Comparing Density Forecasts via Weighted Likelihood Ratio Tests
用加权似然比检验比较密度预测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：摘要以样本外密度预测比较为核心，并明确用美国通胀预测展示检验方法，文本依据最直接支持宏观预测方向。
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
用加权似然比检验比较密度预测
- 研究问题
- 如何比较不同模型或估计方法产生的样本外密度预测，并通过用户设定的权重，关注目标变量分布中不同区域的预测表现？
- 方法与思路
- 作者采用对数评分规则，构造比较加权平均得分的样本外加权似然比检验；摘要称其可用于异质数据及多种方法产生的预测。
- 材料陈述的贡献
- 摘要称均匀权重检验扩展了 Vuong 检验的时间序列与样本外适用范围；美国通胀应用中，最大似然估计的马尔可夫转换菲利普斯曲线表现最佳。
- 阅读关注点
- 阅读时应核对检验有效性的具体条件、权重如何进入评分和统计量，以及时间序列依赖、参数估计误差和样本外窗口的处理。
- 阅读边界
- 摘要未列明有效性所需条件、权重选择规则及应用的样本划分；所述最佳预测表现仅针对该应用的比较，不能泛化为模型普遍优势。
原文摘要
We propose a test for comparing the out-of-sample accuracy of competing density forecasts of a variable. The test is valid under general conditions: The data can be heterogeneous and the forecasts can be based on (nested or nonnested) parametric models or produced by semiparametric, nonparametric, or Bayesian estimation techniques. The evaluation is based on scoring rules, which are loss functions defined over the density forecast and the realizations of the variable. We restrict attention to the logarithmic scoring rule and propose an out-of-sample “weighted likelihood ratio” test that compares weighted averages of the scores for the competing forecasts. The user-defined weights are a way to focus attention on different regions of the distribution of the variable. For a uniform weight function, the test can be interpreted as an extension of Vuong's likelihood ratio test to time series data and to an out-of-sample testing framework. We apply the tests to evaluate density forecasts of U.S. inflation produced by linear and Markov-switching Phillips curve models estimated by either maximum likelihood or Bayesian methods. We conclude that a Markov-switching Phillips curve estimated by maximum likelihood produces the best density forecasts of inflation.