Forecasting with Many Models: Model Confidence Sets and Forecast Combination

Disponible en format(s) : PDF

Les études consacrées au travail de prévision ont fait ressortir depuis longtemps que la moyenne des projections de plusieurs modèles a souvent un degré de précision plus élevé que les projections tirées d’un seul modèle, et qu’à ce titre, la technique qui consiste à établir une moyenne en pondérant les prévisions avec les mêmes coefficients donne de très bons résultats. Les auteurs se demandent ce qu’apporterait l’élagage de modèles avant le calcul des projections moyennes. À cette fin, ils comparent différentes méthodes d’élagage et proposent une nouvelle démarche (Model Confidence Set ou approche MCS) fondée sur la sélection de modèles selon un seuil de confiance défini par la valeur statistique de la qualité passée des prévisions hors échantillon. Un exercice empirique - la projection d’indicateurs macroéconomiques pour les États-Unis - leur permet de constater que leur démarche améliore de manière notable la précision des prévisions hors échantillon.