Moral Hazard in Climate Change Adaptation
雅加达海平面上升的迷人色彩，以及对某些类型适应相关的道德风险的良好洞察。https://allanhsiao.github.io/files/Hsiao_jakarta.pdfhttps://allanhsiao.github.io/摘要：海平面上升对雅加达构成了生存威胁，雅加达面临频繁且日益严重的洪水灾害。政府已提议修建海堤作为回应。在这种情况下，我研究了政府干预如何使长期适应气候变化变得复杂。我表明，政府干预会造成沿海道德风险，并使用动态空间模型量化这种力量，在该模型中，开发商和居民在行动时会考虑洪水风险。我发现道德风险会产生严重的锁定效应，并限制向内陆迁移，即使从长远来看也是如此。
Machine Learning and Central Banking
当然，机器学习 (ML) 现在无处不在。几十年来，时间序列分析视角一直与 ML 相匹配（简约预测模型允许错误指定；样本外评估；集合平均等），因此即使存在许多差异，也存在许多重叠领域。有趣的是，ML 在中央银行环境中变得特别有用。例如，费城联邦储备银行现在明确招募和聘用“机器学习经济学家”。目前他们有三个，他们正在寻找第四个！在这方面，特别有趣的是，《计量经济学杂志》正在征集关于“经济政策机器学习”的特别专题论文，客座编辑来自各种领先的中央银行和大学。请参阅 https://www.bankofengland.co.uk/events/2022/october/call-for-papers-m
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
分数阶 SDE-Net：具有长期记忆的时间序列数据生成作者：Kohei Hayashi；Kei Nakagawa摘要：本文重点介绍使用神经网络生成时间序列数据。通常情况下，输入的时间序列数据（尤其是来自真实金融市场的数据）是不规则采样的，其噪声结构比 i.i.d. 类型更复杂。为了生成具有这种特性的时间序列，我们提出了 fSDE-Net：神经分数阶随机微分方程网络。它通过使用 Hurst 指数大于一半的分数布朗运动来推广神经 SDE 模型，从而表现出长期记忆特性。我们推导了 fSDE-Net 的求解器，并从理论上分析了 fSDE-Net 解的存在性和唯一性。我们的实验表明，fSDE-Net 模
Range-Based ("Candlestick") Volatility Estimation Slides
解读蜡烛图：波动率的 OK 估计量论文作者：J. Li, D. Wang 和 Q. Zhang(LWZ)讨论者：F.X. Diebold金融计量经济学会2002 年 2 月 21 日 解读蜡烛图：波动率的 OK 估计量论文作者：J. Li, D. Wang 和 Q. Zhang(LWZ)讨论者：F.X. Diebold金融计量经济学会2002 年 2 月 21 日（***）考虑不同的标题……经典传统：芝加哥大学，《商业杂志》，Al Madansky，......n 与现代宏观/BC 现在预测相关的 CLI、CCI 分析（Zarnowitz、Neftci 等）n 与现代金融波动率现在预测相关的基
波茨坦气候影响研究所 (PIK) 新成立的未来实验室正在招聘一名因果气候政策分析博士后研究员。成功候选人将参与与 Nicolas Koch（MCC 和 IZA）和 Felix Pretis（维多利亚大学和牛津大学）的联合研究项目，旨在对有效的气候政策进行全球和跨部门的因果评估。我们希望候选人能够共同领导以政策为导向、数据密集型的计量经济学研究，以我们之前的工作为基础并进一步发展。目标是将机器学习与程序评估工具配对，以在标准方法有限的环境中估计因果处理效应。标准：经济学或相关领域的博士学位（或即将完成博士学位），计量经济学方法的强大技能以及环境和气候变化经济学的专业知识和研究兴趣，强大的编码技能
IAAE 2022 年年会国际应用计量经济学协会征文截止日期：2022 年 2 月 15 日伦敦国王学院2022 年 6 月 21 日至 24 日 IAAE 讲座Joshua Angrist，麻省理工学院特邀演讲嘉宾Xiaohong Chen，耶鲁大学Sílvia Gonçalves，麦吉尔大学Jesús Gonzalo，马德里卡洛斯三世大学Refet S. Gürkaynak，比尔肯特大学Michael Keane，新南威尔士大学Jonathan Wright，约翰霍普金斯大学后勤：会议将于 2022 年 6 月 21 日至 24 日在英国伦敦国王学院大学举办。我们计划亲自组织会议。请关注此
New and Novel ARCH Model Application (Seriously)
睡眠的变异性和波动性：一种原型方法作者：Hamermesh, Daniel S. (巴纳德学院)；Pfann, Gerard A. (马斯特里赫特大学)摘要：使用 1975 年至 2005 年荷兰时间日记数据，每天连续 7 天覆盖 10,000 多名受访者，我们发现个人的睡眠时间表现出变异性和波动性，其特征是平稳自回归条件异方差性：一天中与一个人平均睡眠时间的偏差绝对值与第二天的偏差绝对值呈正相关。周末和受教育程度较低、年龄较小且家中没有幼儿的人的睡眠变化更大。有幼儿的父母的波动性更大，男性的波动性略高于女性，但与其他人口统计数据无关。一种旨在尽量减少睡眠分散的经济激励理论预测，高薪工人的分散
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
