On Testing Equal Conditional Predictive Ability Under Measurement Error
测量误差下的相同条件预测能力检验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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接研究预测能力比较，并以美国GDP增长预测为应用，最贴近宏观预测方向。
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
测量误差下的相同条件预测能力检验
- 研究问题
- 当真实预测目标只能由带测量误差的代理变量替代时，哪些损失函数能保持预测比较有效，代理精度如何影响检验能力？
- 方法与思路
- 作者定义损失函数对测量误差的精确稳健性，将其刻画为Bregman类，并以模拟和美国GDP增长预测应用考察检验表现。
- 材料陈述的贡献
- 摘要称满足精确稳健性的损失函数可使平均预测损失差不受代理替代影响，且更精确的代理变量能提高区分预测的检验功效。
- 阅读关注点
- 应核对精确稳健性对代理误差和信息集的条件、Bregman类的刻画，以及代理精度与条件预测能力检验功效的关系。
- 阅读边界
- 这是arXiv预印本，不能据此声称已同行评审或期刊接收。摘要未说明代理误差的完整限制，不能认定任意代理均可有效检验。
原文摘要
Loss functions are widely used to compare several competing forecasts. However, forecast comparisons are often based on mismeasured proxy variables for the true target. We introduce the concept of exact robustness to measurement error for loss functions and fully characterize this class of loss functions as the Bregman class. For such exactly robust loss functions, forecast loss differences are on average unaffected by the use of proxy variables and, thus, inference on conditional predictive ability can be carried out as usual. Moreover, we show that more precise proxies give predictive ability tests higher power in discriminating between competing forecasts. Simulations illustrate the different behavior of exactly robust and non-robust loss functions. An empirical application to US GDP growth rates demonstrates that it is easier to discriminate between forecasts issued at different horizons if a better proxy for GDP growth is used.