Toward optimal model averaging in regression models with time series errors
具有时间序列误差的回归模型最优模型平均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：摘要直接研究时间序列误差、自协方差校正和相关误差下的模型平均，支持时间序列方向，未限定金融预测对象。
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…
具有时间序列误差的回归模型最优模型平均
- 研究问题
- 当回归模型含无限多个参数、误差存在时间相关且其逆协方差矩阵未知时，如何可行地选择模型平均权重？
- 方法与思路
- 作者用一致的逆协方差矩阵估计构造可行广义最小二乘，再以自协方差校正的 Mallows 模型平均准则选择权重。
- 材料陈述的贡献
- 摘要称平均估计量的广义平方误差损失，渐近等价于连续权重集合中不可行广义最小二乘模型平均的最小损失。
- 阅读关注点
- 应核对逆协方差估计的一致性要求、近似模型与权重集合的限制，以及广义损失定义和渐近等价成立的条件。
- 阅读边界
- 仅据所给出版社摘要，无法确定协方差估计的具体实现与有限样本表现；渐近损失等价不保证每个样本中都最优。
原文摘要
Consider a regression model with infinitely many parameters and time series errors. We are interested in choosing weights for averaging across generalized least squares (GLS) estimators obtained from a set of approximating models. However, GLS estimators, depending on the unknown inverse covariance matrix of the errors, are usually infeasible. We therefore construct feasible generalized least squares (FGLS) estimators using a consistent estimator of the unknown inverse matrix. Based on this inverse covariance matrix estimator and FGLS estimators, we develop a feasible autocovariance-corrected Mallows model averaging criterion to select weights, thereby providing an FGLS model averaging estimator of the true regression function. We show that the generalized squared error loss of our averaging estimator is asymptotically equivalent to the minimum one among those of GLS model averaging estimators with the weight vectors belonging to a continuous set, which includes the discrete weight set used in Hansen (2007) as its proper subset.