Forecasting With Model Uncertainty: Representations and Risk Reduction
模型不确定性下的预测：表示与风险降低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：摘要明确比较模型选择后的预测分布与预测风险，并提出改进预测程序的方法，直接对应预测方法这一细分。
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
模型不确定性下的预测：表示与风险降低
- 研究问题
- 预测变量选择存在不确定性时，模型选择与参数估计如何共同影响预测风险？样本内、样本外和分样本程序应如何比较与改进？
- 方法与思路
- 作者在弱预测变量的局部渐近框架下，比较 AIC、样本外和分样本程序的分布与风险，并研究模拟校正及 bagging 的作用。
- 材料陈述的贡献
- 摘要给出便于比较预测风险的分布表示，并称模拟校正可在整个局部参数空间改善样本外与分样本方法的准确性。
- 阅读关注点
- 重点核对弱预测变量的局部渐近设定、风险与准确性的定义，以及模拟校正和 bagging 的实现及有限样本适用条件。
- 阅读边界
- 摘要中的改善保证限于所述局部参数空间，数值比较也仅涉及部分设定；摘要未说明预测对象、数据结构及一般有限样本保证。
原文摘要
We consider forecasting with uncertainty about the choice of predictor variables. The researcher wants to select a model, estimate the parameters, and use this for forecasting. We investigate the dis-tributional properties of a number of different schemes for model choice and parameter estimation: in-sample model selection using the Akaike information criterion, out-of-sample model selection, and splitting the data into subsamples for model selection and parameter estimation. Using a weak-predictor local asymptotic scheme, we provide a representation result that facilitates comparison of the distributional properties of the procedures and their associated forecast risks. We develop a sim-ulation procedure that improves the accuracy of the out-of-sample and split-sample methods uni-formly over the local parameter space. We also examine how bootstrap aggregation (bagging) affects the local asymptotic risk of the estimators and their associated forecasts. Numerically, we find that for many values of the local parameter, the out-of-sample and split-sample schemes perform poorly if implemented in the conventional way. But they perform well, if implemented in conjunction with our risk-reduction method or bagging.