Least-squares forecast averaging
最小二乘预测平均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：摘要明确以预测组合权重、一步样本外预测误差和预测方法比较为研究对象，最直接对应预测与即时预测方向。
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…
关注这篇论文的作者
最小二乘预测平均
- 研究问题
- 如何选择预测组合的权重，使样本内拟合误差与样本外一步预测误差得到统一评价，并减少不同预测环境中的最大遗憾？
- 方法与思路
- 作者提出基于马洛斯模型平均的预测组合，通过最小化马洛斯准则选择权重，说明预测场景中的计算方法，并开展模拟比较。
- 材料陈述的贡献
- 摘要称该准则渐近无偏估计两类均方误差，无时间序列依赖时权重具有渐近均方最优性；模拟中预测误差低且最大遗憾较小。
- 阅读关注点
- 应核对准则为何适用于一步预测、权重计算的约束，以及无时间依赖这一最优性条件与实际预测设置之间的关系。
- 阅读边界
- 仅据所给出版社摘要，不能把模拟优势推广至任意预测环境；最优性明确限定于无时间序列依赖，摘要未提供数值或完整条件。
原文摘要
This paper proposes forecast combination based on the method of Mallows Model Averaging (MMA). The method selects forecast weights by minimizing a Mallows criterion. This criterion is an asymptotically unbiased estimate of both the in-sample mean-squared error (MSE) and the out-of-sample one-step-ahead mean-squared forecast error (MSFE). Furthermore, the MMA weights are asymptotically mean-square optimal in the absence of time-series dependence. We show how to compute MMA weights in forecasting settings, and investigate the performance of the method in simple but illustrative simulation environments. We find that the MMA forecasts have low MSFE and have much lower maximum regret than other feasible forecasting methods, including equal weighting, BIC selection, weighted BIC, AIC selection, weighted AIC, Bates-Granger combination, predictive least squares, and Granger-Ramanathan combination.