ترجمه فارسی مقاله در مورد استنتاج LASSO برای رگرسیون پیش بینی با ابعاد بالا

چکیده

LASSO introduces shrinkage bias into estimated coefficients, which can adversely affect the desirable asymptotic normality and invalidate the standard inferential procedure based on the $t$-statistic. The desparsified LASSO has emerged as a well-known remedy for this issue. In the context of high dimensional predictive regression, the desparsified LASSO faces an additional challenge: the Stambaugh bias arising from nonstationary regressors. To restore the standard inferential procedure, we propose a novel estimator called IVX-desparsified LASSO (XDlasso). XDlasso eliminates the shrinkage bias and the Stambaugh bias simultaneously and does not require prior knowledge about the identities of nonstationary and stationary regressors. We establish the asymptotic properties of XDlasso for hypothesis testing, and our theoretical findings are supported by Monte Carlo simulations. Applying our method to real-world applications from the FRED-MD database — which includes a rich set of control variables — we investigate two important empirical questions: (i) the predictability of the U.S. stock returns based on the earnings-price ratio, and (ii) the predictability of the U.S. inflation using the unemployment rate.

چکیده به فارسی (ترجمه ماشینی)

Lasso تعصب انقباض را به ضرایب تخمین زده شده معرفی می کند ، که می تواند بر عادی بودن مجانبی مطلوب تأثیر بگذارد و روش استنباطی استاندارد را بر اساس $ t $-statistic بی اعتبار کند.لاسو ناامید شده به عنوان یک راه حل مشهور برای این موضوع ظاهر شده است.در زمینه رگرسیون پیش بینی کننده ابعادی بالا ، لاسو ناامید شده با یک چالش اضافی روبرو است: تعصب Stambaugh که ناشی از رگرسیون های غیر ایستگاه است.برای بازگرداندن روش استنباط استاندارد ، ما یک برآوردگر جدید به نام Lasso (Xdlasso) به نام IVX-Desparsified Lasso (xdlasso) پیشنهاد می کنیم.Xdlasso تعصب انقباض و تعصب Stambaugh را به طور همزمان از بین می برد و نیازی به دانش قبلی در مورد هویت رگرسیون های غیر ایستگاه و ثابت ندارد.ما خواص مجانبی XDLASSO را برای آزمایش فرضیه ایجاد می کنیم و یافته های نظری ما توسط شبیه سازی مونت کارلو پشتیبانی می شود.با استفاده از روش ما در برنامه های دنیای واقعی از پایگاه داده FRED-MD-که شامل مجموعه ای غنی از متغیرهای کنترل است-ما دو سؤال مهم تجربی را بررسی می کنیم: (i) پیش بینی بازده سهام ایالات متحده بر اساس نسبت درآمد قیمت، و (ب) پیش بینی تورم ایالات متحده با استفاده از نرخ بیکاری.