跨国增长实证研究的模型不确定性问题：机器学习的视角

论文摘要

过去30年间跨国经济增长实证研究领域提出了近150个增长决定因素,而全球200余个国家(地区)的样本限制意味着在总结跨国增长经验时必须考虑模型不确定性问题。有别于该领域经典文献所使用的传统计量方法,本文探索了新近的机器学习方法对该问题的分析所可能有的贡献。本文从小样本、变量排序、非线性特征三个角度说明具有一定特征的机器学习方法较传统计量方法可以更有效地处理模型不确定性问题。利用标准的跨国经济增长数据集,本文考察了10种常见机器学习方法的应用表现,并与3种传统计量方法作了比较。结果显示,套袋法与随机森林法及两者的拓展均能在小样本条件下对经济增长决定因素进行有效排序,灵活捕捉数据的非线性特征,让模型不确定性问题化繁为简,得出更为清晰、稳健的结论。本文旨在说明,机器学习方法的应用有助于跨国增长经验事实的归纳与理解,对于补充传统计量方法的局限与不足具有一定的潜力。

论文目录

• 一、问题提出
• 二、模型不确定性的机器学习分析框架
•   1. 常规方法
•   2. 进阶方法
•   3. 解释变量的排序与筛选
•   4. 方法小结
•   5. 推测函数关键特征的度量
• 三、实证分析
•   1. 数据样本
•   2. 实证结果
• 四、结论与讨论

文章来源

类型: 期刊论文

作者: 刘岩,谢天

关键词: 跨国经济增长,机器学习,模型不确定性,变量排序,非线性特征

来源: 中国工业经济 2019年12期

年度: 2019

分类: 经济与管理科学,基础科学

专业: 数学,宏观经济管理与可持续发展,经济体制改革

单位: 武汉大学经济发展研究中心、经济与管理学院,上海财经大学商学院

基金: 国家自然科学基金青年项目“银行竞争与银行资本对银行信贷标准制定的交互影响”（批准号71503191）,国家自然科学基金青年项目“大数据环境下模型平均法对金融市场波动率预测的影响研究”（批准号71701175）,教育部人文社会科学一般项目“稳健异质自回归法对金融市场波动率预测的影响”（批准号17YJC790174）

分类号: F224;F113

DOI: 10.19581/j.cnki.ciejournal.2019.12.001

页码: 5-22

总页数: 18

文件大小: 1587K

下载量: 1549