Direct Multi-Step Forecast based Comparison of Nested Models via an Encompassing Test
基于预测涵盖检验的嵌套模型直接多步预测比较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：摘要直接研究时间序列模型的样本外多步预测比较，并应用于各国通胀预测。
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
基于预测涵盖检验的嵌套模型直接多步预测比较
- 研究问题
- 比较嵌套模型的样本外多步预测时，如何克服检验方差退化，并适应平稳、高持久性及确定性预测变量？
- 方法与思路
- 作者从预测涵盖原则隐含的总体矩条件出发，重新构造连接两模型预测误差的检验，覆盖单期与较长期限预测。
- 材料陈述的贡献
- 摘要称该方法绕过嵌套模型预测比较中的方差退化，统计量具有标准正态极限，并以全球通胀预测应用作说明。
- 阅读关注点
- 应核对矩条件与统计量的具体形式、预测窗口和模型估计方式，以及不同预测变量和预测期限下渐近结果的条件。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明完整正则条件、有限样本表现及应用结果大小。
原文摘要
We introduce a novel approach for comparing out-of-sample multi-step forecasts obtained from a pair of nested models that is based on the forecast encompassing principle. Our proposed approach relies on an alternative way of testing the population moment restriction implied by the forecast encompassing principle and that links the forecast errors from the two competing models in a particular way. Its key advantage is that it is able to bypass the variance degeneracy problem afflicting model based forecast comparisons across nested models. It results in a test statistic whose limiting distribution is standard normal and which is particularly simple to construct and can accommodate both single period and longer-horizon prediction comparisons. Inferences are also shown to be robust to different predictor types, including stationary, highly-persistent and purely deterministic processes. Finally, we illustrate the use of our proposed approach through an empirical application that explores the role of global inflation in enhancing individual country specific inflation forecasts.