Penalized time-varying model averaging
惩罚化时变模型平均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：摘要研究时变预测模型组合，并明确以通胀预测作为经验应用。
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…
惩罚化时变模型平均
- 研究问题
- 如何为候选模型选择稀疏的时变组合权重，减少过拟合，并分别刻画所有模型错设或候选集合包含真模型时的估计性质？
- 方法与思路
- 作者提出惩罚化时变模型平均，估计随时间变化的组合权重，并在候选模型全部错设和包含真模型两种情形下推导理论结果。
- 材料陈述的贡献
- 摘要称，全部错设时给出权重的渐近最优性与收敛率；含真模型时给出估计量一致性和正态性，模拟及通胀预测展示方法表现。
- 阅读关注点
- 应核对渐近最优性对应的风险标准、时变权重与惩罚的调参，以及两种候选集合情形的条件差别和通胀预测比较设计。
- 阅读边界
- 仅据所给出版社摘要，不能把全部错设时的最优性理解为恢复真模型；具体条件、预测改善数值及其他版本变化未说明。
原文摘要
This paper proposes a new penalized time-varying model averaging method to determine optimal time-varying combination weights for candidate models, which avoids over-fitting and yields sparseness from various potential predictive variables. The asymptotic optimality and convergence rate of the selected weights are derived even when all candidate models are misspecified, and the consistency and normality of the proposed time-varying model averaging estimator are obtained when the true model is included in the candidate models. Simulation studies and empirical applications to inflation forecasting highlight the merits of the proposed method.