Forecasting with a panel Tobit model
面板 Tobit 模型预测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：摘要的核心方法是处理大量个体短时间序列的动态面板 Tobit 模型，最直接对应面板数据方向。
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…
面板 Tobit 模型预测
- 研究问题
- 面对大量个体、每个个体仅有短时间序列且观测受到删失的数据，如何利用系数异质性生成密度预测和覆盖目标明确的集合预测？
- 方法与思路
- 作者采用带异方差的动态面板 Tobit 模型，以完全贝叶斯方法估计异质系数的横截面分布，再隐式将该分布作为个体预测的先验。
- 材料陈述的贡献
- 摘要提出面向横截面平均覆盖率的集合预测，并给出小银行贷款核销率的应用；摘要没有报告相对其他预测方法的量化优势。
- 阅读关注点
- 应核对删失机制、动态结构和异方差设定，异质系数分布如何估计，以及集合预测的平均覆盖目标如何区别于逐个银行的覆盖。
- 阅读边界
- 仅依据所给 Crossref 摘要；先验、样本及预测表现未说明，横截面平均覆盖不保证每家银行均达标，也不推断其他版本变化。
原文摘要
We use a dynamic panel Tobit model with heteroskedasticity to generate forecasts for a large cross‐section of short time series of censored observations. Our fully Bayesian approach allows us to flexibly estimate the cross‐sectional distribution of heterogeneous coefficients and then implicitly use this distribution as prior to construct Bayes forecasts for the individual time series. In addition to density forecasts, we construct set forecasts that explicitly target the average coverage probability for the cross‐section. We present a novel application in which we forecast bank‐level loan charge‐off rates for small banks.