Combining forecast densities from VARs with uncertain instabilities
不确定不稳定性下的 VAR 预测密度组合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：摘要用 VAR 与 AR 进行宏观预测密度组合，并强调结构突变和不稳定性，支持预测、结构变化及时间序列。
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…
不确定不稳定性下的 VAR 预测密度组合
- 研究问题
- 当结构不稳定性及其位置不确定时，递归权重能否改善预测密度校准，允许结构突变的模型在组合中有何作用？
- 方法与思路
- 作者组合多个产出增长、通胀和利率的 VAR 与 AR 模型，以递归对数评分确定密度权重，并评价美国实时预测。
- 材料陈述的贡献
- 摘要称递归评分组合给结构突变模型较大权重，得到校准良好的密度；等权组合在大缓和时期数据上校准较差。
- 阅读关注点
- 应核对模型集合与突变设定、递归权重的更新规则、实时数据处理，以及校准检验和对数评分之间的关系。
- 阅读边界
- 仅据所给 Crossref 版本摘要，密度校准结果不能直接推出点预测改善；具体表现幅度和其他时期的稳健性未说明。
原文摘要
Abstract Recursive‐weight forecast combination is often found to an ineffective method of improving point forecast accuracy in the presence of uncertain instabilities. We examine the effectiveness of this strategy for forecast densities using (many) vector autoregressive (VAR) and autoregressive (AR) models of output growth, inflation and interest rates. Our proposed recursive‐weight density combination strategy, based on the recursive logarithmic score of the forecast densities, produces well‐calibrated predictive densities for US real‐time data by giving substantial weight to models that allow for structural breaks. In contrast, equal‐weight combinations produce poorly calibrated forecast densities for Great Moderation data. Copyright © 2010 John Wiley & Sons, Ltd.