OPTIMAL MULTISTEP VAR FORECAST AVERAGING
最优多步 VAR 预测平均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：摘要直接研究平稳 VAR 的迭代与直接多步预测平均，对应预测、包含 VAR 的细分及时间序列方向，但未讨论冲击识别。
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
最优多步 VAR 预测平均
- 研究问题
- 在 VAR 模型可能误设时，如何为迭代式与直接式多步预测选择模型平均权重，并说明不同预测期下的渐近预测损失性质？
- 方法与思路
- 作者提出多方程最小二乘平均，分别使用多元 Mallows 与按预测期留出的交叉验证准则，并在平稳无限阶 VAR 框架下分析。
- 材料陈述的贡献
- 摘要称建立渐近无偏性与最优性论证：Mallows 方法具有一步预测最优性，直接多步预测则按预测期分别选择最优组合权重。
- 阅读关注点
- 应核对两种准则各自适用的预测方式、一步与多步最优性的区别、无限阶 VAR 的条件，以及误设模拟中的损失定义。
- 阅读边界
- 仅依据所给 Crossref 摘要；具体条件与模拟数值未说明，不能把一步 Mallows 最优性推广到所有迭代多步预测或推断刊本变化。
原文摘要
This article proposes frequentist multiple-equation least-squares averaging approaches for multistep forecasting with vector autoregressive (VAR) models. The proposed VAR forecast averaging methods are based on the multivariate Mallows model averaging (MMMA) and multivariate leave- h -out cross-validation averaging (MCVA h ) criteria (with h denoting the forecast horizon), which are valid for iterative and direct multistep forecast averaging, respectively. Under the framework of stationary VAR processes of infinite order, we provide theoretical justifications by establishing asymptotic unbiasedness and asymptotic optimality of the proposed forecast averaging approaches. Specifically, MMMA exhibits asymptotic optimality for one-step-ahead forecast averaging, whereas for direct multistep forecast averaging, the asymptotically optimal combination weights are determined separately for each forecast horizon based on the MCVA h procedure. To present our methodology, we investigate the finite-sample behavior of the proposed averaging procedures under model misspecification via simulation experiments.