Abstract: This paper evaluates linear and non-linear forecast-combination methods. Among the non-linear methods, we propose a nonparametric kernel-regression weighting approach that allows maximum flexibility of the weighting parameters. A Monte Carlo simulation study is performed to compare the performance of the different weighting schemes. The simulation results show that the non-linear combination methods are superior in all scenarios considered. When forecast errors are correlated across models, the nonparametric weighting scheme yields the lowest mean-squared errors. When no such correlation exists, forecasts combined using artificial neural networks are superior.

Résumé: Les auteurs de l'étude évaluent les méthodes linéaires et non linéaires de combinaison des prévisions. Entre autres formules de pondération non linéaires, ils proposent une technique d'estimation non paramétrique par la méthode du noyau qui offre une souplesse maximale en matière de pondération. Afin de comparer l'efficacité de différentes formules de pondération, ils procèdent à une simulation de Monte-Carlo. Les résultats obtenus montrent que les méthodes de combinaison non linéaires sont supérieures aux autres dans le cas de tous les scénarios envisagés. Lorsque les erreurs de prévision sont corrélées d'un modèle à l'autre, c'est la formule de pondération non paramétrique qui produit les erreurs quadratiques moyennes les plus faibles. Si les erreurs ne sont pas corrélées, les prévisions combinées à l'aide de réseaux neuronaux artificiels s'avèrent les meilleures.