Forecasting by factors, by variables, by both or neither?
用因子、变量、二者还是都不用来预测？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：摘要同时讨论因子预测、美国 GDP 不同跨度预测及多重断点和位置变化，支持所选三个方向。
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…
用因子、变量、二者还是都不用来预测？
- 研究问题
- 在可能发生结构变化的宏观预测中，因子、原始变量及两者结合的表现如何随预测跨度变化，位置变化应如何处理？
- 方法与思路
- 作者用 Autometrics 联合选择主成分与变量，以脉冲指示变量饱和法处理多重断点，并比较美国 GDP 预测。
- 材料陈述的贡献
- 摘要称因子更适合即时或短期预测，相对表现随跨度增加而下降；GDP 水平预测显示位置变化时需采用稳健策略。
- 阅读关注点
- 应核对模型选择与断点处理、各预测跨度的评估设计，以及截距修正或差分如何应对位置变化。
- 阅读边界
- 仅据所给出版社摘要，结论来自所述美国 GDP 数据和预测设计；具体误差指标、显著性及跨样本稳定性未说明。
原文摘要
We consider forecasting with factors, variables and both, modeling in-sample using Autometrics so all principal components and variables can be included jointly, while tackling multiple breaks by impulse-indicator saturation. A forecast-error taxonomy for factor models highlights the impacts of location shifts on forecast-error biases. Forecasting US GDP over 1-, 4- and 8-step horizons using the dataset from Stock and Watson (2009) updated to 2011:2 shows factor models are more useful for nowcasting or short-term forecasting, but their relative performance declines as the forecast horizon increases. Forecasts for GDP levels highlight the need for robust strategies, such as intercept corrections or differencing, when location shifts occur as in the recent financial crisis.