Predictive ability tests with possibly overlapping models
允许模型重叠的预测能力检验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。
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预测能力比较，并以美国债券超额收益预测为应用，分别对应预测方法与金融收益预测两个方向。
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…
允许模型重叠的预测能力检验
- 研究问题
- 当竞争模型可能重叠、导致常规预测比较统计量退化时，如何在无需预检验的情况下比较两个或多个模型的样本外预测能力？
- 方法与思路
- 作者对 Diebold–Mariano 统计量的分子与分母加入随机扰动，处理重叠模型下的退化，并将类似思路推广到多模型对基准的比较。
- 材料陈述的贡献
- 摘要称，检验允许动态误设及不同估计方案和损失函数，在原假设数据生成过程中一致渐近控制第一类错误，并展示债券收益预测应用。
- 阅读关注点
- 应核对扰动的分布和尺度、一致有效性的原假设范围、估计窗口与损失函数条件，以及多模型检验如何处理模型间依赖。
- 阅读边界
- 仅据所给出版社摘要；有限样本改善与宏观因子预测优势均为作者在特定模拟和应用中的报告，摘要未说明设置或其他版本变化。
原文摘要
This paper provides novel tests for comparing out-of-sample predictive ability of two or more competing models that are possibly overlapping. The tests do not require pre-testing, they allow for dynamic misspecification and are valid under different estimation schemes and loss functions. In pairwise model comparisons, the test is constructed by adding a random perturbation to both the numerator and denominator of a standard Diebold–Mariano test statistic. This prevents degeneracy in the presence of overlapping models but becomes asymptotically negligible otherwise. The test is shown to control the Type I error probability asymptotically at the nominal level, uniformly over all null data generating processes. A similar idea is used to develop a superior predictive ability test for the comparison of multiple models against a benchmark. Monte Carlo simulations demonstrate that our tests exhibit very good size control in finite samples reducing both over- and under-rejection relative to its competitors. Finally, an application to forecasting U.S. excess bond returns provides evidence in favour of models using macroeconomic factors.