000001636 001__ 1636
000001636 005__ 20250211155842.0
000001636 0247_ $$a10.34989/swp-2013-11$$2DOI
000001636 035__ $$a10.34989/swp-2013-11
000001636 041__ $$aeng
000001636 084__ $$aC Mathematical and Quantitative Methods$$02849
000001636 084__ $$aC5 Econometric Modeling$$02889
000001636 084__ $$aC53 Forecasting and Prediction Methods; Simulation Methods$$02893
000001636 245__ $$aForecasting with Many Models: Model Confidence Sets and Forecast Combination
000001636 269__ $$a2013
000001636 300__ $$a1 online resource (iii, 47 pages)
000001636 336__ $$aText
000001636 347__ $$bPDF
000001636 520__ $$aA longstanding finding in the forecasting literature is that averaging forecasts from different models often improves upon forecasts based on a single model, with equal weight averaging working particularly well. This paper analyzes the effects of trimming the set of models prior to averaging. We compare different trimming schemes and propose a new one based on Model Confidence Sets that take into account the statistical significance of historical out-of-sample forecasting performance. In an empirical application of forecasting U.S. macroeconomic indicators, we find significant gains in out-of-sample forecast accuracy from our proposed trimming method.$$7Abstract
000001636 520__ $$aLes études consacrées au travail de prévision ont fait ressortir depuis longtemps que la moyenne des projections de plusieurs modèles a souvent un degré de précision plus élevé que les projections tirées d’un seul modèle, et qu’à ce titre, la technique qui consiste à établir une moyenne en pondérant les prévisions avec les mêmes coefficients donne de très bons résultats. Les auteurs se demandent ce qu’apporterait l’élagage de modèles avant le calcul des projections moyennes. À cette fin, ils comparent différentes méthodes d’élagage et proposent une nouvelle démarche (Model Confidence Set ou approche MCS) fondée sur la sélection de modèles selon un seuil de confiance défini par la valeur statistique de la qualité passée des prévisions hors échantillon. Un exercice empirique - la projection d’indicateurs macroéconomiques pour les États-Unis - leur permet de constater que leur démarche améliore de manière notable la précision des prévisions hors échantillon.$$7Résumé
000001636 540__ $$aCreative Commons Attribution 4.0 International$$uhttps://creativecommons.org/licenses/by/4.0/legalcode$$fCC-BY-4.0
000001636 6531_ $$aEconometric and statistical methods
000001636 6531_ $$aMéthodes économétriques et statistiques
000001636 7001_ $$aSamuels, Jon D.
000001636 7001_ $$aSekkel, Rodrigo
000001636 789__ $$w1701-9397$$2ISSN$$eIsPartOf
000001636 8301_ $$aStaff Working Paper
000001636 8301_ $$aDocument de travail du personnel
000001636 8564_ $$uhttps://www.oar-rao.bank-banque-canada.ca/record/1636/files/wp2013-11.pdf$$9c782e56e-887b-4796-a0c0-a8f8bd68c33c$$s447526$$zFile Source: Bank of Canada website, 2024
000001636 909CO $$ooai:www.oar-rao.bank-banque-canada.ca:1636$$pbibliographic
000001636 980__ $$aStaff Research
000001636 980__ $$aRDM
000001636 991__ $$aPublic