在上面的样本外预测性能测试中，预测是通过滚动时间窗产生的。或者，研究使用递归估计时间窗来生成预测。表7-7提供了递归估计时间窗的MCS p值。可以看到，在表7-7的A部分中，在QLIKE和MSE的损失函数下，所有的弹性模型和Lasso模型都可以通过MCS检验。另外，在表7-7的面板B中，只使用弹性网时，Elastic-all模型能够提供最佳预测。表7-7的C组的结果提供了当只使用Lasso时，Lasso-all模型都能打败其他对比模型。表7-8给出了使用递归估计时间窗，基于样本外R2的样本外预测性能。研究观察到Elastic-all模型和Lasso-all模型的值仍然是两个最大的，并且在1％的水平上是显著的。因此，这是进一步的证据，研究的结论是稳健的。

表7-7　递归估计窗口的MCS p值

注：当使用替代估计时间窗（即递归估计窗）时，本表报告样本外预测性能，包括基于范围和半二次统计计算的MCS p值。我们考虑的两种损失函数是QLIKE和MSE。大于0.5的p值以粗体和下划线表示。表A考虑了两种收缩方法（弹性网和拉索），表B仅使用弹性网，而表C仅使用拉索。包含2 029个观察结果的整个样本周期为2011年3月18日至2019年3月20日，而样本外的预测是通过使用一个滚动时间窗来生成的，每个时间窗包含1 200个观测结果。(www.daowen.com)

表7-8　递归估计时间窗的样本外R2

注：当使用替代估计时间窗（即递归估计窗）时，本表报告基于样本外的样本外R2（ ）的预测性能，值以百分比表示。的统计显著性是根据Clark和West（2007）MSFE调整统计量的p值得到的。值大于零意味着预测模型的性能优于基准模型。整个抽样期包含2 029个观测数据，期间是2011年3月18日至2019年3月20日，而样本外预测是通过使用一个滚动时间窗来生成的，每个时间窗覆盖1 200个观测数据。**和***分别表示5％和1％水平的显著性。