Boosting diffusion indices
扩散指数预测中的提升法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：摘要研究因子增强自回归中的变量选择和经济变量预测，明确同时涉及预测、因子模型及时间序列方法。
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
扩散指数预测中的提升法
- 研究问题
- 因子增强自回归面对大量无自然排序的预测变量时，如何通过提升法选择变量，并避免由估计生成的预测变量造成过拟合？
- 方法与思路
- 作者将提升法用于因子增强自回归，提出考虑估计预测变量的停止规则，并比较逐分量和按变量块处理滞后项的方式。
- 材料陈述的贡献
- 摘要称最佳方法依赖数据生成过程；模拟及四个经济变量应用中，某些提升法优于标准因子增强预测和自回归预测。
- 阅读关注点
- 应核对停止规则如何处理因子估计误差、两种滞后选择方式的差别，以及模拟设计、样本外评价和方法选择是否独立。
- 阅读边界
- 所给 Crossref 摘要未列出四个变量、预测期限或改善数值；其结果明确依赖数据类型，不能据此指定统一最优提升法。
原文摘要
Abstract In forecasting and regression analysis, it is often necessary to select predictors from a large feasible set. When the predictors have no natural ordering, an exhaustive evaluation of all possible combinations of the predictors can be computationally costly. This paper considers ‘boosting’ as a methodology of selecting the predictors in factor‐augmented autoregressions. As some of the predictors are being estimated, we propose a stopping rule for boosting to prevent the model from being overfitted with estimated predictors. We also consider two ways of handling lags of variables: a componentwise approach and a block‐wise approach. The best forecasting method will necessarily depend on the data‐generating process. Simulations show that for each data type there is one form of boosting that performs quite well. When applied to four key economic variables, some form of boosting is found to outperform the standard factor‐augmented forecasts and is far superior to an autoregressive forecast. Copyright © 2009 John Wiley & Sons, Ltd.