Evolution of forecast disagreement in a Bayesian learning model
贝叶斯学习模型中预测分歧的演化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：摘要明确研究专家多期限预测分歧，并使用固定目标的跨国面板，直接对应预测研究与宏观面板分析。
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
贝叶斯学习模型中预测分歧的演化
- 研究问题
- 专家预测分歧为何随预测期限变化？初始先验、对先验的权重与公共信息解释差异，分别对分歧及其演化贡献多大？
- 方法与思路
- 作者估计包含异质性的贝叶斯学习模型，利用固定预测目标、多期限及跨国面板数据分解分歧来源，并提出预测效率检验。
- 材料陈述的贡献
- 摘要报告先验差异的贡献随期限缩短而下降、公共信息解释差异的贡献上升，先验权重差异作用较小，预测低效也存在异质性。
- 阅读关注点
- 应核对三类异质性的识别与分解方式、新闻质量的测量及交互机制，以及效率检验的零假设、跨国可比性和模型敏感性。
- 阅读边界
- 仅据RePEc所载出版社摘要，预测变量与识别条件未说明；分解结果依赖学习模型，不能据此认定各机制具有已验证的因果作用。
原文摘要
We estimate a Bayesian learning model with heterogeneity aimed at explaining expert forecast disagreement and its evolution over horizons. Disagreement is postulated to have three components due to differences in: (i) the initial prior beliefs, (ii) the weights attached on priors, and (iii) interpreting public information. The fixed-target, multi-horizon, cross-country feature of the panel data allows us to estimate the relative importance of each component precisely. The first component explains nearly all to 30% of forecast disagreement as the horizon decreases from 24 months to 1 month. This finding firmly establishes the role of initial prior beliefs in generating expectation stickiness. We find the second component to have barely any effect on the evolution of forecast disagreement among experts. The importance of the third component increases from almost nothing to 70% as the horizon gets shorter via its interaction with the quality of the incoming news. We propose a new test of forecast efficiency in the context of Bayesian information processing and find significant heterogeneity in the nature of inefficiency across horizons and countries.