到目前为止，我从未成为弱 ID 文献的忠实粉丝。我一直觉得，如果你最终得到弱 ID，那么是时候更深入地思考底层经济学，而不是花哨的计量经济学了。但这篇文章让我大开眼界，改变了我的想法。太酷了。长期记忆的弱识别及其对推理的影响作者：Jia Li（新加坡管理大学）；Peter C. B. Phillips（考尔斯基金会、耶鲁大学、奥克兰大学、新加坡管理大学、南安普顿大学）；Shuping Shi（麦考瑞大学）；Jun Yu（新加坡管理大学）摘要：本文探讨了常用的经济和金融时间序列模型中出现的弱识别问题。两种非常流行的配置被证明是渐近观察等效的：一种具有长期记忆和弱自回归动态，另一种具有反持续冲击和
Instrumental Variables in Practical Application
我一直对 Alwyn Young 的论文《无推理的一致性：工具变量在实际应用中》很感兴趣。在线附录。很高兴看到它现在发表在《欧洲经济评论》上。请注意非白色干扰的关键作用。引言：经济学界正处于一场“可信度革命”（Angrist 和 Pischke 2010）中，其中精心的研究设计已牢固确立为应用工作的必要特征。这场革命的一个关键要素是使用工具来识别因果关系，而不受内生普通最小二乘回归量的潜在偏差的影响。然而，对研究设计的日益重视并没有与对推理质量的同等要求齐头并进。尽管 Eicker (1963)-Hinkley (1977)-White (1980) 异方差稳健协方差估计及其聚类扩展被广泛使用
Deep Recurrent Neural Nets with Long Short Term Memory
再次。LTSM 可能正在成为循环 NN 建模中的大问题。我之前写过博客（例如这里），但我仍然不太了解它。有人了解吗？也许它只是一种避免消失梯度问题的手段（并不是说这并不重要）；也许它更重要。这篇新论文写得很好，突出介绍了 LSTM。DONUT 集成组合预测方法作者：Lars Lien Ankile；Kjartan Krange摘要：本文提出了一种集成预测方法，通过减少特征和模型选择假设，在 M4Competition 数据集上显示出强劲的结果，称为 DONUT（不使用人类假设）。我们的假设减少主要由自动生成的特征和更多样化的集成模型池组成，其表现明显优于 Montero-Manso 等人（20
Virtual SETA 2022 call for Papers
请参阅http://seta2022.org/第 16 届计量经济理论与应用国际研讨会：SETA2022（在线会议）韩国首尔，2022 年 7 月 20 日至 21 日征文：计划委员会和当地组织委员会邀请潜在贡献者通过会议制作器提交论文（从 2022 年 3 月 14 日起提供）。欢迎提交经济学各个领域的理论和应用作品，涵盖金融计量经济学、微观计量经济学、宏观计量经济学、非参数和半参数计量经济学、机器学习和大数据分析等计量经济学的各个方面。主题演讲者： • SETA 讲座：Fumio Hayashi（日本国家政策研究研究生院） • ET 讲座：Viktor Todorov（西北大学凯洛格管理学
The Latest in Observation-Driven TVP Models
看看这个。相对于“标准”GAS/DCS 显式更新，隐式随机梯度更新似乎非常有吸引力。“使用近端参数更新的稳健观察驱动模型”，作者：Rutger-Jan Lange、Bram van Os 和 Dick van Dijk。https://www.tinbergen.nl/discussion-paper/6188/22-066-iii-robust-observation-driven-models-using-proximal-parameter-updates
Factor Network Autoregressions
请查看 Barigozzi、Cavaliere 和 Moramarco 撰写的文章：http://d.repec.org/n?u=RePEc:arx:papers:2208.02925&r=非常酷的动态“多层网络”方法。在标准的 N 维网络中，有一个 NxN 邻接矩阵。但更丰富的网络可能有许多种连接，每种连接都由自己的邻接矩阵控制。（多么伟大的见解——一旦你听到它，就会觉得如此自然和明显。一个美好的“顿悟时刻”！）所以也许有 K 个可操作的 NxN 邻接矩阵。然后实际上有一个宏大的 3 维邻接矩阵 (NxNxK) 可操作——一个立方矩阵而不是方阵。简约建模变得绝对关键，在这方面，BCM 有效地
