangriffsszenario-Strategiebewertung vereint.
Die Studie stellt LX Topic vor, eine neuartige neuronale Themenmodellierungsmethode, die Large Language Models in den Lernprozess integriert, um interpretierbare und kalibrierte Themen für die empirische Geschäfts- und Marketingforschung zu erzeugen, die sowohl in der semantischen Kohärenz als auch in der Klassifikationsleistung bestehende Modelle übertreffen.
Der Artikel stellt einen Prozess vor, der große Sprachmodelle nutzt, um durch das Generieren von Dokumenten, das Extrahieren und Gruppieren von Ereignissen sowie die Anwendung von Kausalitätsentdeckungsmethoden plausible kausale Hypothesen in Form von Variablen und Graphen zu extrahieren, ohne dabei reale Kausalität zu garantieren.
Die Studie zeigt, dass statische Klassifikationsmetriken die reale Wirksamkeit von KI-gestützten Geldwäschebekämpfungssystemen im Kryptobereich überschätzen, da zeitliche Nichtstationarität zu einer Fehlabstimmung der Entscheidungsregeln und damit zu erheblichen regulatorischen Verlusten führt, was loss-basierte Evaluierungsrahmen für die Aufsichtsbehörden erforderlich macht.