NIST Researcher Publishes Paper on Design of Control Systems with Nonlinearities
在最近发表于《国际控制杂志》的一篇题为“针对幅度和斜率受限输入的具有多个无记忆非线性的控制系统的设计”的论文中，NIST 研究员 Van Sy Mai 及其同事
Some thoughts on yield curve control
最近有很多关于“收益率曲线控制”（YCC）的讨论。我发现 Joe Weisenthal 和 David Beckworth 之间的最近交流（还有许多其他人加入进来）非常有趣：我通常喜欢 Joe 的热门观点，但这个……哎呀。在我看来，这是一个很好的例子，说明为什么过度依赖利率的“货币观”（即流动性偏好观）会导致人们只见树木不见森林。让我解释一下……1/n https://t.co/EjUltLb4dF— David Beckworth (@DavidBeckworth) 2020 年 8 月 9 日我们中的许多人聚集在 Zoom 上讨论这个话题。以下是我对 YCC 及其涉及的一些问题的看法。如果
The Phillips Curve in Recession and Recovery
菲利普斯曲线可以表示两个概念上截然不同的事物之一（有时会混淆）。首先，菲利普斯曲线可能只是指数据的统计属性 - 例如，通货膨胀和失业之间的相关性是什么（无条件的，还是控制一组因素）？其次，菲利普斯曲线可能指一种理论机制 - 为什么通货膨胀和失业会表现出这样的统计属性？许多人的假设是，统计菲利普斯曲线往往呈负斜率，表明通货膨胀和失业之间存在权衡。对这种负关系的标准理论解释是，高失业率意味着总需求低，因此企业不太愿意提高其商品和服务的价格。相反，当失业率低时，总需求高，允许企业以更快的速度提高价格。问题是统计菲利普斯曲线并不总是负斜率。事实上，有时它们看起来是正斜率。从长期来看，这些数据看起来就像
Non-linear Activation Functions for Neural Networks Simplified
激活函数是形成神经元输出的函数。它为预测添加了非线性，并使基于神经网络的预测器比线性模型好得多。我们通常会问自己应该使用哪种激活函数？答案是，这个问题没有一个万能的答案。这取决于具体情况。让我带您了解最常用的激活函数及其优缺点，以帮助您做出更好的决定。我们可以定义自己的激活函数以最好地满足我们的需求，最常用的激活函数是：1. S 型激活函数 2. Tan 双曲激活函数 3. ReLU（整流线性单元） 4. Leaky ReLU 它们每个的样子如下：图片来源：DeepLearning.ai 专业化 1. S 型激活函数 S 型激活函数的范围在 0 到 1 之间。它看起来像我们在不同研究领域中看到
Reporting an R-Squared Measure for Count Data Models
这篇文章的灵感来自于我前段时间收到的一封电子邮件，该邮件来自一位博客读者。我认为，更“广泛”的回应可能会引起其他读者的兴趣......尽管存在许多局限性，但在报告最小二乘回归结果时，包括判定系数 (R2) 或其“调整后”的值是标准做法。就我个人而言，我认为 R2 是我们结果中包含的最不重要的统计数据之一，但我们都这样做。（请参阅上一篇文章。）如果所讨论的回归模型是线性的（在参数中）并且包含截距，并且如果参数由普通最小二乘法 (OLS) 估计，则 R2 具有许多众所周知的属性。这些包括：0 ≤ R2 ≤ 1。如果我们向模型中添加回归量，R2 的值不会减小。无论我们将这个度量定义为“解释平方和”与
A Permutation Test Regression Example
在上周的一篇文章中，我谈到了排列（随机化）检验，以及它们与我们在计量经济学中通常使用的（经典参数）检验程序有何不同。我假设您已经阅读了该文章。（可能在某个时候会有一次小测验！）我承诺会提供一个基于回归的示例。毕竟，我在上一篇文章中介绍的两个示例旨在揭示排列/随机化检验的基本原理。它们确实没有太多“计量经济学内容”。在下文中，我将交替使用术语“排列检验”和“随机化检验”。我们在这里要做的是查看一个简单的回归模型，看看我们如何使用随机化检验来查看回归变量 x 和因变量 y 之间是否存在线性关系。请注意，我说的是“简单回归”模型。这意味着只有一个回归量（除了截距）。多元回归模型为置换检验提出了各种各
