Improvement over Bayes Prediction in Small Samples in the Presence of Model Uncertainty Author(s):

In an online prediction context, the authors introduce anew class of mongrel criteria that allow for the weighing of candidate models and the combination of their predictions based both on model-based and empirical measures of their performance. They present simulation results which show that model averaging using the mongrel-derived weights leads, in small samples, to predictions that are more accurate than that obtained by Bayesian weight updating, provided that none of the candidate models is too distant from the data generator. Amelioration de la prevision bayesienne dans les petits echantillons en presence d'incertitude a propos du modele Resume : Dans un contexte de provision continue, les auteurs proposent une nouvelle classe de criteres "metisses" permettant de ponderer differents mod6les envisages et de combiner leurs provisions A partir de mesures fondees sur ces modeles et sur leur performance empirique. Ils font etat de simulations montrant que la synth6se de modeles au moyen de poids metisses conduit, dans de petits echantillons, a des previsions plus precises que celle obtenue par mise a jour bayEsienne des poids, pourvu qu'aucun des modeles en cause ne soit trop eloigne de celui dont emanent les donnees.