A Comparison of Autoregressive Univariate Forecasting Procedures for Macroeconomic Time Series
宏观时间序列单变量自回归预测程序的比较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：摘要比较宏观时间序列的自动化自回归预测程序，并分析滞后选择与预测期限，直接对应宏观预测及时间序列方法。
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
宏观时间序列单变量自回归预测程序的比较
- 研究问题
- 文章比较自动化单变量自回归程序对宏观时间序列的预测表现，考察预处理、频率、预测期限、估计损失函数和季节调整的影响。
- 方法与思路
- 作者在一百五十条宏观序列上，以随机游走为基准，比较三种滞后选择规则下的长自回归，并纳入采用最小绝对偏差估计的长自回归。
- 材料陈述的贡献
- 摘要称，Akaike 滞后选择准则在多种情形表现良好，三期及以上预测需重视长记忆成分，而预测的线性组合未带来明显改善。
- 阅读关注点
- 应核对样本划分、预测误差指标、滞后规则与数据变换细节，并检查长记忆和组合预测结论是否随预测期限及序列类型变化。
- 阅读边界
- 摘要未给出误差数值、显著性检验或样本划分方式；这些比较结论限于所考察的序列与程序，不能推出所有组合预测都无效。
原文摘要
The actual performance of several automated univariate autoregressive forecasting procedures, applied to 150 macroeconomic time series, are compared. The procedures are the random walk model as a basis for comparison; long autoregressions, with three alternative rules for lag length selection; and a long autoregression estimated by minimizing the sum of absolute deviations. The sensitivity of each procedure to preliminary transformations, data, periodicity, forecast horizon, loss function employed in parameter estimation, and seasonal adjustment procedures is examined. The more important conclusions are that Akaike's lag-length selection criterion works well in a wide variety of situations, the modeling of long memory components becomes important for forecast horizons of three or more periods, and linear combinations of forecasts do not improve forecast quality appreciably.