Model averaging by jackknife criterion in models with dependent data
依赖数据模型中基于刀切准则的模型平均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：摘要明确处理依赖数据和滞后因变量，对应动态时间序列模型的方法问题。
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
依赖数据模型中基于刀切准则的模型平均
- 研究问题
- 当误差协方差矩阵非对角或模型包含滞后因变量时，刀切模型平均能否继续实现相应平方误差准则下的渐近最优性？
- 方法与思路
- 作者将刀切模型平均的分析扩展到误差相关与含滞后因变量的模型，建立渐近结果，并用多种模型设定开展模拟。
- 材料陈述的贡献
- 摘要称，在上述依赖数据设定下，刀切模型平均依照与既有研究等价的准则渐近最优，并报告其有限样本模拟表现。
- 阅读关注点
- 应核对允许的误差相关结构、滞后因变量的处理方式、候选模型集合，以及渐近最优准则如何对应实际平方误差。
- 阅读边界
- 仅据所给出版社摘要，无法判断依赖强度限制、候选模型增长条件及有限样本优势；渐近最优不意味着任意样本下表现最佳。
原文摘要
The past decade witnessed a literature on model averaging by frequentist methods. For the most part, the asymptotic optimality of various existing frequentist model averaging estimators has been established under i.i.d. errors. Recently, Hansen and Racine [Hansen, B.E., Racine, J., 2012. Jackknife model averaging. Journal of Econometrics 167, 38–46] developed a jackknife model averaging (JMA) estimator, which has an important advantage over its competitors in that it achieves the lowest possible asymptotic squared error under heteroscedastic errors. In this paper, we broaden Hansen and Racine’s scope of analysis to encompass models with (i) a non-diagonal error covariance structure, and (ii) lagged dependent variables, thus allowing for dependent data. We show that under these set-ups, the JMA estimator is asymptotically optimal by a criterion equivalent to that used by Hansen and Racine. A Monte Carlo study demonstrates the finite sample performance of the JMA estimator in a variety of model settings.