Asymptotic Likelihood-Based Prediction Functions
基于似然的渐近预测函数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：摘要明确列出 ARCH 模型的应用，支持波动率方向；其余一般预测理论未指向特定宏观或金融应用。
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…
关注这篇论文的作者
基于似然的渐近预测函数
- 研究问题
- 如何构造能近似未来观测密度形状、同时修正参数不确定性的预测函数，并以信息损失衡量其预测效率？
- 方法与思路
- 作者扩展预测似然的定义，构造兼顾未来观测密度形状与参数不确定性的渐近预测函数，并用 KL 信息损失评价效率。
- 材料陈述的贡献
- 摘要称预测函数具有基于 KL 信息损失的效率性质，并展示线性正态、非正态及 ARCH 模型中的应用与相对效率推导。
- 阅读关注点
- 核对预测似然的扩展定义、参数不确定性修正的阶数、效率比较基准，以及各类模型示例所需的正则条件。
- 阅读边界
- 摘要未说明效率比较基准、正则条件及有限样本误差；不能据此断言预测密度准确、区间覆盖可靠或普遍优于其他方法。
原文摘要
This paper develops asymptotic prediction functions that approximate the shape of the density of future observations and correct for parameter uncertainty. The functions are based on extensions to a definition of predictive likelihood originally suggested by S. L. Lauritzen (1974) and D. Hinkley (1979). The prediction function is shown to possess efficiency properties based on the Kullback-Leibler measure of information loss. Examples of the application of the prediction function and the derivation of relative efficiency are shown for linear-normal models, nonnormal models, and ARCH models. Copyright 1990 by The Econometric Society.