基于Lasso方法的上海经济增长影响因素实证研究.pdfVIP

经 济 实 证 基于Lasso方法的上海经济增长影响因素实证研究 钟金花 (上海财经大学 统计与管理学院，上海 200433) 摘 要：文章从 国际环境、国内宏观环境和上海市局部环境 中共选取 12个主要影响因素作为变量，运用 Lasso变量选择的方法，对影响上海市经济增长的这些主要影响因素进行了实证研究，从而揭示上海现阶段发 展经济的优势与劣势。 关键词 ：Lasso变量选择；经济增长；影响因素；上海市 中图分类号：F222．1 文献标识码 ：A 文章编号：1002—6487(2叭3)O1—0154—03 fi=argminIY[一 约束∑ lf (3) 1 Lasso变量选择方法 实际上(3)式的不等式∑?：l起着有效的限制参数 1．1 Lasso变量选择模型 空间的作用。 在实际问题建模中往往涉及变量选择问题。所建模 1．2 Lasso变量选择算法 型的变量比真实模型多或者少都将不利于 问题的研究。 对于任意的￡，截距项 口的估计值为a一 一 ，其中 Lasso方法是用模型的绝对系数函数作为惩罚项来压缩模 = ( ， …．， )是由各变量均值组成的向量。 的估 型的系数，使绝对值较小的系数压缩为0，从而同时达到 计则用generalizecross—validation(GCV)算法。由于约束 变量选择和参数估计的目的，而传统方法的变量选择和参 ∑HP lf可以写成∑ 。／Iglt，因此该约束相当于 数估计是分开的。Lasso方法 艮好地克服了传统变量选 择方法在选择模型方面的不足，同时又保留了子集选择和 在最小二乘项上加了拉格朗日惩罚 ∑ ／，其中 依 岭回归的优 良性质，从而受到极大的推崇。 赖于t。因此基于约束的最小二乘解 口为： 文章在此讨论基于线性模型的Lasso变量选择方法。 = (x x+ ～)一x (4) 假设 与 1，3g2…．， 存在线性回归关系，则有 其中 =diag(1fi~1)，而 一为w的广义逆。基于约束 y=Xfl+e (1) 的参数估计 的非0参数个数为： 其 中 Y=(Yl，Yz…．，) ，X~(3L1，2…．，)， =(¨，X2 声()=tr[X(X x+ 一)x ] (5) … ． ，2t5) ， 1，2…．，P， 为观测值个数 。 ：( 2， 令 ， )为基于约束t的拟合残差平方和，则可以构造 … ， )，是待估参数。误差向量 e=(￡，e…．，￡) ，且满 GCV(generalizecross—validation)~1]下： 足 E(￡)=0，Coy(e)=0-2 。假定 E(ylX)=fl1351+ 2z2 GCv(t) (6) +…+ ，并且模型系数 z…… 中有许多系数为 根据以上思路，得到Lasso变量选择算法如下： 0，也即稀疏模型，则Lasso变量选择就是要基于获取的数 (a)对任意给定的 ，以最小二乘参数估计作为迭代 据来识别模型中系数为0的那些变量，并且估计非0系数， 初始值 ，根据 得到 ，将 带入 (4)式从而得 从而找出稀疏模型。 基于线性模型的Lasso变量选择 问题实际上可表述 到 。接着 以 作为迭