Self-normalized tests for multistep conditional predictive ability
多步条件预测能力的自归一化检验AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究多步预测比较，并处理损失差序列的长期协方差和累积和过程。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
多步条件预测能力的自归一化检验
- 研究问题
- 比较多步预测的条件预测能力时，如何避免直接估计长期协方差矩阵及其带宽、核函数和滞后截断选择带来的困难？
- 方法与思路
- 作者用变换后损失差的累积和过程归一化样本均值，分别构造标量调整极差归一化和向量矩阵归一化检验统计量。
- 材料陈述的贡献
- 摘要称推导了枢轴型零假设极限分布并证明检验一致性，模拟中较传统 HAC 方法减轻尺寸失真并保持较强功效。
- 阅读关注点
- 应核对条件预测能力原假设、损失差变换与预测步长的处理，以及依赖条件、临界值构造和尺寸功效比较设计。
- 阅读边界
- 这是 arXiv 预印本，不能确认已评审或接收；摘要未说明渐近条件和数值结果，模拟改善不能保证所有预测比较场景均占优。
原文摘要
This paper proposes self-normalized tests for multistep conditional predictive ability in forecast comparison. By normalizing the sample mean of the transformed loss differential using functionals of its cumulative sum (CUSUM) process, specifically an adjusted-range normalizer for scalars and a matrix normalizer for vectors, our approach avoids direct estimation of the long-run covariance matrix. Consequently, it eliminates the need for the ad hoc bandwidth, kernel, and lag-truncation choices required by traditional methods. We establish the asymptotic theory for these statistics, deriving pivotal null limiting distributions and proving test consistency. Monte Carlo simulations show that the proposed tests effectively mitigate the finite-sample size distortions associated with traditional heteroskedasticity and autocorrelation consistent (HAC) methods, while retaining strong empirical power against conditional predictability alternatives.