Predictive Density Combination Using a Tree-Based Synthesis Function
利用树型合成函数组合预测密度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：摘要直接研究预测密度组合，并应用于 GDP 增长和通胀的宏观预测。
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…
利用树型合成函数组合预测密度
- 研究问题
- 在组合多个预测分布时，回归树构造的非参数合成函数能否改善宏观密度预测的准确性，并提供更易解释的组合机制？
- 方法与思路
- 作者在贝叶斯预测合成框架中，以回归树替代通常的参数化动态线性合成函数，分别组合欧元区增长与美国通胀密度预测。
- 材料陈述的贡献
- 摘要称，两项宏观预测应用均显示非参数合成函数在预测准确性和可解释性方面的收益，但未提供具体改善幅度。
- 阅读关注点
- 核对树模型的先验与复杂度控制、合成函数如何形成有效预测密度，以及滚动评估、预测期限和准确性指标的选择。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未说明完整比较基准与数值结果，两个应用不足以确立普遍优势。
原文摘要
Bayesian predictive synthesis (BPS) provides a method for combining multiple predictive distributions based on agent/expert opinion analysis theory and encompasses a range of existing density forecast pooling methods. The key ingredient in BPS is a ``synthesis'' function. This is typically specified parametrically as a dynamic linear regression. In this paper, we develop a nonparametric treatment of the synthesis function using regression trees. We show the advantages of our tree-based approach in two macroeconomic forecasting applications. The first uses density forecasts for GDP growth from the euro area's Survey of Professional Forecasters. The second combines density forecasts of US inflation produced by many regression models involving different predictors. Both applications demonstrate the benefits -- in terms of improved forecast accuracy and interpretability -- of modeling the synthesis function nonparametrically.