Nonlinear forecasting with many predictors using kernel ridge regression

در این مقاله رگرسیون خط ریج هسته به عنوان روشی برای پیش بینی با بسیاری از پیش بینی کننده ها مطرح می شود که با متغیر هدف غیر خطی ارتباط دارند. در رگرسیون ریج هسته، متغیرهای پیش بینی شده مشاهده شده به صورت غیر خطی به یک فضای با ابعاد بزرگ تبدیل می شوند، در حالی که تخمین مدل رگرسیون پیش بینی براساس برآوردگر انقباضی به منظور اجتناب از جابجایی بیش از حد تعیین شده است. ما روش شناسایی رگرسیون هسته را گسترش می دهیم تا امکان استفاده از آن برای پیش بینی های سری زمانی اقتصادی را فراهم کنیم، از جمله لایهای متغیر وابسته یا سایر متغیرهای فردی به عنوان پیش بینی کننده ها، همانطور که در برنامه های اقتصاد کلان و مالی مورد نظر است. هر دو شبیه سازی مونت کارلو و یک کاربرد تجربی برای اقدامات کلیدی مختلفی از فعالیت اقتصادی واقعی نشان می دهد که رگرسیون رگه های هسته می تواند پیش بینی دقیق تر از روش های سنتی خطی و غیر خطی برای مقابله با بسیاری از پیش بینی ها بر اساس اجزای اصلی تولید کند.