Model averaging based on leave-subject-out cross-validation for vector autoregressions
基于留主体交叉验证的向量自回归模型平均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：摘要明确以VAR模型的组合预测和二次预测误差为核心，直接对应预测与时间序列方法。
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…
基于留主体交叉验证的向量自回归模型平均
- 研究问题
- 如何利用留主体交叉验证为多个向量自回归模型的预测分配权重，并使组合预测在二次误差标准下接近最优？
- 方法与思路
- 作者提出留主体交叉验证模型平均方法，研究其近似无偏性、预测误差的渐近最优性，以及权重趋向最优权重的速度。
- 材料陈述的贡献
- 摘要称建立组合预测及权重的理论性质，模拟中通常比常用模型选择和平均方法更有效率，并以两个实证应用说明潜力。
- 阅读关注点
- 应核对留出的主体如何定义、交叉验证怎样处理动态依赖，以及候选模型集合、最优性基准和实证预测评估的具体设计。
- 阅读边界
- 仅据所给出版社摘要，无法判断渐近条件、模拟比较范围或两个应用的内容；通常更有效率不意味着所有场景都占优。
原文摘要
The vector autoregressive (VAR) model is a useful tool for economic evaluation and prediction. This paper develops a leave-subject-out cross-validation model averaging (LsoMA) method to average predictions from VAR models. The approximate unbiasedness of LsoMA and its asymptotic optimality in terms of obtaining the lowest possible quadratic errors are established. The rate of the LsoMA based weights converging to the optimal weights minimizing the expected quadratic errors is also derived. Simulation experiments show that our method is generally more efficient than the other frequently used model selection and averaging methods. Two empirical applications further illustrate that the proposed method is promising.