A Test for Superior Predictive Ability
优越预测能力检验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。
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：摘要以大量美国年度通胀预测与随机游走基准的比较为应用，核心是预测能力检验，因此归入宏观预测方向。
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
优越预测能力检验
- 研究问题
- 同时比较大量预测模型时，如何在考虑数据窥探问题的情况下检验优越预测能力，并减轻表现差或无关备选模型的影响？
- 方法与思路
- 作者对现实检验作两项修改：采用学生化统计量降低不稳定预测的影响，并使用依赖样本的零假设分布，再以模拟和通胀预测应用考察表现。
- 材料陈述的贡献
- 摘要称新检验功效更高、对劣质备选更不敏感；美国年度通胀应用中，随机游走不及回归预测，样本表现最佳者具有菲利普斯曲线结构。
- 阅读关注点
- 应核对学生化与样本依赖零分布的具体构造、预测损失和基准设定，以及模拟中的功效比较条件和通胀应用的评价流程。
- 阅读边界
- 摘要未说明检验的完整适用条件、模拟设计或预测样本划分；所述功效优势与样本最佳模型不能直接推广到其他预测任务。
原文摘要
We propose a new test for superior predictive ability. The new test compares favorably to the reality check (RC) for data snooping, because it is more powerful and less sensitive to poor and irrelevant alternatives. The improvements are achieved by two modifications of the RC. We use a studentized test statistic that reduces the influence of erratic forecasts and invoke a sample-dependent null distribution. The advantages of the new test are confirmed by Monte Carlo experiments and an empirical exercise in which we compare a large number of regression-based forecasts of annual U.S. inflation to a simple random-walk forecast. The random-walk forecast is found to be inferior to regression-based forecasts and, interestingly, the best sample performance is achieved by models that have a Phillips curve structure.