55 artigos
O artigo propõe uma transformação binária de indicadores econômicos, chamada "em risco", que converte variáveis contínuas em sinais de estados excepcionalmente fracos, demonstrando que essa abordagem melhora significativamente a previsão de recessões nos EUA ao capturar a natureza discreta desses eventos raros e tornar modelos lineares competitivos com métodos de aprendizado de máquina.
Este artigo propõe uma nova estratégia de identificação para efeitos médios do tratamento em dados de painel com resultados discretos, baseada na independência de transições e numa estrutura de Markov latente, superando as limitações das tendências paralelas tradicionais e gerando estimativas distintas em aplicações empíricas.
Este artigo propõe um novo framework de aprendizado online para modelos econométricos semiparamétricos de índice monótono, que utiliza uma abordagem em duas fases para garantir estimativas consistentes e taxas de convergência ótimas em fluxos de dados contínuos, permitindo inferência em tempo real sem a necessidade de armazenar todo o histórico de dados.
Este artigo propõe uma abordagem tratável para a identificação de modelos de formação de redes estratégicas com heterogeneidade não observada, utilizando uma técnica de "limitação por " que explora restrições de monotonicidade em configurações de sub-redes para contornar a intratabilidade do equilíbrio e obter informações identificáveis sobre os parâmetros estruturais.
Este artigo investiga as condições que garantem a existência de estimadores de máxima verossimilhança em modelos lineares generalizados, demonstrando que, mesmo quando essas condições falham, alguns parâmetros podem ainda ser estimados de forma consistente, e apresenta métodos para verificar tais condições em modelos com alta dimensionalidade, como dados de painel com efeitos fixos múltiplos.
Este artigo propõe um estimador de regressão linear para dados de painel multidimensionais com efeitos fixos interativos, que combina métodos de fator de Bai (2009) com uma transformação ponderada dentro do grupo para alcançar consistência na taxa paramétrica e normalidade assintótica, sendo aplicado para estimar a elasticidade-preço da demanda por cerveja.
O artigo apresenta a previsão de hierarquia temporal (THieF) como um método eficaz para prever preços de eletricidade no dia seguinte, demonstrando que a reconciliação de previsões entre produtos horários e blocos de 2 a 24 horas melhora significativamente a precisão em mercados como o alemão e o espanhol, com custos computacionais comparáveis e aplicabilidade a diversas arquiteturas de modelos.
Este artigo apresenta um quadro rigoroso para testar a influência excessiva de subconjuntos de dados em modelos de mínimos quadrados lineares, derivando fórmulas exatas e distribuições de valores extremos que permitem testes de hipóteses formais para substituir heurísticas ad hoc em diversas áreas.
Este artigo propõe um framework não paramétrico sequencial para backtests comparativos de medidas de risco gerais, utilizando e-valores e e-processos para garantir inferências válidas a qualquer momento, robustez sob dependência e especificação incorreta do modelo, além de introduzir uma abordagem modificada de três zonas baseada em dominância fraca para obter conclusões mais informativas.
Este artigo apresenta um novo quadro probabilístico unificado baseado em regressão saturada por indicadores e priors spike-and-slab para identificar rupturas estruturais em dados longitudinais, demonstrando superioridade sobre métodos frequentistas e aplicando-se à avaliação de políticas climáticas no setor de transportes rodoviários da Europa.
Este artigo caracteriza as atualizações baseadas em modelos acionados por escores (SD) como o único método que reduz a divergência de Kullback-Leibler esperada em relação à densidade geradora de dados, fornecendo uma fundamentação teórica rigorosa e limites para taxas de aprendizado mesmo em cenários não côncavos e multivariados.
Este artigo propõe uma abordagem inovadora baseada em diagramas de influência multiagente para modelar ameaças híbridas, permitindo avaliar a eficácia de diversas medidas de contração em um cenário de ataque cibernético a infraestruturas críticas e generalizar suas características para orientar políticas públicas.
O artigo apresenta o LX Topic, um novo método de modelagem de tópicos que integra um modelo de linguagem grande em um ciclo de refinamento para superar as limitações dos modelos existentes, oferecendo variáveis de pesquisa de negócios mais interpretáveis, estáveis e calibradas para análise empírica.
O artigo propõe um pipeline para extrair hipóteses causais plausíveis de Grandes Modelos de Linguagem (LLMs), mapeando documentos gerados em eventos canônicos e aplicando métodos de descoberta causal para construir grafos candidatos que representam o conhecimento causal implícito nos modelos, sem garantir a causalidade no mundo real.
Este estudo demonstra que as métricas estáticas de classificação superestimam a eficácia real dos sistemas de combate à lavagem de dinheiro em criptomoedas, revelando que a não estacionaridade temporal gera perdas regulatórias persistentes devido à miscalibração das regras de decisão, e não à queda na precisão preditiva.