机构名称：
¥ 4.0
有更多理由寻找改善预测模型比预测良好的模型的方法。但是什么构成“良好”表现？我们的观点是，答案取决于指定的“功能”（即解释变量）。为了定义想法，假设我们有有关客户是否同意特定贷款的数据。贷款与诸如利率或贷款期限之类的特征不同。这些特征与需求相关的一种模型（“ NPV模型”）可能认为，客户在贷款期间通过预期资本成本的镜头查看贷款。资本的预期成本是可用功能的特定功能。我们可以通过在数据上评估该模型的预测，例如查看有效利率下降时需求是否增加。这些测试使我们能够拒绝错误的模型，但是它们没有告诉我们不同的模型可以做得更好。为了解决这个问题，我们建议将模型的准确性与使用我们具有描述每笔贷款的功能做出的最佳需求预测的准确性。将基准的预测精度与NPV模型的预测准确性进行比较，将告诉我们NPV模型捕获了结果中有多少可预测的信号（给定基线特征）。如果最佳预测比NPV模型的预测要好得多，则可能有另一个模型建立在相同的功能上，从而实质上提高了预测精度。例如，另一个模型可能会假设客户忽略未来的利率，而仅关注初始利率，或者将2.99％的人从2.95％差异。另一方面，如果最佳预测并不比NPV模型的预测好得多，则构建在相同功能上的替代模型在这些数据上可能无法做得更好。新模型可以提供帮助，但必须通过识别当前未测量的新变量来做到这一点。例如，强调框架和说服力的模型将指出将我们的数据集扩展到包括贷款描述中使用的词汇。超出了这个特定示例，任何模型的预测误差通常都可以分解为两个来源：（1）由于我们测量的功能的局限性，即结果>
测量经济模型的完整性
主要关键词
相关文件推荐
