This paper considers forecast combi

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.

Simulations show that the Mallows model averaging and leave-h-out cross-validation averaging methods yield lower mean squared forecast errors than alternative model selection and averaging methods such as AIC, BIC, cross validation, and Bayesian model averaging. We apply the proposed methods to the US macroeconomic data set in Stock and Watson (2012) and find that they compare favorably to many popular shrinkage-type forecasting methods

ผลลัพธ์ (ไทย) 1:

กระดาษนี้พิจารณารวมการคาดการณ์กับถดถอยปัจจัยออกเมนต์ ในกรอบนี้ จำนวนมากของแบบจำลองการคาดการณ์มี แตกต่างกัน โดยปัจจัยและจำนวน lags เราตรวจสอบการรวมการคาดการณ์ทั้งรูปแบบที่ใช้น้ำหนักที่ลดการ Mallows และลา-h-ออกข้ามเงื่อนไขตรวจสอบ Regressors unobserved ปัจจัยที่ประเมิน โดยคอมโพเนนต์หลักของแผงใหญ่กับ N predictors ผ่านรอบระยะเวลา T กับ regressors สร้างขึ้นเหล่านี้ เราแสดงว่า Mallows และลา-h-ออกข้ามเกณฑ์สอบ estimators asymptotically คนของวัน-step ล่วงหน้า และ multi-step ล่วงหน้าหมายถึงกำลังสองการคาดการณ์ผิดพลาด ตามลำดับ ให้ที่ N, T→∞ (อย่างไรก็ตาม กระดาษไม่สร้างคุณสมบัติ optimality ใด ๆ สำหรับวิธีการ) ตรงข้ามผลรู้จักในวรรณคดี ผลลัพธ์นี้แนะนำว่า สามารถละเว้นปัญหา regressor สร้างขึ้นสำหรับการรวมการคาดการณ์ โดยไม่มีข้อจำกัดเกี่ยวกับความสัมพันธ์ระหว่าง N และต.สถานการณ์จำลองแสดงว่า Mallows แบบหาค่าเฉลี่ยและวิธีการหาค่าเฉลี่ยสอบข้ามลา h ออกผลผลิตต่ำเฉลี่ยยกกำลังสองการคาดการณ์ผิดเลือกรุ่นอื่นและวิธีการ AIC, BIC ตรวจสอบไขว้ และทฤษฎีรูปแบบหาค่าเฉลี่ยการหาค่าเฉลี่ย เราใช้วิธีการนำเสนอสหรัฐเศรษฐกิจมหภาคข้อมูลชุดหุ้นและ Watson (2012) และพบว่า การเปรียบเทียบพ้องต้องหดตัวชนิดที่นิยมมากวิธีคาดการณ์

ผลลัพธ์ (ไทย) 2:

