Least Squares Model Averaging
最小二乘模型平均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：摘要讨论最小二乘模型平均的权重选择与平方误差最优性，未指定宏观预测、金融收益或其他具体经济对象，因此不指定细分领域。
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
最小二乘模型平均
- 研究问题
- 面对多个候选模型的最小二乘估计，如何选择模型平均权重以降低平方误差，并明确这种选择在何种候选估计量范围内具有最优性？
- 方法与思路
- 作者通过最小化估计模型平均拟合平方误差的 Mallows 准则选择权重，并将所得 MMA 估计量与 AIC、BIC 权重方法作模拟比较。
- 材料陈述的贡献
- 摘要称 MMA 在一类离散模型平均估计量中渐近达到最低可能平方误差，并在一次模拟实验中相对 AIC、BIC 权重表现有利。
- 阅读关注点
- 应核对候选模型与权重集合的限制、Mallows 准则如何估计误差，以及渐近最优性的比较类、误差定义和模拟设定。
- 阅读边界
- 摘要未说明主要假设、离散比较类的具体定义及模拟数值；最优性限于所述比较类和渐近准则，不能据此认定所有模型平均场景均占优。
原文摘要
This paper considers the problem of selection of weights for averaging across leastsquares estimates obtained from a set of models. Existing model average methods are based on exponential AIC and BIC weights. In distinction, this paper proposes selecting the weights by minimizing a Mallows ’ criterion, the latter an estimate of the average squared error from the model average fit. We show that our new Mallows ’ Model Average (MMA) estimator is asymptotically optimal in the sense of achieving the lowest possible squared error in a class of discrete model average estimators. In a simulation experiment we show that the MMA estimator compares favorably with those based on AIC and BIC weights. The proof of the main result is an application of Li (1987). Research supported by the National Science Foundation. I gratefully thank the Co-Editor (Whitney Newey), three referees, and Benedickt Potscher for helpful comments.