示例

例子

1. 由于 $\log (n)/n\to 0$，因此 $\log (n)=o(n)$。

2. 对于固定的 $k$，$\left(\genfrac{}{}{0ex}{}{n}{k}\right)=o(n^k)$。为了看清这一点，注意

$$\begin{array}{c}(\begin{array}{l}n\\ k\end{array})n^{-k}=\frac{n(n-1)\cdots (n-k+1)(n-k)\cdots 1}{n^{k}k(k-1)\cdots 1(n-k)(n-k-1)\cdots 1}\\ =\frac{n(n-1)\cdots (n-k+1)}{n^{k}k(k-1)\cdots 1}\\ <\frac{n(n-1)\cdots (n-k+1)}{n^k}\\ 0.\end{array}$$

我们将 $o\left(a_n\right)$ 读作"小 $o$ 量级为 $a_n$"，将 $O(a_n)$ 读作"大 $O$ 量级为 $a_n$"。小 $o$ 术语是"以此速率及更快的速率消失"的简写；大 $O$ 术语意味着对于以指定速率的除法，变量"保持在附近"，即它不会变得太大或太小。

对随机序列 $x_n$ 的推广是自然的，尽管它们产生了更复杂的"收敛"概念。

定义。对于随机序列 $\{X_n{\}}_{n=1}^{\infty }$ 和确定性序列 $\{a_n{\}}_{n=1}^{\infty }$，我们称 $X_n=o_p(a_n)$，若 $p{\lim }_{n\to \infty }(X_n/a_n)=0$。我们称 $X_n$ 为 $O_P(a_n)$，若存在常数 $K$ 使得对所有 $\epsilon >0$ 和所有充分大的 $n$，有 $P(|x_n/a_n|<K)>1-\epsilon$。

作为一个例子，假设 $X_1,\dots ,X_n\sim$ 独立 $N(0,1)$，则 $\bar{X}\sim \mathrm{N}(0,n^{-1})$。由 Chebyshev 不等式，当 $n\to \infty$ 时 $P[|\bar{X}|>\epsilon ]\to 0$，因此 $\bar{X}$ 是 $o_p(1)$。进一步，考虑 $Z_n=$ $n^{1/2}\bar{X}$。由中心极限定理，$Z_n\stackrel{d}{\to }N(0,1)$。设 $\mathcal{N}(t)$ 为标准正态变量的 c.d.f.，则 $P(n^{1/2}{\bar{X}}_n<K)\to \mathcal{N}(K)$。选择 $K$ 使得 $P(|n^{1/2}{\bar{X}}_n|<K)\to \mathcal{N}(K)-\mathcal{N}(-K)>1-\epsilon$，则 ${\bar{X}}_n$ 是 $O_p(n^{-1/2})$。

我们将这种收敛读作"小 $o$ $p$ 量级为 $a_n$"。我们通常将这种收敛用作简写，即不是完整地表达一个消失的项，而是用指示其消失阶的项来概括它。

在第 17 章和第 20 章中，我们使用感兴趣对象的极限分布，这些对象通过布朗运动的函数表示，而不是通过通常的渐近正态分布表示。这里我们给出该领域的简短概述，省略技术细节但提供文献指南。

正如适当归一化的随机变量之和（或平均值）${\sum }_{i=1}^n{x}_i$ 在极限下通常通过中心极限定理很好地近似为正态分布一样，适当归一化的部分和 ${\sum }_{i=1}^{\left[ns\right]}{x}_i$（其中 $s\in (0,1]$ 且 $[\cdot ]$ 取其参数的整数部分）在极限下通常通过使用函数中心极限定理（FCLT）收敛到布朗运动而得到很好的近似。在这种情况下，归一化和的连续函数将收敛到正态随机变量的该函数，并且——通过连续映射定理——归一化部分和的连续函数将收敛到布朗运动的该函数。推广到使用函数中心极限定理允许建立更广泛的结果集合，并且是在出现部分和的情况下获得渐近分布近似值的自然工具。

布朗运动是 $[0,1]$ 上满足一些基本要求的路径分布。考虑 $s\in [0,1]$ 上的 $W(s)$。若 (a) $W(0)=0$，(b) $W(b)-W(a)\sim$ $\mathrm{N}(0,b-a)$ 对于 $b>a$，且 $(\mathsf{c})W(c)-W(b)$ 独立于 $W(b)-W(a)$ 对于 $0\le a<b<c\le 1$，则 $W(s)$ 称为 $s\in [0,1]$ 上的标准布朗运动。使用 (b) 取 $a=0,b=1$，这意味着 $W(1)=\mathrm{N}(0,1)$，使得标准布朗运动成为标准正态分布的推广。

