Complete subset regressions

این مقاله یک روش جدید برای ترکیب پیش بینی ها بر اساس رگرسیون های زیر مجموعه ای ارائه می دهد. برای مجموعه ای از متغیرهای پیش بینی کننده بالقوه، ما پیش بینی هایی از تمامی مدل های رگرسیون خطی امکان پذیر می شود که تعدادی از پیش بینی ها را ثابت نگه می دارد. ما بررسی می کنیم که چگونه انتخاب پیچیدگی مدل، به وسیله تعدادی از متغیرهای پیش بینی شده اندازه گیری شده، می تواند برای خنثی سازی اشتباهات و واریانس خطاهای پیش بینی شده، ایجاد یک تنظیم مشابه با مرز کارآمد شناخته شده از نظریه نمونه کارها مدرن باشد. در یک برنامه کاربردی برای پیش بینی بازده سهام، متوجه می شویم که ترکیبی از رگرسیون های زیر مجموعه می تواند پیش بینی های دقیق تر را نسبت به روش های متداول مبتنی بر پیش بینی های مساوی با ضریب اطمینان (که به دلیل ابعاد مدل های پایه حسابداری)، ترکیب پیش بینی های غیرمستقیم پیش بینی های انجام شده توسط روش هایی مانند کیسه سازی، رگرسیون رگه ای یا میانگین میانگین بیزی.