On Asymptotic Optimality of Least Squares Model Averaging When True Model Is Included
候选集中包含真实模型时最小二乘模型平均的渐近最优性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。
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：摘要研究通用模型平均的渐近理论，未限定时间序列、宏观预测或其他所列领域，故不据最优性术语强行分类。
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
候选集中包含真实模型时最小二乘模型平均的渐近最优性
- 研究问题
- 当候选集包含固定维度的真实模型时，权重集合及权重选择准则的惩罚增长速度如何影响模型平均的渐近最优性？
- 方法与思路
- 作者研究通常权重集合下的最小二乘模型平均，分析特定阶数的发散惩罚，并区分渐近损失最优性与风险最优性。
- 材料陈述的贡献
- 摘要称，在所述设定下损失最优性不成立而风险最优性成立，且离散与通常权重集合可能产生相反的渐近性质。
- 阅读关注点
- 应核对损失与风险的定义、最优性比较基准、惩罚增长阶数，以及权重集合差异如何改变证明和模拟表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出完整正则条件，不能将其结论推广到所有模型平均程序。
原文摘要
Asymptotic optimality is a key theoretical property in model averaging. Due to technical difficulties, existing studies rely on restricted weight sets or the assumption that there is no true model with fixed dimensions in the candidate set. The focus of this paper is to overcome these difficulties. Surprisingly, we discover that when the penalty factor in the weight selection criterion diverges with a certain order and the true model dimension is fixed, asymptotic loss optimality does not hold, but asymptotic risk optimality does. This result differs from the corresponding result of Fang et al. (2023, Econometric Theory 39, 412-441) and reveals that using the discrete weight set of Hansen (2007, Econometrica 75, 1175-1189) can yield opposite asymptotic properties compared to using the usual weight set. Simulation studies illustrate the theoretical findings in a variety of settings.