通过 FCLT，部分和到布朗运动的收敛可以写为 $n^{-1/2}{\sum }_{i=1}^{[ns]}{x}_i\Rightarrow W(s)$，其中 $\Rightarrow$ 表示弱收敛。结果需要关于序列 $\{x_i{\}}_{i=1}^n$ 的假设，并且与中心极限定理一样，存在广泛的假设导致收敛；一个有用的教科书参考是 White (2001, 第 7 章)。Davidson (1994) 也提供了详尽的论述。

函数中心极限定理（FCLT）可用于分析过程 $y_t=\rho y_{t-1}+u_t$，其中 $\rho =1-\gamma /T$。设 ${\omega }^2$ 等于 $u_t$ 在频率 0 处的谱密度，该值非负且假定为有限。若 $\rho =1$（即 $\gamma =0$）且 $T^{-1/2}{\bar{u}}_1{\to }^{p}0$，则在关于冲击 $u_t$ 的适当假设下，有 $T^{-1/2}{\omega }^{-1/2}{y}_t=T^{-1/2}{\omega }^{-1/2}{\sum }_{i=1}^{[Ts]}{u}_t\Rightarrow W(s)$。若 $\gamma >0$，在经过一定整理后 FCLT 仍然适用，并且在相同假设下，通过连续映射定理可得 $T^{-1/2}{\omega }^{-1/2}{y}_{[Ts]}\Rightarrow {\int }_0^s{e}^{-\gamma (s-r)}dW(r)$（Bobkoski, 1983; Phillips, 1987）。该过程被称为标准 Ornstein–Uhlenbeck 过程。

虽然标准布朗运动的某些函数具有正态分布，例如上一段中提到的终点值，但其他情况（如函数 $\int W(s{)}^{2}ds$）则不服从正态分布。在实践中，许多有趣的函数将布朗运动映射到 $\mathbb{R}$，因此即使所得分布通常不是正态的，其结果分布仍可通过均值、方差、分位数和密度来刻画。由于这些分布往往不是标准的、已知的和已编表的分布，因此以这些分布为渐近极限的统计量需要提供临界值表。有关计算临界值的详细信息，请参见 Tanaka (1996)。

Abadir, K. M., K. Hadri, and E. Tzavalis. 1999. VAR 维数对估计量偏差的影响。Econometrica 67:163–81.

Abraham, B., and J. Ledolter. 1983. 预测的统计方法。纽约：Wiley & Sons.

Aggarwal, R., S. Mohanty, and F. Song. 1995. 宏观经济变量的调查预测是否理性？Journal of Business 68:99–119.

Aggarwal, S. K., L. M. Saini, and A. Kumar. 2009. 放松管制市场中的电价预测：综述与评估。International Journal of Electrical Power & Energy Systems 31:13–22.

Aiolfi, M., C. Capistrán, and A. Timmermann. 2011. 预测组合。载于 M. P. Clements 和 D. F. Hendry 编，《牛津经济预测手册》，第 12 章，355–88.

Aiolfi, M., and C. A. Favero. 2005. 模型不确定性、厚建模与股票收益的可预测性。Journal of Forecasting 24:233–54.

Aiolfi, M., and A. Timmermann. 2006. 预测绩效的持续性与条件组合策略。Journal of Econometrics 135:31–53.

Aït-Sahalia, Y., and M. W. Brandt. 2001. 投资组合选择的变量筛选。Journal of Finance 56:1297–351.

Akaike, H. 1974. 统计模型识别的新视角。IEEE Transactions on Automatic Control 19:716–23.

Al-Osh, M., and A. A. Alzaid. 1987. 一阶整数值自回归（INAR(1)）过程。Journal of Time Series Analysis 8:261–75.

Albert, J. H., and S. Chib. 1993. 二元与多项反应数据的贝叶斯分析。Journal of the American Statistical Association 88:669–79.

Amato, J. D., and N. R. Swanson. 2001. 货币对产出的实时预测内容。Journal of Monetary Economics 48:3–24.

