Time-Varying Model Averaging for FAVAR Models with Smooth Structural Changes
平滑结构变化下 FAVAR 模型的时变模型平均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：摘要明确结合因子增强 VAR、宏观预测和对平滑结构变化的时变适应。
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…
平滑结构变化下 FAVAR 模型的时变模型平均
- 研究问题
- 大量预测变量环境中的因子增强 VAR 如何通过时变模型平均适应平滑结构变化，并选择局部预测误差较小的组合权重？
- 方法与思路
- 作者提出时变 FAVAR 模型平均，构造排除与权重无关项的局部留一交叉验证准则，选择时变组合权重并研究渐近性质。
- 材料陈述的贡献
- 摘要称准则对局部均方误差渐近无偏，方法达到不可行下界并给出收敛速度；模拟和美国宏观预测应用报告了比较优势。
- 阅读关注点
- 应核对结构变化的平滑性条件、局部窗口与候选模型设置、不可行下界的定义，以及预测比较和权重收敛结论的条件。
- 阅读边界
- 解读限于所给 OpenAlex 摘要；摘要未说明样本区间、预测期限、误差改善幅度或完整正则条件，不能据此断言普遍优越。
原文摘要
Factor-augmented vector autoregressive (FAVAR) models serve as a powerful tool for forecasting economic and financial variables, particularly in environments with a large number of predictors. In this study, we propose a time-varying model-averaging method for FAVAR (TVMA-FAVAR) that accommodates smooth structural changes. To estimate the optimal time-varying combination weights, we develop a local leave-one-out cross-validation (LLOCV) criterion that is asymptotically unbiased for the local mean squared error (LMSE), as it excludes a term irrelevant to the weight vector. We establish the asymptotic optimality of the TVMA-FAVAR method by demonstrating that its LMSE attains an infeasible lower bound. In addition, we derive the convergence rates of the selected weights and the TVMA-FAVAR estimator. Monte Carlo simulations show that the proposed method outperforms existing popular model averaging and selection approaches. An empirical application to forecasting U.S. macroeconomic variables further illustrates the superior predictive performance of the TVMA-FAVAR method.