发帖
雷达卡
数据与目标
- 11 个已运营城市，2025 年 1 月–2026 年 7 月非平衡面板（T≈19）；
- 被解释变量：城市月度翻台率；
- 解释变量：城市固有特征（人口、密度、气候、地形、公交发达程度等）、投放量 / 车占率、天气（气温、降水、节假日）；
- 目标：预测一个全新城市（不在样本中）的月度翻台率，投放量为待决策变量，需支持条件预测。
- OLS 线性回归（混合 OLS + 城市特征）和固定效应模型适合这个场景吗？ 我的理解是 FE 因为新城市没有个体效应而无法用于样本外预测，OLS 则忽略了面板结构和城市异质性 —— 这个判断对吗？
- 除了 OLS 和 FE，还有哪些模型适合这种小 N（11 城）、目标是新城市截面外推的场景？ 比如随机效应 / 多层模型、贝叶斯层次模型等，各自的适用性和门槛如何？
- 机器学习（如 XGBoost/LightGBM）值得尝试吗？ 总样本量约 150–200 条、仅 11 个城市的截面变异，会不会严重过拟合？如果做，验证策略是否必须用 leave-one-city-out CV？
京公网安备 11010802022788号
