TIME-VARYING COMPLETE SUBSET AVERAGING IN A DATA-RICH ENVIRONMENT
数据丰富环境中的时变完全子集平均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：摘要明确包含主成分因子降维，以及通胀预测和股票风险溢价预测应用。
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…
数据丰富环境中的时变完全子集平均
- 研究问题
- 在回归系数随时间变化且预测变量可能很多时，如何选择随时间变化的子集规模，并兼顾预测误差和计算负担？
- 方法与思路
- 作者用局部留出 h 个观测的交叉验证选择时变子集规模；预测变量较多时，先用主成分提取因子再进行子集平均。
- 材料陈述的贡献
- 摘要称两种方法具有局部均方误差意义下的渐近最优性，生成因子下结论仍成立；模拟与预测应用提供支持。
- 阅读关注点
- 应核对子集平均的权重规则、局部交叉验证与带宽选择、因子估计误差的处理，以及最优性的候选模型比较范围。
- 阅读边界
- 仅据所给 Crossref 版本摘要，具体条件及预测改进幅度未说明；不能声称普遍优于其他方法或推断刊本变化。
原文摘要
This study proposes two novel time-varying model-averaging methods for time-varying parameter regression models. When the number of predictors is small, we propose a novel time-varying complete subset-averaging (TVCSA) procedure, where the optimal time-varying subset size is obtained by minimizing the local leave- h -out cross-validation criterion. The TVCSA method is asymptotically optimal for achieving the lowest possible local mean squared error. When the number of predictors is relatively large, we propose a factor TVCSA method to reduce the computational burden by first reducing the dimension of predictors by extracting a few factors using principal component analysis and then obtaining the TVCSA forecasts from time-varying models with the generated factors. We show that the TVCSA estimator remains asymptotically optimal in the presence of generated factors. Monte Carlo simulation studies have provided favorable evidence for the TVCSA methods relative to the popular model-averaging methods in the literature. Empirical applications to equity premiums and inflation forecasting highlight the practical merits of the proposed methods.