《7 LASSO、回归树、套袋法与随机森林法前10解释变量特征测度表单位：百分比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《跨国增长实证研究的模型不确定性问题：机器学习的视角》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

作为常规方法的对比与参照，表4汇报了5种进阶方法与3种传统计量方法的变量排序结果。从中可以看出，EN、M5P-BG和M5P-RF总体表现最佳。EN法选取的9个变量都是Sala-i-Martin et al.(2004）应用BMA方法获得的显著变量，而M5P-BG与M5P-RF分别选择了7个和8个显著变量，其中分别有5个和6个前10显著变量。与此不同，SVR、LSB两个机器学习方法仅选取出1个与3个显著变量，说明其变量排序与稳健性方面有较大的欠缺。传统计量方法上，BLR与FMA均只选择出1个显著变量，甚至远差于最基础的逐步回归法，后者排序选择出了8个显著变量，其中有6个是前10显著的。