55 papers
Dit artikel toont aan dat het omzetten van voorspellers naar 'risicovolle' binaire indicatoren de uit-of-sample prestaties van recessievoorspellingsmodellen voor de VS verbetert en lineaire modellen concurrerend maakt met complexe machine learning-methoden.
Deze paper introduceert een nieuwe identificatiestrategie voor het schatten van behandelingseffecten op discrete uitkomsten in paneldata, gebaseerd op de aanname van onafhankelijkheid van overgangen in plaats van parallelle trends, wat leidt tot nauwkeurigere resultaten dan de traditionele verschil-in-verschillen-methode.
Dit artikel introduceert een tweefasen online leerframework voor semiparametrische monotoon indexmodellen dat realtime schatting en inferentie mogelijk maakt door een stabiele warm-start fase te combineren met een rate-optimaliserende fase die gebruikmaakt van een georthogonaliseerde score en een online zeefmethode, waardoor het geschikt is voor gegevensstromen met beperkte opslagcapaciteit.
Dit artikel ontwikkelt een hanteerbare identificatiemethode voor strategische netwerkvormingsmodellen met niet-geobserveerde heterogeniteit door gebruik te maken van een 'bounding-by-c'-techniek en monotoniteitsrestricties om structurele parameters te identificeren via subnetwerkconfiguraties.
Dit artikel onderzoekt de voorwaarden voor het bestaan van maximum likelihood-schattingen in gegeneraliseerde lineaire modellen, met name in hoogdimensionale settings met vaste effecten, en toont aan hoe deze voorwaarden kunnen worden geverifieerd en dat consistente schattingen soms mogelijk blijven zelfs als deze niet volledig gelden.
Dit artikel introduceert een Neyman-orthogonale schatter voor lineaire regressie met interactieve vaste effecten in meervoudige paneldata, die via een tweestapsprocedure een parametrische convergentiesnelheid bereikt en wordt toegepast om de vraagelasticiteit voor bier te schatten.
Dit artikel introduceert de Temporal Hierarchy Forecasting (THieF)-methode voor het voorspellen van dag-ahead elektriciteitsprijzen, waarbij het reconciliëren van voorspellingen voor uur- en blokeenheden de nauwkeurigheid in de Duitse en Spaanse markten tot 13% verbetert zonder significante extra rekentijd.
Dit paper introduceert een principieel raamwerk voor het testen van de meest invloedrijke datasets in lineaire kleinste-kwadratenmodellen, waarbij exacte formules en extreme-waardeverdelingen worden gebruikt om statistisch onderbouwde hypothesetoetsen uit te voeren om te bepalen of invloed buitensporig is ten opzichte van natuurlijke variatie.
Deze paper introduceert een niet-parametrisch, sequentieel raamwerk voor het vergelijken van risicomaatstaven aan de hand van e-waarden, wat robuuste en altijd-geldende inferentie biedt voor financiële regelgeving, inclusief een verbeterde drie-zone-aanpak voor zwakke dominantie.
Dit artikel introduceert een Bayesiaanse indicator-gesatureerde regressiemethode met een spike-and-slab-prior om structurele breuken in longitudinale data te detecteren en de effectiviteit van klimaatbeleid in de Europese wegvervoerssector te evalueren.
Dit artikel biedt een informatie-theoretische onderbouwing voor score-gestuurde modellen door aan te tonen dat deze updates, ongeacht modelmisspecificatie of niet-concaviteit, de verwachte Kullback-Leibler-divergentie reduceren als de verwachte updaterichting positief correleert met de verwachte score.
Dit artikel introduceert een nieuw raamwerk op basis van multi-agent invloedsdiagrammen om de effectiviteit van verschillende maatregelen tegen hybride bedreigingen te evalueren en te generaliseren door de strategische interactie tussen aanvallers en verdedigers te modelleren.
Dit artikel introduceert LX Topic, een nieuw neuraal onderwerpmodel dat grote taalmodellen in een lus integreert om gestructureerde, interpreteerbare en meetbare onderwerpen te genereren voor zakelijk onderzoek, waarbij de kwaliteit en stabiliteit van bestaande methoden aanzienlijk worden verbeterd.
Deze paper stelt een pipeline voor om causale relaties uit grote taalmodellen te destilleren door documenten te genereren, gebeurtenissen te standaardiseren en causale grafieken te schatten, waarmee een inspecteerbare set van plausibele causale hypothesen wordt geboden in plaats van gegarandeerde realiteit.
Dit onderzoek toont aan dat statische machine learning-modellen voor anti-witwasdoeleinden in cryptocurrency's hun effectiviteit sterk overschatten door tijdsgebonden marktveranderingen, wat leidt tot aanzienlijke en aanhoudende extra reguleringskosten als gevolg van verkeerd afgestemde beslissingsregels in plaats van een afname in voorspellende nauwkeurigheid.