计量经济学中“机器学习”的“Lasso”变量筛选.docxVIP

计量经济学中“机器学习”的“Lasso”变量筛选

引言

在计量经济学研究中，变量筛选始终是连接理论假设与实证分析的关键环节。传统计量模型通常依赖先验理论或逐步回归选择变量，但面对现代经济数据的“高维化”特征——例如宏观经济监测中的数百个指标、微观行为分析中的多维度个体特征、政策评估中的海量控制变量——传统方法在变量选择效率、模型稳健性及解释力方面逐渐显现出局限性（Hastieetal.,2009）。此时，机器学习领域的“Lasso”（LeastAbsoluteShrinkageandSelectionOperator）方法凭借其独特的“变量筛选-系数估计”双重功能，成为计量经济学处理高维数据的重要工具。本文将系统梳理Lasso变量筛选的核心逻辑，对比其与传统方法的差异，探讨其在计量经济学中的具体应用场景，并总结其学术价值与实践意义。

一、Lasso变量筛选的核心逻辑与理论基础

（一）从正则化到变量筛选：Lasso的方法论本质

Lasso由统计学家Tibshirani于1996年提出，其核心思想是在传统最小二乘估计的基础上引入L1正则化惩罚项，通过约束回归系数的绝对值之和，实现对变量的自动筛选（Tibshirani,1996）。具体而言，Lasso的目标函数可表述为：在最小化残差平方和的同时，对所有系数的绝对值之和施加一个惩罚项（λ）。当λ足够大时，部分变量的系数会