集成方法的灵敏度分析灵敏度分析旨在了解哪些因素解释了ES\\U qqc\\U a的外观性能，如图3所示。为此，我们检查了ES\\U qqc\\U a的构建块，并得出了使我们能够评估集成组件边际效用的基准。更具体地说，我们认为两个自由度特别有影响力。首先，模型库可以只包含对称模型，也可以使用我们在这里提出的最小化ACEF的模型进行分段。其次，集合成员的选择需要一个目标，这个目标可以是不对称的，也可以是不对称的成本函数。此外，可以使用对称的成本函数进行集合选择，并对结果的集合预测进行偏差，以解释成本不对称（即降价方法）。为了了解这些参数的影响，我们对表5中所有可能的组合进行了实证比较。

模型的命名约定是ES{mse，md，qqc}{c，a}，其中mse，md和qqc分别表示集合选择的组织方式是最小化mse，最小化mse和随后的标记自适应，以及qqc，后缀s和a分别表示相应的基础模型库仅包含对称模型或已使用非对称模型扩充。我们使用术语对称模型作为预测模型的简写形式，该模型是通过最小化对称成本函数（如普通最小二乘法）开发的。表5：使用所有自由度组合在MQQC中测量的集成方法性能。整体灵敏度分析（MQQC）方法a=0.1 a=0.2 a=0.3 a=0.4 a=0.5 a=0.6 a=0.7 a=0.8 a=0.9 a=1.0 ES\\u mse\\u s 34.82 37.27 39.71 42.15 44.60 47.04 49 51.93 54.37 56.82ES\\u md\\u s 20.24 27.55 32.94 37 41.35 44.90 48.17 51.22 54.10 56.82ES\\u qqc\\u s 22.88 29.03 33.89 38.05 41.74 45.15 48.30 51.29 54.08 56.82ES\\U mse\\U a 34.45 36.92 39.38 41.84 44.31 46.77 49.23 51.70 54.1656.62ES\\U md\\U a 20.03 27.28 32.66 37.14 41.09 44.66 47.95 51.02 53.91 56.62ES\\U qqc\\U a 19.68 26.94 32.40 36.95 40.98 44.57 47.86 50.94 53.87 56.62表5最右列中来自同一库（\\u s或\\u a）的方法之间的MQQC值等效是合理的。当a=1时，QQC减小到MSE，以便集成选择优化相同的性能标准。此外，通过降价程序确定的折旧应为零。否则，ES\\u mse\\uuC，a}预测会事先产生偏差。表5显示，ES\\U qqc\\U a是最好的集成策略，在a的所有设置中都优于备选方法。这支持了我们对ES\\U qqc\\U a集成的设计。

关于第一自由度，即模型库的组成，表5显示了使用ACEF最小化开发的预测模型扩充库的适用性。与集成选择标准或成本不对称程度无关，增强库始终比只包含对称模型的库提供更好的性能。有趣的是，在成本对称的情况下，扩展模型库也可以提高性能（表5最右边的一列）。如果模型库包含一些ACEF最小化的基础模型，我们将这种影响归因于基础模型之间的多样性增加。众所周知，增加多样性有可能提高集成预测模型的性能（例如Brown等人，2005）。据我们所知，通过使用ACEFfor预测模型开发寻求多样性的想法尚未得到研究。表5提供了一些初步证据，表明这种战略可能具有潜力。然而，需要进一步的研究来详细测试这一概念。表5还阐明了第二自由度的影响，即集合选择中的选择标准。对于a=1.0，无论模型库的类型如何，所有选择标准的性能都是相同的。对于a的其他设置，解释成本不对称的建模方法，即ES\\u md\\uu{s，a}和ES\\u qqc\\u{s，a}，始终优于基本可靠选择，即ES\\u mse\\u{s，a}，这与预测误差成本之间的不对称性无关。然而，表5并没有提供一个明确的信号，说明两种基本模型选择策略（ES\\u md{s，a}或ES\\u qqc{s，a}）中哪一种更优。使用具有对称模型的模型库，ES\\U qqc\\U s在a=0.9时优于ES\\U md\\U s。

