Testing Forecast Optimality Under Unknown Loss
未知损失函数下的预测最优性检验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：摘要直接研究预测最优性评价，并以美联储产出增长预测为应用。
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
未知损失函数下的预测最优性检验
- 研究问题
- 当预测者的损失函数未知时，如何通过对数据生成过程施加可检验限制评价预测最优性，并允许损失依赖经济状态？
- 方法与思路
- 作者建立未知损失下的可检验性质，以数据生成过程条件替代部分损失函数条件，并灵活估计同时依赖预测误差和状态变量的损失。
- 材料陈述的贡献
- 摘要称，美联储增长预测在损失仅依赖误差时被拒绝为最优；允许低增长期高估代价更大后，实证发现可与最优性相容。
- 阅读关注点
- 应核对数据生成过程限制如何产生检验条件、损失函数的识别与估计，以及状态依赖设定如何改变美联储预测最优性的判断。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；检验限制和损失识别条件未说明，与最优性相容不等于证实美联储的真实偏好。
原文摘要
Empirical tests of forecast optimality have traditionally been conducted under the assumption of mean squared error loss or some other known loss function. In this article we establish new testable properties that hold when the forecaster's loss function is unknown but testable restrictions can be imposed on the data-generating process, trading off conditions on the data-generating process against conditions on the loss function. We propose flexible estimation of the forecaster's loss function in situations where the loss depends not only on the forecast error, but also on other state variables, such as the level of the target variable. We apply our results to the problem of evaluating the Federal Reserve's forecasts of output growth. Forecast optimality is rejected if the Fed's loss depends only on the forecast error. However, the empirical findings are consistent with forecast optimality provided that overpredictions of output growth are costlier to the Fed than underpredictions, particularly during periods of low economic growth.