Robust forecast superiority testing with an application to assessing pools of expert forecasters
稳健的预测优越性检验及专家预测组合评估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。
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：摘要研究预测评价检验，并应用于专业预测者调查中的预测组合。
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…
稳健的预测优越性检验及专家预测组合评估
- 研究问题
- 如何检验一种预测是否优于另一种，并使判断对损失函数选择稳健，同时避免检验只在最不利情形下具有正确尺寸？
- 方法与思路
- 作者将一般损失下的预测评价映射到随机占优原则，建立 HAC 方差估计的一致收敛结果，以支持新的预测比较检验。
- 材料陈述的贡献
- 摘要称，新检验具有一致渐近有效性且不保守，模拟表现良好；专业预测者调查应用提示历史预测准确性有作用。
- 阅读关注点
- 应核对所覆盖的损失函数类别、一致有效性的参数范围、HAC 方差估计条件，以及专家预测组合的比较与选择程序。
- 阅读边界
- 仅据所给 Crossref 摘要，不能确定稳健性覆盖哪些损失函数、有限样本优势多大，也不能将应用结论推广到所有预测者。
原文摘要
Summary We develop forecast superiority tests that are robust to the choice of loss function by following Jin, Corradi and Swanson (JCS: 2017), and relying on a mapping between generic loss forecast evaluation and stochastic dominance principles. However, unlike JCS tests, which are not uniformly valid and are correctly sized only under the least favorable case, our tests are uniformly asymptotically valid and non‐conservative. To show this, we establish uniform convergence of HAC variance estimators. Monte Carlo experiments indicate good finite sample performance of our tests, and an empirical illustration suggests that prior forecast accuracy matters in the Survey of Professional Forecasters.