Forecasting using random subspace methods
使用随机子空间方法进行预测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：摘要明确讨论宏观经济预测，并使用 FRED-MD 数据评估关键宏观指标。
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
使用随机子空间方法进行预测
- 研究问题
- 在预测变量维度较高的回归中，如何通过随机生成并平均多个子模型改善预测，尤其是宏观经济指标的预测？
- 方法与思路
- 作者随机选择预测变量或施加随机高斯权重，汇总多个子模型预测，并推导这些策略的渐近均方预测误差上界。
- 材料陈述的贡献
- 摘要称理论界显示方法适合宏观预测，FRED-MD 应用支持理论发现，并报告其对关键宏观指标优于所比较的方法。
- 阅读关注点
- 应核对子空间维度、模型数量和权重选择，误差上界的成立条件，以及实证预测窗口、基准方法与指标选择。
- 阅读边界
- 仅依据所给出版社摘要；摘要未说明比较方法、预测期限和优势幅度，所称优势不能推广到所有数据与预测任务。
原文摘要
Random subspace methods are a new approach to obtain accurate forecasts in high-dimensional regression settings. Forecasts are constructed by averaging over forecasts from many submodels generated by random selection or random Gaussian weighting of predictors. This paper derives upper bounds on the asymptotic mean squared forecast error of these strategies, which show that the methods are particularly suitable for macroeconomic forecasting. An empirical application to the FRED-MD data confirms the theoretical findings, and shows random subspace methods to outperform competing methods on key macroeconomic indicators.