正在学习
10.7 结论
10.7 结论
人们已经开发出许多方法来降低一组条件预测变量的维度,因为当变量数量过多时,既难以进行全面模型搜索,甚至也无法进行有效的参数估计。其中最为重要的当属因子方法——它从大量变量中提取数量少得多的公共因子,用于预测感兴趣的结果变量。此类因子模型还可以加入其他变量,包括自身滞后项,从而催生了因子增广向量自回归模型。这类模型能够同时纳入 ARMA 项和公共因子,因此可用于综合两类截然不同模型的优势。
在实践中,预测者面临的决策是:究竟是采用模型选择(正则化)方法——试图在最优模型中识别并保留少数变量而舍弃其余变量;还是先从一组潜在预测变量的大量信息中以公共因子的形式进行聚合,再将其纳入预测模型。因子增广模型代表了一种折中方案,它便于在提取自某些因子的聚合信息基础上,纳入少数关键预测变量。
哪种方法效果最佳,显然取决于潜在的数据生成过程以及该过程与预测者信息集中变量之间的关系。如果被预测变量由预测者信息集中的少量变量驱动,那么在能够识别这些变量的前提下,正则化方法的表现可能优于因子方法。当然,如果预测变量之间高度相关,这一结论可能受到影响,但在这种情况下,所选变量的具体身份对预测精度而言可能并不十分重要,因为这些预测变量彼此具有很强的替代性。反之,如果被预测变量依赖于公共因子而非个别预测变量,那么相对较多的预测变量将具有非零的真实系数,基于识别稀缺预测变量集的方法将表现欠佳。例如,当预测变量数量庞大且许多变量之间高度相关时,能够稀释个别预测变量中"噪声"的因子方法,其表现有望优于试图识别少数个别预测变量的方法。
练习题
以下哪项最能描述用于降维的因子方法？
A. 它们直接使用大量变量来预测结果变量。
B. 它们使用从大维度变量列表中提取的一组较小的公共因子来预测结果变量。
C. 它们忽略变量之间的相关性，而关注单个预测变量。
D. 它们仅在预测变量数量非常少时有用。
因子增强向量自回归（FAVAR）的关键特征是什么？
A. 它们排除了自回归移动平均（ARMA）项，仅关注共同因子。
B. 它们仅包含单个预测变量，不进行任何聚合。
C. 它们允许同时纳入自回归移动平均（ARMA）项和共同因子。
D. 它们仅限于单变量时间序列分析。
关于模型选择（正则化）方法和因子聚合方法之间的选择，以下哪些说法是正确的？
A. 模型选择方法试图确定首选模型的一小部分变量。
B. 因子聚合方法首先将大量预测变量中的信息聚合为公共因子。
C. 模型选择方法总是比因子聚合方法表现更好。
D. 因子聚合方法仅在预测变量不相关时有用。
因子增强模型可以同时包含少数几个关键预测变量和从因子中提取的聚合信息。
当预测变量依赖于共同因子而非单个预测变量时，正则化方法可能比因子方法表现更好。
如果预测变量由少量变量驱动，只要这些变量能够被___，正则化方法可能比因子方法表现更好。
在存在大量预测变量且其中许多变量高度相关的情况下，那些能够稀释个体预测变量中“噪声”的因子方法，预计会比试图识别少量个体___的方法表现更佳。
解释为什么当预测变量高度相关时，正则化方法的性能可能会受到影响。
与纯因子模型或纯正则化方法相比，因子增强模型的优势是什么？
以下关于因子方法性能的陈述哪些是正确的？
A. 当预测变量依赖于公共因子时，因子方法表现更好。
B. 当预测变量高度相关时，因子方法无效。
C. 当预测变量集规模较大且相关时，因子方法可以稀释单个预测变量中的“噪声”。
D. 无论数据生成过程如何，因子方法总是优于正则化方法。
当预测变量主要受数据集中少数几个预测变量的影响时，假设这些变量能够被识别且彼此之间不高度相关，哪种方法可能表现更好？
A. 将信息聚合为共同因子的因子方法
B. 选择少量变量的正则化方法
C. 两种方法的表现将同样出色
D. 两种方法都不适合
关于在预测中使用因子增强模型，以下哪些陈述是正确的？
A. 它们允许同时包含自回归移动平均项和共同因子。
B. 它们仅在预测变量不相关时才有效。
C. 当许多预测变量高度相关时，它们可以稀释单个预测变量中的“噪声”。
D. 它们是模型选择方法和因子聚合之间的中间方法。
E. 当预测变量依赖于共同因子时，它们的预测效果较差。
当预测变量依赖于共同因子而非单个预测变量时，因子方法通常比正则化方法更受青睐。
在预测中，当处理大量高度相关的预测变量时，___方法通过稀释单个预测变量中的“噪声”，预期会有更好的表现。
登录后解锁笔记、知识点解析、AI 问答
立即登录