Jackknife model averaging for quantile regressions
分位数回归的刀切法模型平均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：摘要明确研究分位数回归模型平均，并应用于超额股票收益分位数预测，支持分布分析与收益预测分类。
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
分位数回归的刀切法模型平均
- 研究问题
- 当候选分位数回归模型可能全部设定错误、参数数量随样本增长时，如何选择模型平均权重以改善样本外预测？
- 方法与思路
- 作者通过最小化留一交叉验证准则选择刀切法模型平均权重，允许误差与回归变量相关，并开展模拟和分位数预测。
- 材料陈述的贡献
- 摘要称该估计量在最小化样本外最终预测误差的意义下渐近最优，并将方法用于超额股票收益与工资分位数预测。
- 阅读关注点
- 应核对分位数预测损失的定义、参数增长限制、误差与解释变量相关的处理，以及时间相关数据中的验证方案。
- 阅读边界
- 仅据所给出版社摘要，无法判断有限样本优势幅度或适用条件；允许误差相关并不直接提供因果识别结论。
原文摘要
In this paper we consider model averaging for quantile regressions (QR) when all models under investigation are potentially misspecified and the number of parameters is diverging with the sample size. To allow for the dependence between the error terms and regressors in the QR models, we propose a jackknife model averaging (JMA) estimator which selects the weights by minimizing a leave-one-out cross-validation criterion function and demonstrate its asymptotic optimality in terms of minimizing the out-of-sample final prediction error. We conduct simulations to demonstrate the finite-sample performance of our estimator and compare it with other model selection and averaging methods. We apply our JMA method to forecast quantiles of excess stock returns and wages.