Localizing Strictly Proper Scoring Rules
严格适当评分规则的局部化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：摘要明确研究预测分布评价，并提供通胀数据应用，直接关联宏观预测；风险管理应用未具体说明尾部或系统性风险。
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…
严格适当评分规则的局部化
- 研究问题
- 比较预测分布时，如何重点评价关心的结果区域，同时保留评分规则的适当性，并开展局部预测表现的检验？
- 方法与思路
- 作者把原评分规则应用于删失后的分布以构造局部评分，发展删失核评分，并研究局部预测比较的检验理论。
- 材料陈述的贡献
- 摘要称构造保留评分散度与严格适当性，扩展局部权重形式，并建立广义 Neyman–Pearson 结果及相应最优检验。
- 阅读关注点
- 应核对删失分布的定义、局部严格适当性的对象、权重函数限制，以及最强检验结论的假设和通胀应用的评价设计。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；局部适当性和最强检验的条件未展开，不能将模拟功效优势视为普遍结论。
原文摘要
When comparing predictive distributions, forecasters are typically not equally interested in all regions of the outcome space. To address the demand for focused forecast evaluation, we propose a procedure to transform strictly proper scoring rules into their localized counterparts while preserving the score divergence and strict propriety. This is accomplished by applying the original scoring rule to a censored distribution. Our procedure nests the censored likelihood score as a special case. Among a multitude of others, it also implies a class of censored kernel scores that offers a (possibly multivariate) alternative to the threshold weighted Continuously Ranked Probability Score (twCRPS), extending its local propriety to more general weight functions than single tail indicators. Within this localized framework, we obtain a generalization of the Neyman Pearson lemma, establishing the censored likelihood ratio test as uniformly most powerful. For other tests of localized equal predictive performance, results of Monte Carlo simulations and empirical applications to risk management, inflation and climate data consistently emphasize the excellent power properties of censoring versus other localization methods.