| Project/Area Number |
19K01582
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 07030:Economic statistics-related
|
|---|
| Research Institution | Otaru University of Commerce |
|---|
Principal Investigator |
LIU QINGFENG 小樽商科大学, 商学部, 教授 (60378958)
|
|---|
| Project Period (FY) |
2019-04-01 – 2022-03-31
|
| Project Status |
Completed (Fiscal Year 2021)
|
| Budget Amount *help |
¥4,290,000 (Direct Cost: ¥3,300,000、Indirect Cost: ¥990,000)
Fiscal Year 2021: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2020: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
Fiscal Year 2019: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
|
|---|
| Keywords | モデル平均 / モデル選択 / 非線形モデル / 超高次元データ / アンサンブル学習 / Machine Collaboration / 機械学習 / Model Averaging / Sparsity / Model Selection / Nonlinear Model / Ultra-high Dimensional / Lasso / Combination / Ultrahigh Dimension / Big Data |
|---|
| Outline of Research at the Start |
本研究は超高次元データ解析の精度を高めるためのモデル平均法の開発を目的とする。近年、モデル平均法は推定の精度を高め、リスクを大きく下げることができると同時にスパース推定のミススペシフィケーションの問題点をある程度克服できるため注目されている。現状ではデータが高次元になるにつれ計算量が膨大になり、特に共変量の次元Pがサンプルサイズnを大きく超える超高次元の状況では、実用的なモデル平均法とそれに関する統計理論が十分に確立されていない。本研究はスパース推定を用いて共変量の次元を減らしてからモデル平均法を適用する二段階推定法を構築して、その統計学的性質を解明し実証研究を行う。
|
| Outline of Final Research Achievements |
We developed several novel model averaging methods, and provided a solution to the high computational cost issue of model averaging. The achievements include model averaging method of OLS and GLS estimators, model averaging method of nonlinear model, model averaging method for GARCH-type models and model averaging method for Ultra-High Dimensional Data.
|
| Academic Significance and Societal Importance of the Research Achievements |
本研究の成果は、モデル平均法の分野では国際的に最先端の課題のチャレンジで、当該分野の発展に大きく貢献していると言える。ビッグデータの時代において、大規模データに適したデータ解析の方法を提供した。学術と社会の発展に技術の面で寄与した。
|
