Machine Learning methods for Econometric analysis
| Project/Area Number |
22H00833
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Single-year Grants |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 07030:Economic statistics-related
|
|---|
| Research Institution | Hosei University |
|---|
Principal Investigator |
劉 慶豊 法政大学, 理工学部, 教授 (60378958)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
奥井 亮 東京大学, 大学院経済学研究科(経済学部), 教授 (20563480)
末石 直也 神戸大学, 経済学研究科, 教授 (40596251)
吉村 有博 京都産業大学, 経済学部, 助教 (40773982)
岩澤 政宗 小樽商科大学, 商学部, 准教授 (50842994)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Project Status |
Declined (Fiscal Year 2023)
|
| Budget Amount *help |
¥15,990,000 (Direct Cost: ¥12,300,000、Indirect Cost: ¥3,690,000)
Fiscal Year 2023: ¥6,370,000 (Direct Cost: ¥4,900,000、Indirect Cost: ¥1,470,000)
Fiscal Year 2022: ¥5,070,000 (Direct Cost: ¥3,900,000、Indirect Cost: ¥1,170,000)
|
|---|
| Keywords | 計量経済学 / 機械学習 / MLE / Parameter Tying / panel data / double machine learning / Kmeans Algorithm / Machine Learning / Econometrics / Ensemble Learning / Classification |
|---|
| Outline of Research at the Start |
機械学習は自由な発想が多く、データサイエンスの一つの分野として成功を収めている。本研究は機械学習の方法を包括的に考察して計量経済分析に適用できる方法や発想を発掘し、経済分析のために改良し、発展させ新しい方法を開発する。主として、既に予備的な結果が得られている、(i) サンプル期間が極端に短いデータの分析を行うためのParameter Tyingに関する研究と、(ii) 構造モデルと非構造モデルとの融合を図るためのMachine Collaborationに関する研究について進めていく。
|
| Outline of Annual Research Achievements |
機械学習の発想や手法を計量経済学に応用する研究を遂行した。まず、機械学習手法に由来するParameter Tyingのアイディアを計量時系列分析に応用することでtying maximum likelihood estimation (TMLE)の方法を開発した。この研究 は、複数の時系列変量の観測期間の長さが異なり、極端に観測期間の短い変量がある場合に、推定パフォーマンスを高めることを目的とする。観測期間の長い時系列と短い時系列のパラメータにある程度の共通性があるならば、TMLEは、短い時系列のパラメータと長い時系列のパラメータをTying (結びつける)ことにより、長い時系列のデータに含まれる短い時系列のパラメータを推定するために有用な情報を移転でき、推定の精度を改善する。本研究ではTMLEの漸近的性質と有限標本の性質を導出し、Tyingの強さを調整するためのTuning Parameterの選択法を開発した。Machine Collaborationに関する研究では計算アルゴリズムのスケーラビリティの問題に直面しており、その解決法を検討している。またMachine Collaborationの分類問題への応用を検討している。さらに、機械学習のKmeans アルゴリズムを利用してグループ分けを行う線形パネルデータモデルの研究と、double machine learning proceduresによるパネルデータモデルの推定法の研究を行なった。もう一つの研究として、高次元データを用いたLassoと呼ばれる統計的推測の方法のバイアスを修正するためのdebiased Lassoと呼ばれる方法の新しいチューニングパラメータの選択方法を提案し、一定の条件の下で、分散を発散させることなく既存手法よりもバイアスを小さくすることが可能であることを示した。
|
| Research Progress Status |
翌年度、交付申請を辞退するため、記入しない。
|
| Strategy for Future Research Activity |
翌年度、交付申請を辞退するため、記入しない。
|
Report
(1 results)
Research Products
(19 results)
