当预测模型中的响应变量不同时，如何合并预测？

介绍

在预测组合中，一种流行的解决方案是基于某些信息准则的应用。以对模型估计的Akaike准则为例，可以从计算的差，然后将RP_j = e ^ {（AIC ^ *-AIC_j）/ 2}解释为模型j的相对概率是真实的。然后将权重定义为$AIC_j$$j$$AIC_j$$AIC^* = \min_j{AIC_j}$$RP_j = e^{(AIC^*-AIC_j)/2}$$j$

问题

我试图克服的一个困难是，这些模型是根据不同转换的响应（内生）变量估算的。例如，某些模型基于年增长率，另一种模型基于季度间增长率。因此，提取的$AIC_j$值不能直接比较。

尝试过的解决方案

由于重要的是$AIC$的差异，因此可以采用基本模型的$AIC$（例如，我尝试提取lm(y~-1)不带任何参数的模型），该AIC对于响应变量转换是不变的，然后比较第$j$个模型与AIC的差异。基本模型$AIC$。然而在这里似乎不足之处遗迹-区别是由响应变量的转型的影响。

结束语

注意，可以使用“根据相同的响应变量估计所有模型”之类的选项，但是非常耗时。如果没有其他方法可以解决问题，我想在做出痛苦的决定之前先寻求快速的“治愈”方法。

我认为比较模型的最可靠方法之一是交叉验证样本外误差（例如MAE）。您将需要取消转换每个模型的外生变量，以直接将苹果与苹果进行比较。