Forecasting with factor-augmented regression: A frequentist model averaging approach
因子增广回归预测：频率学派模型平均方法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：摘要明确讨论大面板潜在因子的主成分估计，以及因子增广回归的一步、多步预测和预测组合。
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
因子增广回归预测：频率学派模型平均方法
- 研究问题
- 研究如何在因子选择和滞后阶数不同的因子增广回归之间组合预测，以及估计因子是否影响预测误差准则的有效性。
- 方法与思路
- 作者用大面板的主成分估计潜在因子，再通过最小化 Mallows 准则与留出 h 个观测的交叉验证准则选择组合权重。
- 材料陈述的贡献
- 摘要称两个准则分别渐近无偏地估计一步和多步预测均方误差，且该结果无需限制面板维度与时间长度之间的相对关系。
- 阅读关注点
- 应核对一步与多步预测准则的对应关系、生成回归量误差的控制，以及除维度共同趋于无穷外所需的正则条件。
- 阅读边界
- 摘要明确说明没有建立方法的最优性；准则的渐近无偏性不能直接推出最优组合权重或有限样本预测优势。
原文摘要
This paper considers forecast combination with factor-augmented regression. In this framework, a large number of forecasting models are available, varying by the choice of factors and the number of lags. We investigate forecast combination across models using weights that minimize the Mallows and the leave-h-out cross validation criteria. The unobserved factor regressors are estimated by principle components of a large panel with N predictors over T periods. With these generated regressors, we show that the Mallows and leave-h-out cross validation criteria are asymptotically unbiased estimators of the one-step-ahead and multi-step-ahead mean squared forecast errors, respectively, provided that N,T→∞. (However, the paper does not establish any optimality properties for the methods.) In contrast to well-known results in the literature, this result suggests that the generated-regressor issue can be ignored for forecast combination, without restrictions on the relation between N and T.