.png){kind=icon}
返回
Combining forecasts under structural breaks using Graphical LASSO
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ijforecast.2025.04.003.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种基于图拉普拉斯收缩选择（Graphical LASSO）的全新多预测组合方法。我们将不同预测者产生的预测误差表示为交互实体网络，并在存在共同因子结构和结构突变的情况下推广了网络推断。首先，我们注意到预测者通常使用共同信息，因此会产生共同误差，这使得预测误差表现出共同因子结构。我们分离了共同预测误差与特异误差，并利用后者精密度矩阵的稀疏性。其次，由于专家网络会因响应不稳定环境而随时间变化，我们提出了状态依赖因子图拉普拉斯收缩选择（Regime-Dependent Factor Graphical LASSO, RD-FGL），该方法允许因子载荷和特异精密度矩阵具有状态依赖性。利用欧洲中央银行专业预测调查（Survey of Professional Forecasters）和联邦储备经济数据（Federal Reserve Economic Data）月度数据库进行宏观经济序列预测的实证应用表明，采用RD-FGL的合成预测表现更优。
期刊
IF:
7.1
论文数:
3.1K
被引数:
9.9K
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容