Introducción
En las previsiones de la combinación de uno de los populares de soluciones se basa en la aplicación de algún criterio de información. Tomando por ejemplo de Akaike criterio de $AIC_j$ estimado por el modelo de $j$, uno podría calcular las diferencias de $AIC_j$ $AIC^* = \min_j{AIC_j}$ y, a continuación, $RP_j = e^{(AIC^*-AIC_j)/2}$ podría ser interpretado como la probabilidad relativa de modelo de $j$ a ser la verdadera. Los pesos, a continuación, se definen como
$$w_j = \frac{RP_j}{\sum_j RP_j}$$
Problem
A difficulty that I try to overcome is that the models are estimated on the differently transformed response (endogenous) variables. For example, some models are based on annual growth rates, another - on quarter-to-quarter growth rates. Thus the extracted $AIC_j$ values are not directly comparable.
Tried solution
Since all that matters is the difference of $AIC$s one could take the base model's $AIC$ (for example I tried to extract lm(y~-1) the model without any parameters) that is invariant to the response variable transformations and then compare the differences between the $j$th model and the base model $AIC$. Aquí sin embargo parece que el punto débil sigue siendo - la diferencia es afectada por la transformación de la variable de respuesta.
Observaciones finales
Nota, la opción como "la estimación de todos los modelos en las mismas variables de respuesta" es posible, pero requiere mucho tiempo. Me gustaría para la búsqueda rápida de "cura" antes de ir a la dolorosa decisión si no hay ninguna otra manera de resolver el problema.
