Predictors in Dynamic Nonlinear Models: Large-Sample Behavior
动态非线性模型预测量的大样本性质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：摘要以动态系统的单期和多期预测为核心，并分析依赖时间递推与历史残差的预测方法。
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…
关注这篇论文的作者
动态非线性模型预测量的大样本性质
- 研究问题
- 动态非线性联立系统中的单期与多期预测量有何大样本性质？使用样本残差进行多期预测会遇到哪些效率问题？
- 方法与思路
- 作者在给定内生变量末期值的条件下比较多类预测量的渐近矩，并提出完全枚举预测量及从残差经验分布抽样的预测量。
- 材料陈述的贡献
- 摘要称，多期残差预测可用残差数为 T/m；提出完全枚举方案，且所述 bootstrap 预测量相对枚举与蒙特卡洛方案渐近低效。
- 阅读关注点
- 应核对条件预测目标、m 的定义、样本分割机制，以及各预测量的计算成本和渐近效率比较所需条件。
- 阅读边界
- 所给 Crossref 摘要未说明具体模型、效率公式或模拟结果；其 bootstrap 低效结论不能推广到其他预测构造。
原文摘要
The large-sample behavior of one-period-ahead and multiperiod-ahead predictors for a dynamic nonlinear simultaneous system is examined in this paper. Conditional on final values of the endogenous variables, the asymptotic moments of the deterministic, closed-form, Monte Carlo stochastic, and several variations of the residual-based stochastic predictor are analyzed. For one-period-ahead prediction, the results closely parallel our previous findings for static nonlinear systems. For multiperiod-ahead prediction similar results hold, except that the effective number of sample-period residuals available for use with the residual-based predictor is T/m , where T denotes sample size. In an attempt to avoid the problems associated with sample splitting, the complete enumeration predictor is proposed which is a multiperiod-ahead generalization of the one-period-ahead residual-based predictor. A bootstrap predictor is also introduced which is similar to the multiperiod-ahead Monte Carlo except disturbance proxies are drawn from the empirical distribution of the residuals. The bootstrap predictor is found to be asymptotically inefficient relative to both the complete enumeration and Monte Carlo predictors.