是的，我知道距离上一篇严肃的文章已经太久了。但也许我终于开始发帖了。无论如何，这里有一个严肃的费城咖啡建议：***The Nook***，15 South 20th。他烘焙；她烘焙。精心采购和烘焙咖啡的光荣圣地，以及一丝不苟和充满爱心的烘焙。唉，没有桌子，但那又怎样？毫无疑问，截至 2023 年 2 月，费城最好的咖啡。请去拜访他们。更多信息请参见 https://www.sas.upenn.edu/~fdiebold/PhillyCoffee.htm
Something May Be Wrong With Me
我突然意识到我可能有问题。在一篇正在撰写的新论文中，我想引用著名且出色的 Sims, Stock and Watson (1990)。我在 Jim Stock 的哈佛网站上找到了 bibtex。很好。然后我注意到它将作者列为 Stock、Sims 和 Watson。好的，很好，我将其更改为正确的字母顺序 Sims、Stock 和 Watson。（可能只是 Jim 的行政助理在为他夸大其词。）无论如何，我还注意到 bibtex 省略了中间首字母，只给出了 C. Sims、J. Stock 和 M. Watson。令人惊奇的是，也是为什么我可能有问题的原因在于，我能够立即凭记忆提供完整的 C.A.
这真是让我震惊。真是太有见地了。在另一个背景下，等权重组合规则！另请参阅我与 Minchul Shin 合作的论文，这些论文分别明确指出了点预测和密度预测的权重相等：Diebold, F.X. 和 Shin, M. (2019)，“机器学习用于正则化调查预测组合：部分平等的套索及其衍生物”，《国际预测杂志》，35，1679-1691。Diebold, F.X.、Shin, M. 和 Zhang, B. (2022)，“关于概率评估的聚合：欧元区通胀和实际利率的正则化预测密度混合”，《计量经济学杂志》，即将出版。工作论文，arXiv:2012.11649。HAR 模型中的预测组合难题作者：Cle
很棒的东西，即将在 JBES（2022 年）上发表。时间序列方法对网络演化的研究：预测和估计 ANNA BYKHOVSKAYA 摘要。本文分析了非负多元时间序列，我们将其解释为加权网络。我们引入了一个模型，其中时间序列的每个坐标代表时间上的给定边。与网络的大小相比，时间段的数量被视为很大。该模型指定了加权网络的时间演化，该网络将经典自回归与非负性、消失的正概率以及过程中分配给边的权重之间的同伴效应相互作用相结合。主要结果为网络演化过程的平稳性与爆发性提供了标准，并提供了估计模型参数和预测其未来值的技术。https://abykhovskaya.files.wordpress.com/2021/
继续上一篇文章，如果我似乎对最近的 Kelly 等人的计划大加赞赏（确实如此），我很抱歉，但它确实让我震惊。著名的“简约”和“KISS（保持复杂简单）”原则被彻底颠覆了！George Box 和 Arnold Zellner 一定在坟墓里翻滚了…… 无处不在的复杂性美德Bryan T. Kelly（耶鲁管理学院；AQR Capital Management, LLC；美国国家经济研究局 (NBER)）；Semyon Malamud（洛桑联邦理工学院；经济政策研究中心 (CEPR)；瑞士金融研究所）；Kangying Zhou（耶鲁管理学院）我们研究了高复杂性机制下非线性回报预测模型的表现，即当
Great Summer Courses in Glasgow
格拉斯哥大学亚当斯密商学院 9 月 5 日至 9 日暑期学校：Kamil Yilmaz 将于 9 月 5 日至 6 日教授为期两天的网络连通性课程，涵盖方法和应用（“金融和宏观经济连通性：网络测量和监控方法”）。Refet Gurkaynak 将于 9 月 7 日至 8 日教授为期两天的高频金融课程，同样涵盖方法和应用（“资产价格对新闻的反应：高频方法和应用”）。这两门课程都将对大学、中央银行、国际政策研究所和智库的研究人员和政策分析师有所帮助。看起来很棒！https://www.gla.ac.uk/schools/business/events/empiricalmethodssummers
