The three-pass regression filter: A new approach to forecasting using many predictors
三遍回归滤波：利用大量预测变量进行预测的新方法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：摘要明确涉及共同因子驱动的大量预测变量，并以宏观总量预测和股票市场收益预测作为两项应用。
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…
关注这篇论文的作者
三遍回归滤波：利用大量预测变量进行预测的新方法
- 研究问题
- 当大量预测变量受到多个共同因子驱动时，如何提取与单一目标序列有关的信息，并构造可计算且具有一致性的预测？
- 方法与思路
- 作者提出三遍回归滤波，以一组普通最小二乘回归实现闭式计算；其属于受约束最小二乘，并包含偏最小二乘这一特例。
- 材料陈述的贡献
- 摘要称，时间与横截面维度同时增大时，预测趋于不可行的最优预测；只需指定目标相关因子数，并提供模拟及两类应用。
- 阅读关注点
- 应核对相关因子的识别方式、代理变量构造、双维度渐近条件，以及宏观总量和股票收益预测中的样本划分与比较标准。
- 阅读边界
- 仅据所给出版社摘要，无法判断一致性所需的完整条件或预测改善幅度；不能由模拟表述推断其在所有预测任务中占优。
原文摘要
We forecast a single time series using many predictor variables with a new estimator called the three-pass regression filter (3PRF). It is calculated in closed form and conveniently represented as a set of ordinary least squares regressions. 3PRF forecasts are consistent for the infeasible best forecast when both the time dimension and cross section dimension become large. This requires specifying only the number of relevant factors driving the forecast target, regardless of the total number of common factors driving the cross section of predictors. The 3PRF is a constrained least squares estimator and reduces to partial least squares as a special case. Simulation evidence confirms the 3PRF’s forecasting performance relative to alternatives. We explore two empirical applications: Forecasting macroeconomic aggregates with a large panel of economic indices, and forecasting stock market returns with price–dividend ratios of stock portfolios.