Testing Multiple Forecasters
多位预测专家的检验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：摘要讨论一般随机环境下的专家预测校准与可操纵性，未涉及宏观预测、收益预测或其他指定领域的具体对象。
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
多位预测专家的检验
- 研究问题
- 在随机环境中，如何同时检验多位预测专家是否掌握真实分布，并使检验在其他专家策略变化时仍能保护真实专家、约束虚假预测？
- 方法与思路
- 作者提出交叉校准检验，检查每位专家在给定其他专家预测后是否仍然校准，并分析真实专家的通过保证及虚假专家的联合操纵问题。
- 材料陈述的贡献
- 摘要称真实专家不受其他专家行为影响而通过检验，虚假专家在除第一纲小集合外的真实分布下会失败，并给出防联合操纵的替代检验。
- 阅读关注点
- 阅读全文时应核对条件校准、真实专家与第一纲小集合的定义，以及替代检验防止联合操纵时为何会失去对部分真实专家的通过保证。
- 阅读边界
- 摘要未说明预测空间、信息结构、检验期限或实施步骤；第一纲小集合是拓扑意义上的例外，不能直接解释为低概率或有限样本误差率。
原文摘要
We consider a cross-calibration test of predictions by multiple potential experts in a stochastic environment. This test checks whether each expert is calibrated conditional on the predictions made by other experts. We show that this test is good in the sense that a true expert—one informed of the true distribution of the process—is guaranteed to pass the test no matter what the other potential experts do, and false experts will fail the test on all but a small (category I) set of true distributions. Furthermore, even when there is no true expert present, a test similar to cross-calibration cannot be simultaneously manipulated by multiple false experts, but at the cost of failing some true experts.