对于值0.10.8时，降价程序会给出更好的结果。在从增强模型库开发集成时，对于成本不对称的所有设置，ES\\U qqc\\U a都优于ES\\U md\\U a（a<1）。总之，构建模块、增强模型库和最小化QQC的选择策略都有助于提高ES\\U QQC\\U a的吸引力（例如，第5.2节）。此外，表5显示了这两种成分之间的相互作用。图书馆扩建通常是合适的。然而，使用QQC进行集合选择，只有在应用于模型库时才能充分发挥潜力，模型库包括考虑不对称错误成本的基础模型。为了进一步了解forecastingperformance增加的程度，表6和表7报告了不同建模方法之间的平均百分比差异。表6:a的三个选择标准和设置下对称库和扩充库的合奏之间的百分比差异可以解释为使用扩充库的增强。对称vs.增强选择策略ya=0.1 a=0.2 a=0.3 a=0.4 a=0.5 a=0.6 a=0.7 a=0.8 a=0.9 a=1.0MSE 1.06%0.94%0.83%0.74%0.65%0.58%0.51%0.45%0.39%0.34%MD 1.06%0.98%0.86%0.74%0.64%0.55%0.47%0.40%0.34%QQC 14.00%7 19%4.40%2.90%1.81%1.30%0.91%0.69%0.39%0.34%小型和扩充库。与第一个标准相比，使用后一个标准可以解释为enhan水泥。模型库a=0.1 a=0.2 a=0.3 a=0.4 a=0.5 a=0.6 a=0.7 a=0.8 a=0.9 a=1.0MSE vs.MDSymmetric 41.86%26.07%17.05%11.23%7.28%4.54%2.65%1.36%0.51%0.00%增加41.86%26.09%17.07%11.23%7.27%4.52%2.61%1.31%0.46%0.00%MSE vs。

QQCSymmetric 34.30%22.10%14.65%9.73%6.42%4.02%2.40%1.23%0.55%0.00%增加42.89%27.02%17.72%11.70%7.51%4.71%2.79%1.46%0.54%0.00%MD与QQCSymmetric-13.01%5.36%2.89%1.68%0.93%0.55%0.26%0.13%0.03%0.00%增加1.77%1.26%0.78%0.53%0.26%0.20%0.18%0.15%0.08%0.00%通过MSE最小化选择集合成员时预报性能的改善。无论预测是否通过降价系数进行调整，这都是正确的。例如，即使在最佳设置（a=0.1）下，对于MSE和MD，增加模型库也只会将MQQC减少约1%。当使用QQC进行集合选择时，相应的改进高达14%（22.88 c.f.19.68）。与表6和表7相比，选择集成成员的具体方法比库扩充对预测性能的影响更大。我们观察到，在高度成本不对称的情况下，当从MSE转移到替代选择策略时，最大的改进是综合了不同类型预测错误的相对严重性。这再次强调了采用合适的建模方法解决不对称错误成本的重要性，并警告不要使用“标准”预测方法（即，无需调整）进行汽车转售价格预测。在表6中，“标准”方法的代表MSE显示了成本不对称（a<1）的所有设置中的最低性能。表6的最后一个面板比较了两种解释错误成本不对称的预测方法。有趣的是，结果正好相反，这取决于合奏模型是否来自增强模型库。

特别是，除非图书馆包含了解释不对称错误成本的基本模型，否则使用降价方法Isuperior并减少所有成本不对称明显的设置的错误成本（即<0.9）。相反，如果使用增强模型库，选择集成成员以最小化QQC，则在所有设置a<1的情况下会获得更好的结果。因此，选择合适的机制来解释预测误差的不对称成本取决于基本模型库。总之，ES\\U QQC\\U a的敏感性分析表明，库扩充和选择策略都很重要。它们分别影响预测性能和减少预测错误的成本。增强电位的大小取决于参考点。例如，考虑a=0.5的情况，其中负残差的成本是正残差的两倍，而ES\\u MSE\\u s作为参考。后者是一种有意义的参考，因为它代表了开发预测模型的复杂标准方法。库扩充可以将ES\\U MSE\\U c的性能提高0.65%（表6的第一行）。使用QQC代替MSE进行集合选择，结果提高了6.42%（表7的第二个面板）。正如在ES\\U QQC\\U a中实现的那样，两者的结合似乎利用了协同效应，提高了8.11%（见表5，其中ES\\U MSE\\U s的MQQC=44.60，ES\\U QQC\\U a=40.98）。与MD相比，QQC的改进要少得多，这可能表明概念上更简单的降价方法通常已经足够了。