Amemiya, T. 1985. 高级计量经济学。哈佛大学出版社。

Amihud, Y., and C. M. Hurvich. 2004. 预测性回归：一种减少偏差的估计方法。Journal of Financial and Quantitative Analysis 39:813–41.

Amisano, G., and R. Giacomini. 2007. 通过加权似然比检验比较密度预测。Journal of Business & Economic Statistics 25:177–90.

Andersen, T. G., and T. Bollerslev. 1997. 异质信息到达与收益波动率动态：揭示高频收益中的长期成分。Journal of Finance 52:975–1005.

Andersen, T. G., T. Bollerslev, P. F. Christoffersen, and F. X. Diebold. 2006. 波动率与相关性预测。载于 G. Elliott、C. Granger 和 A. Timmermann 编，《经济预测手册》，第 1 卷，777–878.

Andersen, T. G., T. Bollerslev, F. X. Diebold, and P. Labys. 2003. 已实现波动率的建模与预测。Econometrica 71:579–625.

Andreou, E., E. Ghysels, and A. Kourtellos. 2011. 使用混合频率数据进行预测。载于 M. Clements 和 D. Hendry 编，《牛津经济预测手册》，225–45.

Andrews, D. W. 1991. 异方差与自相关一致协方差矩阵估计。Econometrica 59:817–58.

——. 1993a. 一阶自回归/单位根模型的精确中位数无偏估计。Econometrica 61:139–165.

——. 1993b. 未知变点情况下参数不稳定与结构变化的检验。Econometrica 71:821–56.

Andrews, D. W., and H.-Y. Chen. 1994. 自回归模型的近似中位数无偏估计。Journal of Business & Economic Statistics 12:187–204.

Andrews, D. W., and W. Ploberger. 1994. 备择假设下存在冗余参数时的最优检验。Econometrica 62:1383–414.

Ang, A., and G. Bekaert. 2007. 股票收益的可预测性：是否真的存在？Review of Financial Studies 20:651–707.

Ang, A., G. Bekaert, and M. Wei. 2007. 宏观变量、资产市场或调查能更好地预测通货膨胀吗？Journal of Monetary Economics 54:1163–212.

——. 2008. 实际利率期限结构与预期通胀。Journal of Finance 63:797–849.

Ang, A., and A. Timmermann. 2012. 制度变迁与金融市场。Ann. Rev. Financ. Econ. 4:313–337.

Artis, M., and M. Marcellino. 2001. 财政预测：IMF、OECD 与欧盟的实绩记录。Econometrics Journal 4:20–36.

Aruoba, S. B., F. X. Diebold, and C. Scotti. 2009. 商业状况的实时测度。Journal of Business & Economic Statistics 27:417–27.

Ashley, R., C. W. Granger 和 R. Schmalensee. 1980. Advertising and aggregate consumption: An analysis of causality. Econometrica 48:1149–67.

Athanasopoulos, G. 和 F. Vahid. 2008. VARMA versus VAR for macroeconomic forecasting. Journal of Business & Economic Statistics 26:237–52.

Auffhammer, M. 2007. The rationality of EIA forecasts under symmetric and asymmetric loss. Resource and Energy Economics 29:102–21.

Avramov, D. 2002. Stock return predictability and model uncertainty. Journal of Financial Economics 64:423–58.

Bai, J. 1997. Estimation of a change point in multiple regression models. Review of Economics and Statistics 79:551–63.

—. 2003. Testing parametric conditional distributions of dynamic models. Review of Economics and Statistics 85:531–49.

Bai, J. 和 S. Ng. 2002. Determining the number of factors in approximate factor models. Econometrica 70:191–221.

—. 2006. Confidence intervals for diffusion index forecasts and inference for factor-augmented regressions. Econometrica 74:1133–50.

—. 2008. Forecasting economic time series using targeted predictors. Journal of Econometrics 146:304–17.

——. 2009. Boosting diffusion indices. Journal of Applied Econometrics 24:607–29.

Bai, J. 和 P. Perron. 1998. Estimating and testing linear models with multiple structural changes. Econometrica 66:47–78.

—. 2003. Computation and analysis of multiple structural change models. Journal of Applied Econometrics 18:1–22.

Baillie, R. T. 1979. Asymptotic prediction mean squared error for vector autoregressive models. Biometrika 66:675–8.

Baillie, R. T. 和 B. H. Baltagi. 1999. Prediction from the regression model with one-way error components, 第10章, 255–67. Cambridge University Press.

