- 我想知道为什么从通用到特定 (GETS) 子集选择，尤其是Autometrics算法在宏观经济建模/预测中表现良好。
Autometrics是如何工作的？
- Doornik "Autometrics" (2009) 提供了完整的描述（算法方案请参见第 7-8 页）。
该算法基于具有资格的逐步子集选择，并包括诊断测试。
下面列出了几个主要功能。 - 一般模型被表述为具有
(i) 主要变量、
(ii) 其大量滞后以及在后续版本中
(iii) 脉冲（用于脉冲指示饱和 (IIS) 或阶跃指示饱和 (SIS) 技术的线性模型）考虑可能的结构断裂）和
（iv）非线性变换。 - 该算法从一般模型开始逐步选择，并沿着多条路径进行。
- 变量不仅可以被删除，而且可以在每个步骤中添加（除了包含所有变量的初始步骤）。
- 显着性检验用于变量去除/包含。
- 当搜索终止时（基于变量的重要性），进行诊断测试。不良模型不再考虑。
Autometrics 的表现如何？
- 从David F. Hendry 爵士、Jurgen A. Doornik等人的作品中可以看出Autometrics的良好性能。（在链接中，请参阅有关模型选择、Autometrics和相关的作品）。
当然，独立作者的经验会比Autometrics的“父亲”的经验更可信。
- Kock & Teräsvirta “2007-2009 年经济危机期间三种自动化建模技术的预测性能”（2014 年）发现：
[ Autometrics ] 当模型与现实有合理的近似时效果很好，但在不是时效果较差。在直接预测中，人们面临的是后一种情况……看来，Autometrics可能不是构建直接多期预测模型的合适工具。但是，当研究人员数据集中的变量子集很好地近似数据生成过程时，它可能是一个很好的选择。
Epprecht 等人。“比较线性回归的变量选择技术：LASSO 和 Autometrics”（2013 年）发现 Autometrics 和 LASSO 在不同方面和不同设置中的表现优于对方。
Hendry 自己的Autometrics性能测试中的典型设置是正确模型是一般模型的子集。显示Autometrics以选择一个模型，该模型要么是真实的，要么非常接近它。
同时，在一般模型的锥形效应或相当大的错误规格下， Autometrics的表现可能不太好，例如上面的 Kock & Teräsvirta (2014)。
为什么好的表现令人惊讶？
- 由于没有收缩并且必须在大量变量中进行选择（这是 Hendry 和 Doornik 的许多作品中的设置），我预计 GETS 会失败。（例如，弗兰克·哈雷尔（Frank Harrell）在几个帖子中谴责了子集选择，例如1和2，尽管这些帖子并非特定于宏观经济时间序列。）
- （问题） GETS 和Autometrics的良好性能是否可以特定于应用程序（主要是宏观经济时间序列建模），
或者Autometrics只是广义上的一种非常好的方法？
“LASSO/LARS vs 一般到特定（GETS）方法”是一个相关问题。