Inference for Forecasting Accuracy: Pooled versus Individual Estimators in High-dimensional Panel Data
高维面板中合并估计与个体估计的预测准确性推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接研究高维面板估计和预测误差比较，支持面板与预测分类，但未限定宏观应用。
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
高维面板中合并估计与个体估计的预测准确性推断
- 研究问题
- 时间和截面维度均较大的面板中，如何统计比较合并估计与分别估计的预测误差，并评估方差降低与偏差增加的权衡？
- 方法与思路
- 作者为两类估计量的预测误差差构造置信区间，建立允许时间与截面依赖的渐近理论，并用模拟考察有限样本表现。
- 材料陈述的贡献
- 摘要称置信区间具有渐近有效性，理论覆盖部分截面维度远大于时间维度的情形，独立情形包含N/T²趋零条件。
- 阅读关注点
- 核对预测损失和误差差的定义、依赖结构与维度增长条件，以及置信区间如何计入参数估计和预测样本的不确定性。
- 阅读边界
- 这是arXiv预印本，同行评审或期刊接收未核实；摘要未列出一般依赖下的维度限制，也未表明哪类估计量普遍更优。
原文摘要
Panels with large time $(T)$ and cross-sectional $(N)$ dimensions are a key data structure in social sciences and other fields. A central question in panel data analysis is whether to pool data across individuals or to estimate separate models. Pooled estimators typically have lower variance but may suffer from bias, creating a fundamental trade-off for optimal estimation. We develop a new inference method to compare the forecasting performance of pooled and individual estimators. Specifically, we propose a confidence interval for the difference between their forecasting errors and establish its asymptotic validity. Our theory allows for complex temporal and cross-sectional dependence in the model errors and covers scenarios where $N$ can be much larger than $T$-including the independent case under the classical condition $N/T^2 \to 0$. The finite-sample properties of the proposed method are examined in an extensive simulation study.