Model averaging prediction for possibly nonstationary autoregressions
可能非平稳自回归的模型平均预测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：摘要直接研究单整无限阶自回归过程的模型平均与均方预测误差，属于时间序列和预测方法。
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
可能非平稳自回归的模型平均预测
- 研究问题
- 对于单整的无限阶自回归过程，如何选择模型平均预测权重以降低均方预测误差，并明确模型平均相对模型选择的改进情形？
- 方法与思路
- 作者推导固定权重预测误差的一致渐近表达式，提出 Mallows 型数据驱动权重准则，并分析相关模型平均变体及含确定性趋势的扩展。
- 材料陈述的贡献
- 摘要称，所提方法及部分变体具有均方预测误差渐近最优性，在系数代数衰减情形可较模型选择降低误差，并以模拟和实际数据支持。
- 阅读关注点
- 应核对单整过程与系数衰减的条件、候选模型及权重集合、最优性比较范围，以及确定性趋势如何改变准则和理论。
- 阅读边界
- 仅依据所给 RePEc 出版社摘要；单整阶数、候选阶数增长和误差降低幅度未说明，不能将特定衰减情形的优势普遍化或推断版本变化。
原文摘要
As an alternative to model selection (MS), this paper considers model averaging (MA) for integrated autoregressive processes of infinite order (AR(∞)). We derive a uniformly asymptotic expression for the mean squared prediction error (MSPE) of the averaging prediction with fixed weights and then propose a Mallows-type criterion to select the data-driven weights that minimize the MSPE asymptotically. We show that the proposed MA estimator and its variants, Shibata and Akaike MA estimators, are asymptotically optimal in the sense of achieving the lowest possible MSPE. We further demonstrate that MA can provide significant MSPE reduction over MS in the algebraic-decay case. These theoretical findings are extended to integrated AR(∞) models with deterministic time trends and are supported by Monte Carlo simulations and real data analysis.