On Testing Equal Conditional Predictive Ability Under Measurement Error
测量误差下条件预测能力相等的检验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：摘要直接研究预测能力比较与检验功效，并以美国 GDP 增长预测为应用。
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
测量误差下条件预测能力相等的检验
- 研究问题
- 当预测目标只能通过含测量误差的代理变量观测时，哪些损失函数能保持预测比较有效，代理精度又如何影响检验功效？
- 方法与思路
- 作者定义损失函数对测量误差的精确稳健性，将该类函数刻画为 Bregman 类，并用模拟和美国 GDP 增长预测展示其作用。
- 材料陈述的贡献
- 摘要称，这类损失函数的预测损失差平均不受代理变量替代影响，且更精确的代理变量能够提高区分竞争预测的检验功效。
- 阅读关注点
- 应核对精确稳健性的定义、代理误差所需条件及条件信息集，并查看代理精度如何排序、功效结论适用于哪些预测比较。
- 阅读边界
- 仅据 OpenAlex 所载摘要，无法确认误差条件、损失函数的具体适用域及功效提升幅度，也不能推断其他版本的变化。
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.