Quantile prediction with factor-augmented regression: Structural instability and model uncertainty
因子增广回归的分位数预测：结构不稳定性与模型不确定性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：摘要明确结合美国通胀预测、因子增广信息和平滑结构变化，直接对应宏观预测、因子模型与结构变化。
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
因子增广回归的分位数预测：结构不稳定性与模型不确定性
- 研究问题
- 面对平滑结构变化和高维预测信息时，如何构造时变系数的因子增广分位数预测，并通过模型平均处理模型不确定性？
- 方法与思路
- 作者采用局部线性分位数估计刻画时变系数，并基于局部前向验证选择时变模型平均权重，以降低样本外预测风险。
- 材料陈述的贡献
- 摘要称，在模型误设下建立系数估计的一致性，并证明平均估计的风险渐近最优性、权重选择一致性及相关渐近分布。
- 阅读关注点
- 应核对因子的估计与使用方式、平滑变化和误设条件，以及前向验证窗口、预测风险定义与权重一致性的具体含义。
- 阅读边界
- 仅依据所给 RePEc 出版社摘要；因子数、带宽、预测窗口及美国通胀预测结果未说明，不能认定样本外优势普遍成立或推断版本变化。
原文摘要
The quantile regression is an effective tool in modeling data with heterogeneous conditional distribution. This paper considers the time-varying coefficient quantile predictive regression with factor-augmented predictors, to capture smooth structural changes and incorporate high-dimensional data information in prediction simultaneously. Uniform consistency of the local linear quantile coefficient estimators is established under misspecification. To further improve the forecast accuracy, a novel time-varying model averaging based on local forward-validation is developed. The averaging estimator is shown to be asymptotically optimal in the sense of minimizing out-of-sample forecast risk function. Furthermore, the weight selection consistency and the asymptotic distribution of the averaging coefficient estimator are established. Numerical results from simulations and a real data application to forecasting U.S. inflation demonstrate the nice performance of the averaging estimators.