55 articles
Cet article propose une transformation « à risque » des prédicteurs en indicateurs binaires, démontrant que cette approche améliore significativement la prédiction des récessions américaines par rapport aux variables continues, rendant même les modèles linéaires compétitifs face aux méthodes d'apprentissage automatique.
Cet article propose une nouvelle stratégie d'identification pour estimer les effets moyens du traitement sur les traités dans des données de panel à résultats discrets, en remplaçant l'hypothèse de tendances parallèles par l'hypothèse d'indépendance des transitions et un modèle de Markov à types latents pour mieux capturer l'hétérogénéité non observée.
Cet article propose un cadre d'apprentissage en ligne pour les modèles d'index monotones semiparamétriques, combinant une phase de démarrage chaud stable et une phase rate-optimal utilisant des scores orthogonaux et une méthode de tamis en ligne, permettant ainsi une estimation et une inférence efficaces sur des flux de données sans nécessiter de stockage complet.
Cet article propose une méthode d'identification traitable pour les modèles de formation de réseaux stratégiques comportant des hétérogénéités individuelles non observées, en utilisant une technique de « bornes par » et des restrictions basées sur des sous-graphes pour contourner les difficultés liées à l'équilibre du réseau.
Cet article examine les conditions d'existence des estimateurs du maximum de vraisemblance pour une large classe de modèles linéaires généralisés, démontre que certains paramètres peuvent rester cohérents même en cas d'échec de ces conditions, et propose des méthodes pour vérifier ces conditions dans des modèles à haute dimension comme les données de panel avec effets fixes multiples.
Cet article propose un estimateur Neyman-orthogonal pour les modèles de régression linéaire multidimensionnelle à effets fixes interactifs, combinant une estimation préliminaire par facteurs et une transformation intra pondérée pour atteindre une convergence paramétrique et une normalité asymptotique, méthode appliquée à l'estimation de l'élasticité de la demande de bière.
Cet article présente la prévision hiérarchique temporelle (THieF) comme une méthode efficace pour améliorer la précision des prévisions de prix de l'électricité à un jour d'échéance sur les marchés allemand et espagnol, en réconciliant les prévisions horaires avec celles des blocs de 2 à 24 heures, ce qui permet d'obtenir des gains de précision allant jusqu'à 13 % avec un coût computationnel négligeable.
Cet article propose un cadre statistique rigoureux pour tester la significativité des sous-ensembles de données les plus influents dans les modèles de moindres carrés linéaires, en dérivant des formules exactes et des distributions de valeurs extrêmes permettant de distinguer l'influence excessive du bruit naturel.
Cet article propose un cadre non paramétrique séquentiel basé sur les valeurs-e pour effectuer des backtests comparatifs de mesures de risque générales, offrant une inférence valide à tout moment et robuste face à la dépendance et aux erreurs de spécification du modèle.
Cet article présente un cadre probabiliste bayésien unifié utilisant une régression à indicateurs saturés et une prior spike-and-slab pour identifier des ruptures structurelles dans les données longitudinales, démontrant une supériorité sur les approches fréquentistes et appliquant cette méthode à l'évaluation des politiques climatiques dans le secteur du transport routier européen.
Cet article établit une caractérisation informationnelle rigoureuse des mises à jour pilotées par le score en démontrant qu'elles réduisent systématiquement la divergence de Kullback-Leibler attendue, offrant ainsi une justification théorique fondamentale qui les distingue des autres méthodes d'optimisation.
Cet article propose une approche novatrice utilisant des diagrammes d'influence multi-agents pour modéliser et évaluer l'efficacité de diverses contre-mesures face aux menaces hybrides, en simulant des interactions stratégiques entre un attaquant et un défenseur dans le contexte d'une cyberattaque sur des infrastructures critiques.
L'article présente LX Topic, une nouvelle méthode de modélisation thématique neuronale intégrant un grand modèle de langage en boucle fermée pour générer des proportions de sujets calibrées et interprétables, offrant ainsi un outil de mesure robuste et standardisé pour la recherche en marketing.
Cet article propose un pipeline pour extraire des hypothèses causales plausibles encodées dans les grands modèles de langage en générant des documents, en y identifiant des événements normalisés et en appliquant des méthodes de découverte causale pour construire des graphes candidats inspectables.
Cette étude démontre que les métriques de classification statiques surestiment l'efficacité réelle des systèmes d'application de la loi contre le blanchiment d'argent dans les crypto-monnaies, car la non-stationnarité temporelle des marchés entraîne une instabilité des seuils de décision et des pertes réglementaires excessives dues à une mauvaise calibration plutôt qu'à une baisse de la précision prédictive.