然而，对于生成大量预测的应用程序来说，持续改进总体最佳方法ES\\u QQC\\u a，即使很小，也具有管理意义。总体而言，实证调查支持这样的观点，即当面临预测误差的不对称成本时，ES\\U QQC\\U a是一种合适的建模方法。相应的基准是基于最小均方误差的集合，我们发现它可以提供最准确的均方误差预测。鉴于ES\\U MSE\\U s是基于多个基本模型构建的，这些模型具有元参数设置的各种组合，因此它代表了一个具有挑战性的基准。因此，我们发现在研究中考虑的所有模型中，ES\\U MSE\\U s在MSE方面的预测误差最小。与此基准相比，ES\\U QQC\\U a显示出进一步增强的巨大潜力，尤其是在a很小的情况下。6、结论本文侧重于汽车租赁定价决策的支持。注意到informeddecisions要求预测退货汽车的转售价格，并且考虑到与预测误差相关的成本取决于误差的类型，已经进行了一项实证研究，以检查是否应将不对称误差成本纳入预测模型开发，并确定一种有效的方法。为了阐明选择一种预测方法而非另一种预测方法的经济后果，已根据误差成本不对称程度不同的ACEF对备选模型进行了评估。在几次比较中观察到的实证结果提供了强有力的证据，表明忽视不对称错误成本会损害决策质量。使用QQC函数asperformance准则和决策成本代理，我们观察到非对称预测方法能够持续且实质性地改进对称备选方案。

在一些比较和实验设置中，我们发现与对称方法相比，非对称方法可以持续降低错误成本，并且与一个挑战性的基准模型相比，成本降低了40%以上。考虑到如何最好地解释不对称错误成本的问题，我们比较了暴露策略和事前策略。总的来说，我们发现有证据表明，改变预测模型发展的事前方法通常优于事后方法，这偏离了“标准”的预测“不考虑成本不对称的预测模型。然而，与事后修正相比，事前方法的改进远远小于与错误成本无关的方法的改进。考虑到预测的事后调整相对容易实施，建议预测人员仔细检查部署更复杂的事前方法得到了很好的投资。如果生成大量预测以支持大规模业务决策，很可能就是这种情况。汽车租赁就是这样一种应用，因为签订的每一份租赁合同都要求出租人预测相应汽车的转售价格。从管理的角度来看，我们研究的主要含义是租赁价格管理应该承认存在不对称的错误成本和考虑到这些因素的员工预测模型。最终，这有助于降低次优定价决策的成本，提高租赁业务的效率。从学术角度来看，我们通过与使用ACEF的集合预测相关的贡献性实证结果，填补了预测文献中的空白。许多研究表明，预测组合可以提高预测精度。

我们补充了这篇文献，表明以前的结果可以推广到具有不对称错误代价的应用程序。目前的研究也存在局限性，为未来的研究开辟了道路。首先，结果和结论仅限于此处使用的数据。因此，研究观察结果对其他领域和应用的普遍性似乎是未来研究的一个富有成果的途径。此外，我们观察到来自增强模型库的集成模型的性能优于来自对称模型原始库的模型。这一发现可能会激发利用ACEF进行集合预测的新方法。更重要的是，可能有可能将我们的结果与集合理论联系起来，例如，与强度多样性权衡或集合边际有关。文学阿克洛夫，G.A.（1970）。柠檬市场：质量不确定性和市场机制。《经济学季刊》，84（3），488-500。Berk，R.（2011年）。刑事司法环境中用于预测的不对称损失函数。《定量犯罪学杂志》，27，107-123。Bharadwaj，A.S.（2000年）。基于资源视角的信息技术能力与企业绩效：一项实证研究。MIS季刊，24（1），169-196。Bishop，C.M.（1997年）。用于模式识别的神经网络。牛津大学出版社，牛津。Bleich，J.（2015）。树集合的推广与应用。机器学习中的方法。公开访问宾夕法尼亚州。Brown，G.、Wyatt，J.、Harris，R.、Yao，X.（2005）。多样性创造方法：调查和分类。信息融合，6，5-20。Caruana，R.、Munson，A.和Niculescu Mizil，A.（2006年）。充分利用插入码选择。

《第六届数据挖掘国际会议记录》，828833，IEEE计算机学会，洛斯阿拉米托斯。Caruana，R.、Niculescu Mizil，G.、Crew，G.和Ksikes，A.（2004）。从模型库中进行集成选择。在《机器学习国际会议记录》中。Christoffersen，P.和Diebold，F.X.（1997年）。不对称损失下的最优预测。计量经济学理论，13808-817。Collopy，F.、Adya，M.和Armstrong，J.S.（1994年）。检验预测有效性的原则：以信息系统支出预测为例。信息系统研究，5（2），170-179。Crone，S.F.（2002年）。使用对称成本函数训练用于时间序列预测的人工神经网络。新加坡南洋理工大学第九届国际神经系统信息处理会议论文集，2374-2380。Crone，S.F.（2010年）。神经网络预测和处置。第一版Gabler，威斯巴登。Desai，P.，和Purohit，D.（1998年）。租赁与销售：可调节商品公司的最佳营销策略。《管理科学》，44（11-Part-2），19-34。Diebold，F.X.（2001年）。预测要素。第二版，辛辛那提西南部。Diebold，F.X.和Mariano，R.S.（1995年）。比较预测准确性。《商业和经济统计杂志》，13253-263。Donaldson，R.G.和Kamstra，M.（1996年）。结合神经网络进行预测。《预测杂志》，15，49-61。Du，J.、Xie，L.和Schroeder，S.（2009）。拍卖车辆系统的PIN最优分布：应用价格预测、弹性估计和遗传算法来使用车辆分布。《市场营销学》，28（4），637-644。Erdem，C.和Sentürk，I.（2009）。

