ASYMPTOTICALLY EFFICIENT MODEL SELECTION FOR PANEL DATA FORECASTING
面板数据预测的渐近有效模型选择AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以面板向量自回归和预测风险为研究对象，对应宏观面板与预测方法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
面板数据预测的渐近有效模型选择
- 研究问题
- 使用最小二乘向量自回归预测面板数据时，如何选择候选模型，并在截面维度和时间维度同时增大时获得较低预测风险？
- 方法与思路
- 作者通过最小化估计的二次预测风险选择模型，加重模型维度惩罚以计入固定效应等截面异质性，并扩展至偏差校正最小二乘。
- 材料陈述的贡献
- 摘要称，所提准则在给定条件下具有 Shibata 意义的渐近有效性，并指出偏差校正最小二乘能够显著降低预测风险。
- 阅读关注点
- 应核对截面与时间维度的增长关系、候选模型集合、异质性如何进入惩罚项，以及偏差校正降低风险所需的条件。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确定渐近有效性的具体条件或风险改善幅度；其结论不能直接推广至任意面板结构和预测任务。
原文摘要
This article develops new model selection methods for forecasting panel data using a set of least squares (LS) vector autoregressions. Model selection is based on minimizing the estimated quadratic forecast risk among candidate models. We provide conditions under which the selection criterion is asymptotically efficient in the sense of Shibata (1980) as n (cross sections) and T (time series) approach infinity. Relative to extant selection criteria, this criterion places a heavier penalty on model dimensionality in order to account for the effects of parameterized forms of cross sectional heterogeneity (such as fixed effects) on forecast loss. We also extend the analysis to bias-corrected least squares, showing that significant reductions in forecast risk can be achieved.