Combining p -values for Multivariate Predictive Ability Testing
通过合并 p 值检验多变量预测能力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：摘要的核心是多变量预测准确性比较，并以多种汇率预测作为应用。
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…
关注这篇论文的作者
通过合并 p 值检验多变量预测能力
- 研究问题
- 在多个预测对象的误差可以任意依赖、联合分布未知时，如何结合单变量预测准确性检验，评价整体预测能力是否相同？
- 方法与思路
- 作者提出结合一系列单变量检验的交并检验框架，不指定底层多变量分布，并通过模拟及八十四种日度汇率数据说明应用。
- 材料陈述的贡献
- 摘要称，检验适用于不同维度和任意依赖结构，模拟中的尺寸与功效表现良好，并能处理实践中常见的不明确检验结果。
- 阅读关注点
- 应核对整体原假设与备择的逻辑、p 值合并规则、单变量检验的有效性要求，以及任意依赖下控制尺寸的依据。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；具体合并规则、检验条件及模拟数值未说明，不能推断其在所有预测比较中具有更高功效。
原文摘要
In this article, we propose an intersection-union test for multivariate forecast accuracy based on the combination of a sequence of univariate tests. The testing framework evaluates a global null hypothesis of equal predictive ability using any number of univariate forecast accuracy tests under arbitrary dependence structures, without specifying the underlying multivariate distribution. An extensive Monte Carlo simulation exercise shows that our proposed test has very good size and power properties under several relevant scenarios, and performs well in both low- and high-dimensional settings. We illustrate the empirical validity of our testing procedure using a large dataset of 84 daily exchange rates running from January 1, 2011 to April 1, 2021. We show that our proposed test addresses inconclusive results that often arise in practice.