Time-varying forecast combination for high-dimensional data
高维数据的时变预测组合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：摘要直接研究时变预测组合，并以通胀和失业预测为应用；结构变化是评价场景，未明确提出结构变化检验。
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
高维数据的时变预测组合
- 研究问题
- 候选预测数量可能超过样本量且组合权重随时间变化时，如何估计权重并选择相关预测，以应对预测关系的变化？
- 方法与思路
- 作者在低维情形使用局部线性估计，在高维情形引入 group SCAD 惩罚，并研究渐近性质、预测选择和模拟表现。
- 材料陈述的贡献
- 摘要称高维估计量具有 oracle 性质并能以趋近于一的概率选对相关预测；结构变化模拟及通胀、失业预测展示优势。
- 阅读关注点
- 应核对权重平滑与约束设定、带宽和惩罚选择、高维增长条件，以及结构变化类型和真实样本外组合评价设计。
- 阅读边界
- 仅据所给出版社摘要，无法判断 oracle 性质的完整条件或预测收益大小；所报结构变化优势不意味着适用于任意突变。
原文摘要
In this paper, we propose a new nonparametric estimator of time-varying forecast combination weights. When the number of individual forecasts is small, we study the asymptotic properties of the local linear estimator. When the number of candidate forecasts exceeds or diverges with the sample size, we consider penalized local linear estimation with the group SCAD penalty. We show that the estimator exhibits the oracle property and correctly selects relevant forecasts with probability approaching one. Simulations indicate that the proposed estimators outperform existing combination schemes when structural changes exist. An empirical application on inflation and unemployment forecasting highlights the merits of our approach relative to other popular methods in the literature.