A loss discounting framework for model averaging and selection in time series models
时间序列模型平均与选择的损失折扣框架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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确研究时间序列模型与预测组合，并以宏观经济预测案例进行方法比较。
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
时间序列模型平均与选择的损失折扣框架
- 研究问题
- 如何根据预测损失动态调整模型组合权重，使大规模模型平均或选择能够适应不同预测目标及突然发生的状态变化？
- 方法与思路
- 作者结合贝叶斯模型合成与广义贝叶斯方法，用损失函数评价模型，采用多层折扣机制描述权重动态并进行宏观预测比较。
- 材料陈述的贡献
- 摘要称该框架灵活且计算高效，在若干宏观预测案例中经常优于更复杂方法，但未提供各任务与基准的数值结果。
- 阅读关注点
- 应核对损失和折扣层级的选择、权重更新与调参方式，以及预测比较是否采用一致信息集并覆盖状态变化时期。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实。摘要中的表现优势限于作者所述案例，未说明数据、指标及统计显著性。
原文摘要
We introduce a Loss Discounting Framework for model and forecast combination which generalises and combines Bayesian model synthesis and generalized Bayes methodologies. We use a loss function to score the performance of different models and introduce a multilevel discounting scheme which allows a flexible specification of the dynamics of the model weights. This novel and simple model combination approach can be easily applied to large scale model averaging/selection, can handle unusual features such as sudden regime changes, and can be tailored to different forecasting problems. We compare our method to both established methodologies and state of the art methods for a number of macroeconomic forecasting examples. We find that the proposed method offers an attractive, computationally efficient alternative to the benchmark methodologies and often outperforms more complex techniques.