Generalized Shrinkage Methods for Forecasting Using Many Predictors
利用大量预测变量进行预测的广义收缩方法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：摘要用大量宏观变量开展预测比较，并将主成分等正交预测变量下的收缩方法与动态因子模型对照，直接对应宏观预测与因子模型。
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
利用大量预测变量进行预测的广义收缩方法
- 研究问题
- 面对大量正交预测变量，各类预测方法如何通过收缩控制变量贡献，它们在美国宏观变量预测中与动态因子模型相比表现如何？
- 方法与思路
- 作者用统一的收缩表示刻画预检验、贝叶斯模型平均、经验贝叶斯与bagging，再用1960—2008年143个宏观变量的季度数据比较预测。
- 材料陈述的贡献
- 摘要提供多种高维预测方法的统一收缩刻画，并报告在多数序列、包括实际经济活动指标上，所比较收缩方法的预测表现不及动态因子模型。
- 阅读关注点
- 全文应核对正交预测变量如何构造、各方法的收缩参数及调参规则，并检查预测期限、评价指标、样本划分和动态因子模型的比较设置。
- 阅读边界
- 摘要未说明预测损失差异的数值、统计显著性与稳定性；多数序列上的结果仅对应所用数据及设定，不能推断收缩预测方法普遍较差。
原文摘要
This article provides a simple shrinkage representation that describes the operational characteristics of various forecasting methods designed for a large number of orthogonal predictors (such as principal components). These methods include pretest methods, Bayesian model averaging, empirical Bayes, and bagging. We compare empirically forecasts from these methods with dynamic factor model (DFM) forecasts using a U.S. macroeconomic dataset with 143 quarterly variables spanning 1960–2008. For most series, including measures of real economic activity, the shrinkage forecasts are inferior to the DFM forecasts. This article has online supplementary material.