Density Forecasts With Midas Models
MIDAS 模型的密度预测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：摘要使用月度和周度时间序列预测美国季度实际产出增长的密度，直接对应宏观预测与混频时间序列方法。
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…
MIDAS 模型的密度预测
- 研究问题
- 如何为混频数据抽样回归构造可靠的预测密度，并在不同误差结构及月度、周度信息逐步可得时改善产出增长预测？
- 方法与思路
- 作者提出参数化的分块野生自助法，为多类 MIDAS 回归生成预测密度，并以蒙特卡洛模拟和美国季度实际产出增长应用评估。
- 材料陈述的贡献
- 摘要称，模拟预测密度按覆盖率衡量比残差自助法及正态误差抽样更准确；美国应用校准良好，更多信息改善了对数评分。
- 阅读关注点
- 阅读全文时应核对分块长度和参数设定、混频信息的可得时点、各误差情形的模拟设计，以及覆盖率、校准与对数评分的比较。
- 阅读边界
- 摘要未说明样本区间、预测期限、分块选择规则和具体误差幅度，所报优势仅有其模拟与美国应用支持，推广范围仍需核对。
原文摘要
We propose a parametric block wild bootstrap approach to compute density forecasts for various types of mixed-data sampling (MIDAS) regressions. First, Monte Carlo simulations show that predictive densities for the various MIDAS models derived from the block wild bootstrap approach are more accurate in terms of coverage rates than predictive densities derived from either a residual-based bootstrap approach or by drawing errors from a normal distribution. This result holds whether the data-generating errors are normally independently distributed, serially correlated, heteroskedastic or a mixture of normal distributions. Second, we evaluate density forecasts for quarterly US real output growth in an empirical exercise, exploiting information from typical monthly and weekly series. We show that the block wild bootstrapping approach, applied to the various MIDAS regressions, produces predictive densities for US real output growth that are well calibrated. Moreover, relative accuracy, measured in terms of the logarithmic score, improves for the various MIDAS specifications as more information becomes available. Copyright © 2016 John Wiley & Sons, Ltd.