A comparison of two model averaging techniques with an application to growth empirics
两种模型平均技术的比较及其在增长实证中的应用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：摘要聚焦通用模型平均与增长应用，未说明面板、时间序列或预测等所列细分所需特征。
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…
两种模型平均技术的比较及其在增长实证中的应用
- 研究问题
- 面对增长实证中的模型不确定性，贝叶斯模型平均与加权平均最小二乘如何进行参数估计，其计算和先验处理有何差别？
- 方法与思路
- 作者比较多种模型平均技术，重点对照 BMA 与 WALS，并将相关理论应用于模型不确定性较高的增长实证。
- 材料陈述的贡献
- 摘要称 WALS 的计算负担很小，对先验无知的定义更透明，并在增长实证中提供新的解释；具体结论需全文核对。
- 阅读关注点
- 应核对两种方法的权重构造、先验无知定义与比较准则，并查看增长应用如何评估模型不确定性和结果敏感性。
- 阅读边界
- 仅据所给出版社摘要，无法判断计算优势的规模或估计风险表现；样本结构、应用数值及优势成立范围均未说明。
原文摘要
Parameter estimation under model uncertainty is a difficult and fundamental issue in econometrics. This paper compares the performance of various model averaging techniques. In particular, it contrasts Bayesian model averaging (BMA) -- currently one of the standard methods used in growth empirics -- with a new method called weighted-average least squares (WALS). The new method has two major advantages over BMA: its computational burden is trivial and it is based on a transparent definition of prior ignorance. The theory is applied to and sheds new light on growth empirics where a high degree of model uncertainty is typically present.