Range-Based Volatility Seminar, MONDAY 2/21
应该很有趣！SoFiE 研讨会与 Jia Li 和 Francis X. Diebold 主持人：Dacheng Xiu（芝加哥大学布斯商学院）演讲者：Jia Li（杜克大学）论文：“阅读蜡烛图：波动率的 OK 估计量”讨论者：Francis X. Diebold（宾夕法尼亚大学）日期：2022 年 2 月 21 日时间：纽约上午 11 点/圣地亚哥上午 8 点/伦敦下午 4 点/巴黎下午 5 点/北京中午 12 点Zoom 链接：https://nyu.zoom.us/j/93619106089录制：活动结束后将很快提供视频录制链接。SoFiE 研讨会提交SoFiE 研讨会系列欢迎提交有关金
Temperature Volatility and Asset Prices
下周二 2 月 15 日 16:00-17:00 GMT。Atreya Dey（爱丁堡大学商学院）将发表演讲：“确定波动温度：研究其对资产价格的影响”。现在已开放注册。注册后，您将收到一封确认电子邮件，其中包含有关参加会议的信息。Angela Wenham 通讯和办公室经理气候计量经济学，牛津大学纳菲尔德学院，1 New Road，牛津，OX1 1NFhttp://www.climateeconometrics.org/；www.inet.ox.ac.uk E：angela.wenham@nuffield.ox.ac.uk，+44 (0)1865 278654
泰德是 20 世纪最伟大的统计学家/计量经济学家之一。我感觉和他很亲近，因为我以前的宾夕法尼亚大学同事 Larry Klein 曾在 20 世纪 40 年代与他在考尔斯学院密切合作，另一位前同事 Bobby Mariano 在 1970 年左右来到宾夕法尼亚大学之前曾是他在斯坦福大学的学生。我记得他在职业生涯后期在宾夕法尼亚大学举办过一次关于单位移动平均根的研讨会。他开始得非常慢，例如定义“时间序列”和“协方差平稳性”之类的东西。有些人翻白眼。十分钟后，他已经远远超越了界限。没有人翻白眼。事实上，人们都惊呆了。当我在 20 世纪 90 年代访问斯坦福大学参加研讨会时，他为我铺上了红地毯。他为我
The Econometrics of Macroeconomic and Financial Data
上周，我收到了《计量经济学杂志》231(2)，2022（宏观经济和金融数据的计量经济学）的完整出版特刊。我深感感激和谦卑。多么美妙的姿态。衷心感谢计量经济学杂志编辑委员会，以及所有做出贡献的学生、合著者和同事。特别感谢 Atsushi Inoue、Lutz Kilian 和 Andrew Patton 的周到介绍和一丝不苟的编辑，以及如此慷慨地（两次）尝试举办相关的 60 岁生日会议。显然，COVID 没有打败我们！
很高兴看到 Kelly 等人坚持不懈，顺利进入“双底”区域并添加了正则化。回报预测中复杂性的优点 (2022)Bryan T. Kelly；Semyon Malamud；Kangying Zhou现有文献使用仅使用少量参数的“简单”模型来预测市场回报。与传统观点相反，我们从理论上证明，与参数数量超过观察数量的“复杂”模型相比，简单模型严重低估了回报的可预测性。我们通过实证证明了美国股市回报预测中复杂性的优点。我们的研究结果确立了通过机器学习对预期收益进行建模的基本原理。http://d.repec.org/n?u=RePEc:nbr:nberwo:30217&r=
距离高斯只有八步之遥！世界真的很小。而且回溯的路线也不错... --> Marc Nerlove --> Kenneth Arrow --> David Blackwell --> Richard Bellman --> Ernst Straus --> Albert Einstein --> Hermann Minkowski --> Carl Friedrich Gauss
