000000877 001__ 877
000000877 005__ 20250211155736.0
000000877 0247_ $$a10.34989/swp-2001-12$$2DOI
000000877 035__ $$a10.34989/swp-2001-12
000000877 041__ $$aeng
000000877 084__ $$aC Mathematical and Quantitative Methods$$02849
000000877 084__ $$aC1 Econometric and Statistical Methods and Methodology: General$$02853
000000877 084__ $$aC14 Semiparametric and Nonparametric Methods: General$$02858
000000877 084__ $$aC5 Econometric Modeling$$02889
000000877 084__ $$aC53 Forecasting and Prediction Methods; Simulation Methods$$02893
000000877 084__ $$aE Macroeconomics and Monetary Economics$$03005
000000877 084__ $$aE2 Consumption, Saving, Production, Investment, Labor Markets, and Informal Economy$$03019
000000877 084__ $$aE27 Forecasting and Simulation: Models and Applications$$03027
000000877 245__ $$aEvaluating Linear and Non-Linear Time-Varying Forecast-Combination Methods
000000877 260__ $$bBank of Canada
000000877 269__ $$a2001
000000877 300__ $$a1 online resource (vi, 15 pages)
000000877 336__ $$aText
000000877 347__ $$bPDF
000000877 520__ $$aThis paper evaluates linear and non-linear forecast-combination methods. Among the non-linear methods, we propose a nonparametric kernel-regression weighting approach that allows maximum flexibility of the weighting parameters. A Monte Carlo simulation study is performed to compare the performance of the different weighting schemes. The simulation results show that the non-linear combination methods are superior in all scenarios considered. When forecast errors are correlated across models, the nonparametric weighting scheme yields the lowest mean-squared errors. When no such correlation exists, forecasts combined using artificial neural networks are superior.$$7Abstract
000000877 520__ $$aLes auteurs de l'étude évaluent les méthodes linéaires et non linéaires de combinaison des prévisions. Entre autres formules de pondération non linéaires, ils proposent une technique d'estimation non paramétrique par la méthode du noyau qui offre une souplesse maximale en matière de pondération. Afin de comparer l'efficacité de différentes formules de pondération, ils procèdent à une simulation de Monte-Carlo. Les résultats obtenus montrent que les méthodes de combinaison non linéaires sont supérieures aux autres dans le cas de tous les scénarios envisagés. Lorsque les erreurs de prévision sont corrélées d'un modèle à l'autre, c'est la formule de pondération non paramétrique qui produit les erreurs quadratiques moyennes les plus faibles. Si les erreurs ne sont pas corrélées, les prévisions combinées à l'aide de réseaux neuronaux artificiels s'avèrent les meilleures.$$7Résumé
000000877 540__ $$aCreative Commons Attribution 4.0 International$$uhttps://creativecommons.org/licenses/by/4.0/legalcode$$fCC-BY-4.0
000000877 6531_ $$aEconometric and statistical methods
000000877 6531_ $$aMéthodes économétriques et statistiques
000000877 7001_ $$aLi, Fuchun
000000877 7001_ $$aTkacz, Greg
000000877 789__ $$w1192-5434$$2ISSN$$eIsPartOf
000000877 8301_ $$aStaff Working Paper
000000877 8301_ $$aDocument de travail du personnel
000000877 8564_ $$uhttps://www.oar-rao.bank-banque-canada.ca/record/877/files/wp01-12.pdf$$96cd8ac6e-4ccc-4bb4-8d81-c69a43e6b36d$$s117318$$zFile Source: Bank of Canada website, 2024
000000877 909CO $$ooai:www.oar-rao.bank-banque-canada.ca:877$$pbibliographic
000000877 980__ $$aStaff Research
000000877 980__ $$aRDM
000000877 991__ $$aPublic