Baillie, R. T., T. Bollerslev 和 H. O. Mikkelsen. 1996. Fractionally integrated generalized autoregressive conditional heteroskedasticity. Journal of Econometrics 74:3–30.

Baltagi, B. H. 2013. Panel data forecasting. 载于 G. Elliott 和 A. Timmermann (编), Handbook of Economic Forecasting, 第2卷, B部分, 995–1024. Elsevier.

Baltagi, B. H. 和 Q. Li. 1992. Prediction in the one-way error component model with serial correlation. Journal of Forecasting 11:561–7.

Banbura, M., D. Giannone 和 L. Reichlin. 2010. Large Bayesian vector auto regressions. Journal of Applied Econometrics 25:71–92.

—. 2011. Nowcasting. 载于 M. P. Clements 和 D. F. Hendry (编), Oxford Handbook of Economic Forecasting, 第7章, 193–224. Oxford University Press.

Banerjee, N. 和 A. Das. 2011. Fan Chart: Methodology and its application to inflation forecasting in India. 工作论文, Reserve Bank of India.

Bao, Y., T.-H. Lee 和 B. Saltoglu. 2006. Evaluating predictive performance of value-at-risk models in emerging markets: A reality check. Journal of Forecasting 25:101–28.

Barberis, N. 2000. Investing for the long run when returns are predictable. Journal of Finance 55:225–64.

Barndorff-Nielsen, O. E. 2002. Econometric analysis of realized volatility and its use in estimating stochastic volatility models. Journal of the Royal Statistical Society: Series B (Statistical Methodology) 64:253–80.

Barndorff-Nielsen, O. E. 和 N. Shephard. 2002. Estimating quadratic variation using realized variance. Journal of Applied Econometrics 17:457–77.

Batchelor, R. 和 P. Dua. 1991. Blue Chip rationality tests. Journal of Money, Credit and Banking 23:692–705.

Bates, J. M. 和 C. W. Granger. 1969. The combination of forecasts. OR 20:451–68.

Bauer, M. D., G. D. Rudebusch 和 J. C. Wu. 2012. Correcting estimation bias in dynamic term structure models. Journal of Business & Economic Statistics 30:454–67.

Bauwens, L., P. Giot, J. Grammig 和 D. Veredas. 2004. A comparison of financial duration models via density forecasts. International Journal of Forecasting 20:589–609.

Bauwens, L., D. Korobilis 和 G. Koop. 2011. A comparison of forecasting procedures for macroeconomic series: The contribution of structural break models. CIRANO-Scientific Publications No. 2011s-13.

Bauwens, L., S. Laurent 和 J. V. Rombouts. 2006. Multivariate GARCH models: A survey. Journal of Applied Econometrics 21:79–109.

Bauwens, L. 和 D. Veredas. 2004. The stochastic conditional duration model: A latent variable model for the analysis of financial durations. Journal of Econometrics 119:381–412.

Belloni, A. 和 V. Chernozhukov. 2011. High dimensional sparse econometric models: An introduction. Springer.

Berkowitz, J. 2001. Testing density forecasts, with applications to risk management. Journal of Business & Economic Statistics 19:465–74.

Bernanke, B. S., J. Boivin 和 P. Eliasz. 2005. Measuring the effects of monetary policy: A factor-augmented vector autoregressive (FAVAR) approach. Quarterly Journal of Economics 120:387–422.

Bhansali, R. J. 2002. Multi-step forecasting. A Companion to Economic Forecasting 206–21.

Bilson, J. F. 1981. The "Speculative efficiency" hypothesis. Journal of Business 435–51.

Bobkoski, M. 1983. Hypothesis testing in nonstationary time series. 博士学位论文, Department of Statistics, University of Wisconsin. 未发表.

Boivin, J. 和 M. Giannoni. 2006. DSGE models in a data-rich environment. 工作论文 12772, National Bureau of Economic Research.

Boivin, J. 和 S. Ng. 2005. Understanding and comparing factor-based forecasts. International Journal of Central Banking 1:117–51.

——. 2006. Are more data always better for factor analysis? Journal of Econometrics 132:169–94.

Bollerslev, T. 1986. Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics 31:307–27.

—. 1990. Modelling the coherence in short-run nominal exchange rates: A multivariate generalized arch model. Review of Economics and Statistics 72:498–505.

