Combining Forecasts – On Why Averaging Beats Optimal Linear Weights
预测组合：为什么简单平均胜过最优线性权重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：摘要直接研究点预测组合、样本外均方误差和预测权重选择。
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
预测组合：为什么简单平均胜过最优线性权重
- 研究问题
- 为什么简单平均常比估计最优权重具有更小的样本外均方误差，在合理情境中最优组合究竟能提供多大收益？
- 方法与思路
- 作者研究经验与理论上合理限制下最优权重的潜在收益，分析何时应舍弃部分预测再平均，并据此提出权重估计程序。
- 材料陈述的贡献
- 摘要称合理限制下最优组合收益可能很小；若收益较大，筛除部分预测后平均是其理论分析支持的最佳组合方式。
- 阅读关注点
- 应核对合理限制的具体含义、收益衡量的比较基准、舍弃预测的选择规则，以及新权重程序如何处理估计误差。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；限制条件和程序细节未说明，不能据此断言简单平均在所有预测任务中均最优。
原文摘要
A continuing puzzle in constructing a point forecast by combining individual forecasts is that simple averaging often leads to a smaller out-of-sample mean square error compared to estimating optimal weights (the forecast combination puzzle). Most researchers have suggested that the puzzle is explained by estimation error in computing the weights, typically by estimation of a restricted least squares regression. For this explanation, gains from optimal weights must be small. This paper focuses on this complementary part of the argument and asks how large the gains from optimal combination can be in empirically and theoretically reasonable situations. Under these restrictions we show that gains can indeed be small, and that for gains to be large the best approach to forecast combination is to discard some of the forecasts and average over the remaining ones. We introduce a new weight estimation procedure implied by the theoretical results.