土耳其二手车价格特征分析。《国际经济展望杂志》，3（2），141-149。Fitzenberger，B.、Koenker，R.和Machado，J.A.F.（2002年）。分位数回归的经济应用。Physica Verlag，海德堡。Granger，C.W.J.（1969年）。具有广义误差代价函数的预测。运营研究季刊，20（2），199-207。Granger，C.W.J.（1999年）。使用广义成本函数的预测理论概述。《西班牙经济评论》，161-173页。Granger，C.W.J.和Newbold，P.（1986年）。预测经济时间序列。第二版，奥兰多学术出版社。Hastie，T.、Tibshirani，R.和Friedman，J.H.（2009）。统计学习的要素。第二版，斯普林格出版社，纽约。Jerenz，A.（2008年）。汽车行业的收入管理和生存分析。盖布勒，威斯巴登。Kahneman，D.和Tversky，A.（1979年）。前景理论：风险决策分析。《计量经济学》，47（2），263-291。Koenker，R.W.和Bassett，G.（1978年）。回归分位数。《计量经济学》，46，3-50Koenker，R.W.，和Hallock，K.（2001）。分位数回归：简介。《经济展望杂志》，第15期，第143-156页。Leitch，G.和Tanner，J.E.（1991年）。经济预测评估：利润与常规误差指标的比较。《美国经济评论》，81580-590。Lessmann，S.（2013）。预测分析中的建模不匹配：案例研究说明和可能的补救措施。ECIS 2013完成了研究，论文104。Lessmann，S.、Listiani，M.和Voss，S.（2010）。汽车租赁决策支持：残值估计的预测模型。《信息系统国际会议记录》（Lacity，M.、Niederman，F.和March，S.Eds.），AIS，论文17。Lessmann，S.和Voss，S.（2013）。

汽车转售价格预测：回归方法、私人信息和异质性对预测准确性的影响。汉堡大学信息系统研究所，汉堡。Lian，C.，Zhao，D.，和Cheng，J.（2003）。基于模糊逻辑的进化神经网络汽车残值预测。《信息技术：研究与教育国际会议论文集》（N.Ansari、F.Deek、C.-Y.Lin和H.Yu），545-548，IEEE计算机学会。Lilien，G.L.、Rangaswamy，A.、Van Bruggen，G.H.和Starke，K.（2004）。营销资源分配决策中的DSS活动：现实与感知。信息系统研究，15（3），216-235。Marn，M.V.、Roegner，E.V.、Zawada，C.C.（2003）。定价的力量。麦肯锡季刊，1，26-39。Makridakis，S.，&Hibon，M.（2000）。M3竞赛：结果、结论和启示。《国际预测杂志》，16451-476。Prado，S.（2009年）。欧洲二手车市场概览：汽车租赁行业的享乐转售价格估值。巴黎大学（Universit de Paris Ouest Nanterre La Dfense），巴黎。Purohit，D.（1992年）。探索新产品和二手产品市场之间的关系：以汽车为例。《市场营销学》，11（2），154-167。Shmueli，G.和Koppius，O.R.（2011年）。信息系统中的预测分析研究。MIS季刊，35（3），553-572。Taylor，J.W.（2000年）。估计多期收益条件密度的分位数回归神经网络方法。《预测杂志》，19（4），299-311。Tian，J.（2009）。当预测损失函数对称时预测失业率。塔斯马尼亚大学商学院经济与金融学院。Timmermann，A.（2006年）。预测组合。单位：G。

Elliott，C.W.J.Granger和A.Timmermann（编辑），《经济预测手册》（第135-196页）。阿姆斯特丹：北荷兰。Tversky，A.，Kahneman，D.（1992年）。前景理论的进展：不确定性的累积表示。《风险与不确定性杂志》，5（4），297-323。Weiss，A.（1996年）。使用相关成本函数估计时间序列模型。《应用计量经济学杂志》，11539-560。White，H.（1988年）。使用神经网络进行经济预测：以IBM dailystock收益为例。IEEE神经网络国际会议记录，2451458。White，H.（1992年）。使用神经网络的条件分位数的非参数估计。在接口研讨会的会议记录中。Springer Verlag，纽约。