Box, G. E. 和 G. M. Jenkins. 1970. Time series analysis; Forecasting and control. San Francisco: Holden-Day.

Boyes, W. J., D. L. Hoffman 和 S. A. Low. 1989. An econometric analysis of the bank credit scoring problem. Journal of Econometrics 40:3–14.

Bregman, L. M. 1967. 寻找凸集公共点的松弛方法及其在凸规划问题求解中的应用. USSR Computational Mathematics and Mathematical Physics 7:200–17.

Breiman, L. 1995. 使用非负garrote进行更好的子集回归. Technometrics 37:373–84.

——. 1996. 装袋预测器. Machine Learning 24:123–40.

Breitung, J., and S. Eickmeier. 2006. 动态因子模型. Allgemeines Statistisches Archiv 90:27–42.

Brier, G. W. 1950. 以概率形式表达的预报的验证. Monthly Weather Review 78:1–3.

Brockwell, P. J., and R. A. Davis. 1996. 时间序列与预测导论. Springer.

Brown, B. W., and R. S. Mariano. 1989. 动态非线性模型中的预测变量：大样本行为. Econometric Theory 5:430–52.

Brown, R. 1962. 平滑、预测与预报. Prentice-Hall.

Brown, R. L., J. Durbin, and J. M. Evans. 1975. 检验回归关系随时间不变性的技术. Journal of the Royal Statistical Society. Series B (Methodological) 149–92.

Brunnermeier, M. K., S. Nagel, and L. H. Pedersen. 2008. 套息交易与货币崩溃. 工作论文 14473, National Bureau of Economic Research.

Bu, R., and B. McCabe. 2008. INAR(p)模型中的模型选择、估计与预测：基于似然的马尔可夫链方法. International Journal of Forecasting 24:151–62.

Bühlmann, P., and B. Yu. 2003. 基于l2损失的提升法：回归与分类. Journal of the American Statistical Association 98:324–39.

Burman, P., E. Chow, and D. Nolan. 1994. 针对相依数据的交叉验证方法. Biometrika 81:351–8.

Busetti, F., and J. Marcucci. 2013. 比较预测精度：一项蒙特卡洛研究. International Journal of Forecasting 29:13–27.

Cameron, A. C., and P. Trivedi. 1998. 计数数据的回归分析. Cambridge, UK and New York: Cambridge University Press.

Campbell, J. Y., and R. J. Shiller. 1988. 股利价格比与未来股利及贴现因子的预期. Review of Financial Studies 1:195–228.

Campbell, J. Y., and S. B. Thompson. 2008. 样本外预测超额股票收益：有什么能胜过历史均值？ Review of Financial Studies 21:1509–31.

Campbell, J. Y., and M. Yogo. 2006. 股票收益可预测性的有效检验. Journal of Financial Economics 81:27–60.

Campos, J., N. R. Ericsson, and D. F. Hendry. 2005. 从一般到具体的建模, 卷2. Edward Elgar.

Canjels, E., and M. W. Watson. 1997. 在序列相关误差存在情况下估计确定性趋势. Review of Economics and Statistics 79:184–200.

Capistrán, C. 2008. 美联储通胀预测的偏差：美联储是非理性的还是仅仅是谨慎的？ Journal of Monetary Economics 55:1415–27.

Capistrán, C., and A. Timmermann. 2009. 允许专家进出局的预测组合. Journal of Business & Economic Statistics 27:428–40.

Cappiello, L., B. Gérard, A. Kadareja, and S. Manganelli. 2014. 通过回归分位数衡量共同变动. Journal of Financial Econometrics 12:645–78.

Carriero, A., G. Kapetanios, and M. Marcellino. 2009. 使用大型贝叶斯VAR预测汇率. International Journal of Forecasting 25:400–17.

——. 2012. 使用大型贝叶斯向量自回归预测政府债券收益率. Journal of Banking & Finance 36:2026–47.

Cavanagh, C. L., G. Elliott, and J. H. Stock. 1995. 近似单整回归变量模型中的推断. Econometric Theory 11:1131–47.

Chamberlain, G., and M. Rothschild. 1983. 大型资产市场上的套利、因子结构与均值-方差分析. Econometrica 51:1281–304.

Chan, K.-S. 1993. 阈值自回归模型最小二乘估计的一致性与极限分布. Annals of Statistics 21:520–33.

