The Optimal Use of Provisional Data in Forecasting With Dynamic Models
动态模型预测中初步数据的最优利用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：摘要明确研究经济时间序列的及时预测，并用状态空间、卡尔曼滤波及动态宏观模型处理初步数据，故归入预测与时间序列。
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
动态模型预测中初步数据的最优利用
- 研究问题
- 经济时间序列的最新观测往往是待修订的初步数据，动态模型如何有效利用这些及时信息，同时处理数据修订带来的预测问题？
- 方法与思路
- 作者基于状态空间方法与卡尔曼滤波构造一般处理方案，主要调整测量方程，并用于意大利工业生产指数及小型宏观联立模型。
- 材料陈述的贡献
- 摘要提出动态模型有效利用初步观测的一般框架，并将卡尔曼滤波估计与预测同传统程序比较；具体改善幅度摘要未说明。
- 阅读关注点
- 核对初步值和修订误差如何进入测量方程、滤波所需假设，以及预测比较是否使用当时可得的信息和一致的评价标准。
- 阅读边界
- 摘要未说明修订过程、信息集、参数估计方式及比较结果，因而无法确认所谓最优利用的完整适用条件或实际预测增益。
原文摘要
Timely economic forecasts by means of dynamic models rely on updated time series, the last figure(s) of which are provisional and will be typically subjected to a number of revisions. A general approach to the efficient use of provisional observations in dynamic models is presented, based on the state-space methodology and the Kalman filter. Suitable adaptations are introduced, chiefly involving the measurement equations. Some applications are carried out for Italy, concerning (a) the monthly index of industrial production and (b) a small dynamic simultaneous-equation model of the aggregate economy. Kalman-filter estimates and predictions are compared with more traditional procedures.