กระดาษนี้จะพิจารณารวมกันกับการคาดการณ์การถดถอยปัจจัยเติม ในกรอบนี้เป็นจำนวนมากของรูปแบบการพยากรณ์ที่มีแตกต่างกันโดยทางเลือกของปัจจัยและจำนวนที่ล่าช้า เราจะตรวจสอบการรวมกันคาดการณ์ข้ามรุ่นใช้น้ำหนักที่ลด Mallows และชั่วโมงการลาออกหลักเกณฑ์การตรวจสอบข้าม regressors ปัจจัยที่ไม่มีใครสังเกตจะมีการประเมินโดยส่วนประกอบหลักการของแผงขนาดใหญ่ที่มีการพยากรณ์ยังไม่มีในช่วงเวลาที ด้วย regressors สร้างเหล่านี้เราแสดงให้เห็นว่า Mallows และปล่อยชั่วโมงออกหลักเกณฑ์การตรวจสอบข้ามประมาณเป็นกลาง asymptotically ของหนึ่งในขั้นตอนข้างหน้าและหลายขั้นตอนข้างหน้าหมายถึงข้อผิดพลาดของการคาดการณ์สองตามลำดับโดยมีเงื่อนไขว่า N, T →∞ . (แต่กระดาษไม่สร้างคุณสมบัติ optimality ใด ๆ สำหรับวิธีการที่.) ในทางตรงกันข้ามกับผลที่รู้จักกันดีในวรรณคดีผลนี้แสดงให้เห็นว่าปัญหาที่สร้างขึ้นโดย regressor สามารถปฏิเสธสำหรับการรวมกันคาดการณ์โดยไม่มีข้อ จำกัด เกี่ยวกับความสัมพันธ์ระหว่าง N ไม่ ตันและแสดงให้เห็นว่าการจำลองรูปแบบMallows เฉลี่ยและปล่อยชั่วโมงออกตรวจสอบข้ามวิธีการเฉลี่ยผลผลิตเฉลี่ยที่ต่ำกว่าการคาดการณ์ยืดข้อผิดพลาดมากกว่าการเลือกรูปแบบทางเลือกและค่าเฉลี่ยวิธีการเช่น AIC, BIC การตรวจสอบข้ามและค่าเฉลี่ยรูปแบบเบส์ เราใช้วิธีการที่นำเสนอกับข้อมูลเศรษฐกิจมหภาคของสหรัฐที่ตั้งอยู่ในสต็อกและวัตสัน (2012) และพบว่าพวกเขาเปรียบเทียบการสนับสนุนให้การหดตัวที่นิยมมากชนิดวิธีการพยากรณ์

ผลลัพธ์ (ไทย) 3:

กระดาษนี้จะพิจารณาร่วมกับปัจจัยพยากรณ์กล่าวถึงการถดถอย ในกรอบนี้ ตัวเลขขนาดใหญ่ของตัวแบบพยากรณ์ของ แตกต่างกันไปตามทางเลือกของปัจจัยและหมายเลขของล่าช้า เราตรวจสอบการคาดการณ์การรวมกันในรูปแบบใช้น้ำหนักที่ลด mallows และ leave-h-out ข้ามการตรวจสอบเงื่อนไขส่วนปัจจัย regressors unobserved ประมาณ โดยส่วนประกอบหลักของแผงใหญ่ๆ กับ N ตัวกว่าช่วง กับเหล่านี้สร้างขึ้น regressors เราแสดงให้เห็นว่า mallows และเกณฑ์การตรวจสอบ leave-h-out ข้าม asymptotically เป็นกลางประมาณหนึ่งก้าว และหลายขั้นตอนข้างหน้าหมายถึงยกกำลังสองการพยากรณ์ ตามลำดับ โดยที่ n , T →∞ . ( อย่างไรก็ตามกระดาษไม่สร้างคุณภาพ คุณสมบัติ สำหรับวิธีการ ) ในทางตรงกันข้ามกับที่รู้จักกันดีผลลัพธ์ในวรรณคดี ผลที่ได้นี้แสดงให้เห็นว่าปัญหาที่เกิดขึ้น regressor สามารถละเว้นสำหรับการคาดการณ์การรวมกันโดยไม่มีข้อ จำกัด เกี่ยวกับความสัมพันธ์ระหว่าง N .

การจำลองแสดงให้เห็นว่า mallows รูปแบบและวิธีการเฉลี่ย leave-h-out ข้ามเฉลี่ยผลผลิตหมายถึง การพยากรณ์การลดลงสองรูปแบบทางเลือกและโดยวิธีการเช่น AIC , BIC , ข้ามการตรวจสอบและการถัวเฉลี่ยแบบจำลองเบ .เราใช้วิธีที่เสนอไปเราถึงชุดข้อมูลในตลาดหลักทรัพย์ และวัตสัน ( 2012 ) และพบว่าพวกเขาเปรียบเทียบพ้องต้องกันยอดนิยมหลายประเภทการยุบ