Chatfield, C. 1978. Holt-Winters预测程序. Applied Statistics 27:264–79.

Chauvet, M., and S. Potter. 2005. 使用收益率曲线预测衰退. Journal of Forecasting 24:77–103.

Chen, N.-f. 1991. 金融投资机会与宏观经济. Journal of Finance 46:529–54.

Chen, X. 2007. 半非参数模型的大样本筛估计. In Handbook of Econometrics, 卷6, 5549–632. Elsevier.

Chen, X., J. Racine, and N. R. Swanson. 2001. 半参数ARX神经网络模型及其在通胀预测中的应用. IEEE Transactions on Neural Networks 12:674–83.

Cheung, Y.-W., and M. D. Chinn. 1999. 宏观经济预测是否具有信息含量？来自ASA-NBER调查的协整证据. 工作论文, National Bureau of Economic Research.

Chib, S. 1998. 多变点模型的估计与比较. Journal of Econometrics 86:221–41.

Chong, Y. Y., and D. F. Hendry. 1986. 线性宏观经济模型的计量经济学评估. Review of Economic Studies 53:671–90.

Christodoulakis, G. A., and E. C. Mamatzakis. 2009. 评估欧盟经济预测的审慎性. Journal of Applied Econometrics 24:583–606.

Christoffersen, P. F. 1998. 评估区间预测. International Economic Review 39:841–62.

Christoffersen, P. F., and F. X. Diebold. 1997. 非对称损失下的最优预测. Econometric Theory 13:808–17.

——. 1998. 协整与长期预测. Journal of Business & Economic Statistics 16:450–6.

Clark, T., and M. McCracken. 2013. 预测评估的进展. In G. Elliott and A. Timmermann (eds.), Handbook of Economic Forecasting, 卷2, B部分, 1107–1201. Elsevier.

Clark, T. E. 2011. 具有随机波动性的贝叶斯向量自回归的实时密度预测. Journal of Business & Economic Statistics 29:327–41.

Clark, T. E., and M. W. McCracken. 2001. 嵌套模型的等预测精度与包含性检验. Journal of Econometrics 105:85–110.

——. 2005a. 评估直接多步预测。Econometric Reviews 24:369–404。

——. 2005b. 在存在结构性断裂情况下预测能力检验的功效。Journal of Econometrics 124:1–31。

——. 2009. 使用实时数据的等预测能力检验。Journal of Business & Economic Statistics 27:441–54。

——. 2010. 对具有不确定性不稳定的 VAR 模型预测进行平均。Journal of Applied Econometrics 25:5–29。

Clark, T. E., 和 F. Ravazzolo. 2014. 在时变波动率的替代设定下的宏观经济预测表现。Journal of Applied Econometrics 30:551–75。

Clark, T. E., 和 K. D. West. 2007. 嵌套模型中等预测精度的近似正态检验。Journal of Econometrics 138:291–311。

Clemen, R. T. 1989. 预测组合：综述及带注释的参考文献。International Journal of Forecasting 5:559–83。

Clemen, R. T., 和 R. L. Winkler. 1999. 在风险分析中组合专家的概率分布。Risk Analysis 19:187–203。

Clements, M. P., P. H. Franses, 和 N. R. Swanson. 2004. 使用非线性模型预测经济和金融时间序列。International Journal of Forecasting 20:169–83。

Clements, M. P., 和 D. F. Hendry. 1993. 关于比较均方预测误差的局限性。Journal of Forecasting 12:617–37。

——. 1996. 截距修正与结构变化。Journal of Applied Econometrics 11:475–94。

Clements, M. P., 和 H.-M. Krolzig. 1998. 美国 GNP 的 Markov 转换模型与阈值自回归模型预测表现的比较。Econometrics Journal 1:47–75。

Cohen, M. A., T. H. Ho, Z. J. Ren, 和 C. Terwiesch. 2003. 测量半导体设备供应链中的估算成本。Management Science 49:1653–70。

Connor, G., 和 R. A. Korajczyk. 1986. 使用套利定价理论进行业绩衡量：一个新的分析框架。Journal of Financial Economics 15:373–94。

Coppejans, M., 和 A. R. Gallant. 2002. 交叉验证的 SNP 密度估计。Journal of Econometrics 110:27–65。

Corana, A., M. Marchesi, C. Martini, 和 S. Ridella. 1987. 使用"模拟退火"算法最小化连续变量的多模态函数。ACM Transactions on Mathematical Software (TOMS) 13:262–80。

