Tahmin modellerinde yanıt değişkeni farklı olduğunda tahminler nasıl birleştirilir?


9

Giriş

Tahminler kombinasyonunda popüler çözümlerden biri, bazı bilgi kriterlerinin uygulanmasına dayanır. Örneğin , J modeli için tahmin edilen Akaike kriteri dikkate alındığında , AIC_j'nin AIC ^ * = \ min_j {AIC_j} ile arasındaki farklar hesaplanabilir ve daha sonra RP_j = e ^ {(AIC ^ * - AIC_j) / 2} olarak yorumlanabilir j modelinin nispi olasılığı gerçek modeldir . Ağırlıklar daha sonra şu şekilde tanımlanır:AICjjAICjAIC=minjAICjRPj=e(AICAICj)/2j

wj=RPjjRPj

Sorun

Üstesinden gelmeye çalıştığım bir zorluk, modellerin farklı dönüştürülmüş yanıt (endojen) değişkenleri üzerinde tahmin edilmesidir. Örneğin, bazı modeller yıllık büyüme oranlarına, bir diğeri ise çeyrek ila çeyrek büyüme oranlarına dayanmaktadır. Dolayısıyla, çıkarılan AICj değerleri doğrudan karşılaştırılamaz.

Denenmiş çözüm

Tüm bu konularda yana farkıdır AIC baz modelin sürebilir s biri AIC (örneğin ben ayıklamak için çalıştı lm(y~-1)tepki değişkeni dönüşümlere değişmez olduğu ve daha sonra arasındaki farkları karşılaştırmak herhangi bir parametre olmadan modeli) j inci model ve temel model AIC . Ancak burada zayıf nokta kalıyor gibi görünüyor - fark , tepki değişkeninin dönüşümünden etkileniyor.

son sözler

"Aynı yanıt değişkenlerindeki tüm modelleri tahmin et" seçeneğinin mümkün olduğunu, ancak çok zaman aldığını unutmayın. Sorunu çözmenin başka bir yolu yoksa, acı verici karara gitmeden önce hızlı "tedaviyi" aramak istiyorum.

Yanıtlar:


1

Ben modelleri karşılaştırmak için en güvenilir yöntemlerden biri örnek dışı hata (örneğin MAE) çapraz doğrulamak olduğunu düşünüyorum. Elmaları doğrudan elmalarla karşılaştırmak için her model için eksojen değişkenin dönüşümünü kaldırmanız gerekecektir.


Daha fazla zaman alan bir yaklaşım için bıraktığım alternatif bir yol, Bates ve Granger'a (1969) benzer ağırlıkları ve Clements ve Harvey Tahminleri kombinasyonları ve kapsayan (2007) gibi işleri tahmin etmek için jack-knifed hatalarını kullanmaktır . Tahmin hatalarına dayalı yaklaşımın zayıf noktası, bilgi (model) tabanlı yaklaşımlardan ortalama olarak daha düşük olmasıdır. Bayes ortalamaları zor olduğu için bilgilendirici önceliklerle BMA olduğu düşünülebilecek daha basit bir yöntem uygulamaya çalıştım.
Dmitrij Celov

Ne en iyi modeli karşılaştırmak ve seçmek, ne de en iyi tahminler kombinasyon yöntemini aramak istiyorum unutmayın . Sadece farklı dönüştürülmüş yanıt değişkenlerine dayalı modellerden AIC'leri karşılaştırmakta sorun yaşıyorum .
Dmitrij Celov

1
@Dmitrij Celov: O zaman neden AIC'leri karşılaştırıyorsunuz? AIC'nin asemptotik olarak bir kerelik çapraz geçerliliğe eşdeğer olduğunu unutmayın, bu nedenle her iki metriğin karşılaştırmasının benzer olacağını sanıyorum. stats.stackexchange.com/a/587/2817
Zach

@DmitrijCelov: "Tahmin hatalarına dayalı yaklaşımın zayıf noktası, bilgi (model) tabanlı yaklaşımlardan ortalama olarak daha düşük olmasıdır." Ne açıdan aşağı? Bunun için bazı alıntılarınız veya açıklamanız var mı? Sezgi bana bu ifadenin yanlış olduğunu söylüyor, ama sezgi genellikle yanlış ...
Zach

Muhtemelen G.Kapitanious ve ark. Çalışma kâğıdı Tahmin kombinasyonları ve Bank of England'ın istatistiksel tahmin yöntemleri paketinin s. 23 "... tahminlerin birleştirilmesinin genel olarak en uygun tahminleri sunmayacağı, aynı zamanda bilgi birleşiminin sağlanacağı" yazılmıştır. Asimtotik denklik, küçük makroekonomik veri örneklerinde olmasını istediğim şey değildir, ancak basit yöntemler daha karmaşık olabilir. Basitçe çapraz doğrulama ikinci en iyi çözümdür, jack bıçaklar bir hafta içinde üretilir, AIC'ler bir saat içinde. (Sohbet edebiliriz)
Dmitrij Celov
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.