Optimal Forecasts from Markov Switching Models
马尔可夫转换模型的最优预测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：摘要直接研究马尔可夫转换模型的预测权重与均方预测误差，并以美国国民生产总值作时间序列应用。
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
马尔可夫转换模型的最优预测
- 研究问题
- 在马尔可夫转换模型中，如何通过观测加权获得均方预测误差最优的预测，并处理状态未知带来的不确定性？
- 方法与思路
- 作者推导分别以马尔可夫状态和状态概率为条件的解析权重，并以模拟和美国国民生产总值应用评估预测表现。
- 材料陈述的贡献
- 摘要称，将状态不确定性纳入最优权重构造可改善预测，即使大样本亦然；模拟与美国应用显示均方预测误差降低。
- 阅读关注点
- 阅读全文应核对最优性所依赖的模型与信息集、状态概率如何获得，以及模拟和美国应用中的比较基准与误差评估方式。
- 阅读边界
- 仅凭摘要无法判断最优性在参数估计误差或模型误设下是否成立；摘要未说明样本设定、具体改进幅度及适用范围。
原文摘要
We derive forecasts for Markov switching models that are optimal in the mean square forecast error (MSFE) sense by means of weighting observations. We provide analytic expressions of the weights conditional on the Markov states and conditional on state probabilities. This allows us to study the effect of uncertainty around states on forecasts. It emerges that, even in large samples, forecasting performance increases substantially when the construction of optimal weights takes uncertainty around states into account. Performance of the optimal weights is shown through simulations and an application to U.S. GNP, where using optimal weights leads to significant reductions in MSFE. Supplementary materials for this article are available online.