Out-of-sample tests for conditional quantile coverage an application to Growth-at-Risk
条件分位数覆盖率的样本外检验及增长风险应用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：摘要直接研究样本外区间预测比较，并以经济活动下行风险的 Growth-at-Risk 预测为应用。
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…
条件分位数覆盖率的样本外检验及增长风险应用
- 研究问题
- 如何在样本外比较参数化条件分位数模型的区间预测，评价实际与名义条件覆盖率的差距，并兼顾多模型、多区间及模型重叠？
- 方法与思路
- 作者在给定损失函数下，利用各模型条件变量的合集比较覆盖偏差，提出成对及扩展检验，并以 wild bootstrap 处理不同极限分布情形。
- 材料陈述的贡献
- 摘要称，wild bootstrap 临界值在非嵌套、重叠及可能退化的情形下渐近有效；增长风险应用发现更多金融指标在部分情境中改善预测。
- 阅读关注点
- 应核对条件覆盖损失的定义、模型重叠与退化的判别、样本外估计窗口，以及多模型或多区间比较如何组织并控制推断误差。
- 阅读边界
- 所给 OpenAlex 版本摘要未给出完整条件、损失选择和预测改善数值；部分情境的表现不能推为普遍优势，也不能推断其他版本变化。
原文摘要
This paper proposes tests for out-of-sample comparisons of interval forecasts based on parametric conditional quantile models. The tests rank the distance between actual and nominal conditional coverage with respect to the set of conditioning variables from all models, for a given loss function. We propose a pairwise test to compare two models for a single predictive interval. The set-up is then extended to a comparison across multiple models and/or intervals. The limiting distribution varies depending on whether models are strictly non-nested or overlapping. In the latter case, degeneracy may occur. We establish the asymptotic validity of wild bootstrap based critical values across all cases. An empirical application to Growth-at-Risk (GaR) uncovers situations in which a richer set of financial indicators are found to outperform a commonly-used benchmark model when predicting downside risk to economic activity.