Model Confidence Set (MCS)
Model Confidence Set (MCS) ir secīga hipotēžu pārbaudes procedūra, ko ieviesuši Hansen, Lunde un Nason (2011), un kas identificē mazāko prognozēšanas vai prediktīvo modeļu kopu, kas ir statistiski neatšķiramas no labākā modeļa noteiktā ticamības līmenī. Tā vietā, lai izvēlētos vienu uzvarētāju, MCS atgriež labāko modeļu kopu, padarot to īpaši vērtīgu ekonometrisko prognožu salīdzinājumos, kur patiesais labākais modelis nav zināms.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Hansen, P. R., Lunde, A., & Nason, J. M. (2011). The model confidence set. Econometrica, 79(2), 453–497. DOI: 10.2139/ssrn.522382 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). Model Confidence Set (MCS). ScholarGate. https://scholargate.app/lv/econometrics/model-confidence-set
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Dībolda-Mariāno tests par prognožu precizitātes līdzvērtībuEkonometrija↔ compare
- Giacomini-White kondicionālās prognozēšanas spējas testsEkonometrija↔ compare
- Pakāpeniskā reģresijaStatistika↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →