At-Risk Transformation for U.S. Recession Prediction
该论文提出了一种将预测变量二值化为“风险状态”的简单转换方法，通过捕捉经济衰退等罕见事件的离散特征，利用美国月度宏观与金融数据证明该方法能显著提升样本外预测精度，使线性模型在衰退 onset 阶段的预测表现甚至可与复杂的机器学习模型相媲美。
📈 Category
econ.EM
55 篇论文
Event-Study Designs for Discrete Outcomes under Transition Independence
该论文针对离散结果的面板数据，提出了一种基于“转移独立性”假设的新识别策略，通过引入潜在类型的马尔可夫结构解决传统双重差分法在分类变量中的局限，从而更准确地估计处理组平均处理效应。
Online Learning in Semiparametric Econometric Models
本文提出了一种针对半参数单调指数模型的在线学习框架，通过两阶段范式（全局稳定的暖启动与基于正交化得分和在线筛法的速率最优更新），实现了在无法存储数据的流式场景下对有限维参数和未知单调链接函数的实时一致估计、最优收敛及在线推断。
Tractable Identification of Strategic Network Formation Models with Unobserved Heterogeneity
本文提出了一种利用“以为界”技术处理内生网络统计量与个体不可观测异质性的识别方法，通过构建基于子网结构（如四元组、三元组及加权环）的识别约束系统，实现了对战略网络形成模型结构参数的可行识别与推断。
Verifying the existence of maximum likelihood estimates for generalized linear models
该论文通过研究广义线性模型（包括高维固定效应模型）中伪最大似然估计存在的条件，解决了估计量存在性不明确的问题，并证明了即使条件不满足，部分线性参数仍可获得一致估计，同时提供了验证这些条件的方法。
Linear Multidimensional Regression with Interactive Fixed-Effects
本文提出了一种针对具有未观测交互固定效应的多维面板数据的线性回归估计方法，该方法通过结合 Bai (2009) 因子模型与加权组内变换，实现了参数级收敛速率并证明了渐近正态性，且已应用于啤酒需求弹性的实证估计。
Stealing Accuracy: Predicting Day-ahead Electricity Prices with Temporal Hierarchy Forecasting (THieF)
该论文提出了一种时间层次预测（THieF）方法，通过协调小时级与多时段块级电力价格预测，在德国和西班牙电力市场显著提升了预测精度，并建议将其应用于日常预测实践。
Testing Most Influential Sets
该论文针对线性最小二乘模型提出了一种严谨的统计推断框架，通过推导精确的影响力公式并识别最大影响力的极值分布（弗雷歇分布或甘贝尔分布），实现了对异常高影响力数据子集的假设检验，从而取代了以往依赖启发式方法的做法。
Comparative e-backtests for general risk measures
本文提出了一种基于 e 值和 e 过程的非参数序贯框架，用于对均值、方差、VaR、ES 及期望分位数等一般可识别风险度量进行具有任意时间有效性且稳健的比较回测，并通过改进的弱优势三区域方法提供了比传统方法更具信息量的结论。
Bayesian Indicator-Saturated Regression for Climate Policy Evaluation
本文提出了一种结合指示变量饱和回归与逆矩先验的贝叶斯统一概率框架，用于检测时序数据中未知时间和任意序列的结构突变，并通过模拟与欧洲道路交通部门的实证分析，证明了该方法在评估气候政策有效性方面优于现有的频率学派方法。
Expected Kullback-Leibler-based characterizations of score-driven updates
该论文通过证明分数驱动（SD）更新在期望 Kullback-Leibler 散度减少的充要条件下具有唯一性，为包括非凹、多变量及误设情形在内的各类 SD 模型提供了坚实的信息论基础，并推导了与自适应优化技术相关的学习率界限。
Multi-Agent Influence Diagrams to Hybrid Threat Modeling
本文提出了一种基于多智能体影响图的新颖框架，通过统一混合威胁建模方法并模拟网络攻击场景，系统评估了从增强韧性到威慑惩罚等多种反混合威胁措施在成本、威慑力及缓解效果方面的综合效能与参数敏感性。
A Neural Topic Method Using a Large-Language-Model-in-the-Loop for Business Research
本文提出了名为 LX Topic 的神经主题建模方法，该方法通过在大语言模型辅助下对 FASTopic 进行词级优化与校准，有效解决了现有方法在概念清晰度、可解释性及标准化方面的不足，为商业研究提供了一种可复现、可解释且测量导向的主题分析工具。
Causality Elicitation from Large Language Models
该论文提出了一种从大语言模型中提炼因果关系的流程，通过采样文档、提取并归一化事件、构建特征向量并应用因果发现方法，生成一组可供审查的、反映模型内部假设的候选因果图，而非保证现实世界的因果真实性。
Algorithmic Compliance and Regulatory Loss in Digital Assets
该研究指出，基于机器学习的加密货币反洗钱执法系统因时间非平稳性导致决策规则校准失效，使得静态分类指标严重高估实际监管效果并引发巨大的监管损失，从而强调了在动态市场中采用基于损失的评估框架的必要性。