Bootstrapping out-of-sample predictability tests with real-time data
实时数据下样本外预测能力检验的自助法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：摘要直接研究实时修订数据下的样本外预测能力检验，并以通胀预测展示方法的应用。
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…
实时数据下样本外预测能力检验的自助法
- 研究问题
- 当预测使用会被修订的实时数据时，如何对样本外预测能力进行有效检验，并避免直接估计复杂的渐近方差？
- 方法与思路
- 作者提出区块自助法，在存在常规数据修订的设定下，为 West 型预测能力检验建立一阶渐近有效性。
- 材料陈述的贡献
- 摘要称该方法免去直接估计修订数据情形下的渐近方差，模拟显示中等样本中的尺寸和功效表现，并提供通胀预测应用。
- 阅读关注点
- 应核对常规修订的定义、实时数据版本如何进入重抽样，以及区块长度、预测窗口和模型比较设定对检验的影响。
- 阅读边界
- 仅据所给 OpenAlex 摘要；修订过程假设、区块选择及模拟数值未说明，一阶有效性不保证每个有限样本都具有准确尺寸。
原文摘要
In this paper we develop a block bootstrap approach to out-of-sample inference when real-time data are used to produce forecasts. In particular, we establish its first-order asymptotic validity for West-type (1996) tests of predictive ability in the presence of regular data revisions. This allows the user to conduct asymptotically valid inference without having to estimate the asymptotic variances derived in Clark and McCracken’s (2009) extension of West (1996) when data are subject to revision. Monte Carlo experiments indicate that the bootstrap can provide satisfactory finite sample size and power even in modest sample sizes. We conclude with an application to inflation forecasting that revisits the results in Ang et al. (2007) in the presence of real-time data.