55 articoli
Questo studio dimostra che trasformare i predittori macroeconomici in indicatori binari di "rischio" basato su soglie migliora significativamente la previsione delle recessioni statunitensi, rendendo i modelli lineari competitivi con metodi di apprendimento automatico complessi.
Questo articolo propone una nuova strategia di identificazione per gli effetti medi del trattamento su soggetti trattati in dati panel con esiti discreti, basata sull'indipendenza delle transizioni e su una struttura Markoviana di tipo latente, che supera i limiti delle tradizionali differenze nelle differenze e fornisce stime sostanzialmente diverse in tre applicazioni empiriche.
Questo articolo propone un framework di apprendimento online per modelli a indice monotono semiparametrici, basato su una strategia in due fasi che combina un algoritmo di avvio stabile e un metodo di sieve ortogonalizzato per ottenere stime consistenti e rate ottimali in contesti di dati in streaming con vincoli di memoria.
Questo articolo propone un metodo di identificazione gestibile per i modelli di formazione di reti strategiche con eterogeneità non osservata, utilizzando una tecnica di "limitazione per " basata su restrizioni di monotonia e configurazioni di sottorete per derivare vincoli identificativi e stime informative dei parametri strutturali.
Questo studio chiarisce le condizioni per l'esistenza degli stimatori di massima verosimiglianza in una vasta classe di modelli lineari generalizzati, dimostrando come verificare tali condizioni anche in contesti ad alta dimensionalità e come ottenere stime coerenti per alcuni parametri anche quando le condizioni non sono soddisfatte.
Questo articolo propone un metodo di regressione lineare multidimensionale con effetti fissi interattivi non osservati, basato su un approccio ortogonale di Neyman che combina la stima preliminare dei fattori con una trasformazione "weighted-within" per ottenere stime coerenti e asintoticamente normali, applicando poi la metodologia per stimare l'elasticità della domanda della birra.
Questo studio dimostra che l'uso della previsione temporale gerarchica (THieF) per riconciliare le previsioni dei prezzi elettrici a breve termine e a blocchi migliora significativamente l'accuratezza in tutti i livelli di granularità, rendendola una pratica raccomandata per i mercati energetici tedeschi e spagnoli.
Questo articolo propone un quadro teorico rigoroso per identificare e testare statisticamente l'influenza eccessiva di sottoinsiemi di dati nei modelli a minimi quadrati, derivando distribuzioni estreme esatte che permettono di distinguere tra variazioni naturali e risultati distorti.
Questo articolo propone un quadro non parametrico sequenziale basato su e-valori per condurre backtest comparativi di misure di rischio elicibili, offrendo inferenze valide in ogni momento e robuste rispetto alla dipendenza e alla specificazione errata del modello.
Questo articolo introduce un quadro probabilistico bayesiano unificato basato sulla regressione a saturazione di indicatori e su un prior spike-and-slab per identificare e valutare l'efficacia delle politiche climatiche nel settore dei trasporti stradali europei, dimostrando prestazioni superiori rispetto agli approcci frequentisti, specialmente in presenza di frequenti cambiamenti strutturali.
Questo lavoro fornisce una caratterizzazione teorica dei modelli guidati dal punteggio (score-driven) basata sulla riduzione della divergenza di Kullback-Leibler attesa, dimostrandone l'ottimalità e la validità anche in contesti non concavi e mal specificati.
Questo articolo propone un nuovo approccio basato sui diagrammi di influenza multi-agente per modellare e valutare l'efficacia delle misure di contrasto alle minacce ibride, bilanciando costi, dissuasione e mitigazione degli impatti in scenari strategici come gli attacchi informatici alle infrastrutture critiche.
Il paper presenta LX Topic, un nuovo metodo di modellazione tematica neurale che integra un grande modello linguistico in un ciclo di affinamento per generare proporzioni di argomenti calibrate e semanticamente coerenti, offrendo così uno strumento interpretabile e standardizzato per la ricerca di marketing.
Questo articolo propone una pipeline per estrarre relazioni causali dai grandi modelli linguistici campionando documenti, estraendo ed aggregando eventi in variabili canoniche, e applicando metodi di scoperta causale per generare un insieme ispezionabile di ipotesi causali plausibili, pur senza garantire la causalità nel mondo reale.
Lo studio dimostra che le metriche statiche di classificazione sovrastimano l'efficacia reale dei sistemi di enforcement ML per il riciclaggio di criptovalute, poiché la non stazionarietà temporale causa una scarsa calibrazione delle regole decisionali e perdite normative persistenti, evidenziando la necessità di framework di valutazione basati sulle perdite.