Corradi, V., 和 N. R. Swanson. 2006a. 动态设定错误存在时的自助条件分布检验。Journal of Econometrics 133:779–806。

——. 2006b. 预测密度与条件置信区间精度检验。Journal of Econometrics 135:187–228。

——. 2006c. 预测密度评估。载于 G. Elliott, C. Granger, 和 A. Timmermann（编），《经济预测手册》，第 1 卷，197–284。Elsevier。

Corradi, V., N. R. Swanson, 和 C. Olivetti. 2001. 具有协整变量的预测能力。Journal of Econometrics 104:315–58。

Cox, D. 1981. 时间序列的统计分析：一些近期发展。Scandinavian Journal of Statistics 8:93–115。

Cremers, K. M. 2002. 股票收益的可预测性：贝叶斯模型选择视角。Review of Financial Studies 15:1223–49。

Croushore, D. 2006. 使用实时宏观数据进行预测。载于 G. Elliott, C. Granger, 和 A. Timmermann（编），《经济预测手册》，第 1 卷，961–82。Elsevier。

Croushore, D., 和 T. Stark. 2001. 一个面向宏观经济学家的实时数据集。Journal of Econometrics 105:111–30。

Dacco, R., 和 S. Satchell. 1999. 为什么区制转换模型的预测如此糟糕？Journal of Forecasting 18:1–16。

D'Agostino, A., 和 D. Giannone. 2006. 基于大型面板因子模型的替代预测变量比较。ECB 工作论文。

Dangl, T., 和 M. Halling. 2012. 具有时变系数的预测回归。Journal of Financial Economics 106:157–81。

Davidson, J. 1994. 随机极限理论：面向计量经济学家的导论。Oxford University Press。

Davies, A., 和 K. Lahiri. 1995. 使用三维面板数据分析调查预测的新框架。Journal of Econometrics 68:205–27。

Davies, R. B. 1977. 在备择假设下存在冗余参数时的假设检验。Biometrika 64:247–54。

——. 1987. 在备择假设下存在冗余参数时的假设检验。Biometrika 74:33–43。

Dawid, A. P. 1984. 当前位置和潜在发展：一些个人看法：统计理论：预序方法。Journal of the Royal Statistical Society. Series A (General) 278–92。

de Jong, R. M., 和 T. Woutersen. 2011. 动态时间序列二元选择。Econometric Theory 27:673–702。

De Mol, C., D. Giannone, 和 L. Reichlin. 2008. 使用大量预测变量进行预测：贝叶斯收缩是主成分的有效替代吗？Journal of Econometrics 146:318–28。

Del Negro, M., 和 F. Schorfheide. 2004. 来自 VAR 的一般均衡模型的先验。International Economic Review 45:643–73。

——. 2013. 基于 DSGE 模型的预测。载于 G. Elliott 和 A. Timmermann（编），《经济预测手册》，第 2 卷 A 部分，57–140。Elsevier。

Dempster, A. P., N. M. Laird, D. B. Rubin 等. 1977. 通过 EM 算法从不完全数据进行极大似然估计。Journal of the Royal Statistical Society 39:1–38。

Dickey, D. A., 和 W. A. Fuller. 1979. 具有单位根的自回归时间序列估计量的分布。Journal of the American Statistical Association 74:427–31。

Diebold, F. X. 2007. 预测要素。第 4 版。Cengage Learning。

——. 2015. 二十年后比较预测精度：对 Diebold–Mariano 检验的使用与滥用的个人看法。Journal of Business and Economic Statistics 33:1–8。

Diebold, F. X., T. A. Gunther, 和 A. S. Tay. 1998. 评估密度预测及其在金融风险管理中的应用。International Economic Review 39:863–83。

Diebold, F. X., 和 L. Kilian. 2000. 单位根检验有助于选择预测模型。Journal of Business & Economic Statistics 18:265–73。

Diebold, F. X., J.-H. Lee, and G. C. Weinbach. 1994. 时变转移概率的区制转换. 载于《经济周期:持续期、动态与预测》,第144–65页.普林斯顿大学出版社.

Diebold, F. X., and J. A. Lopez. 1996. 预测评估与组合. 载于 G. Maddala 和 C. Rao (编),《统计学手册》.阿姆斯特丹:North-Holland.

Diebold, F. X., and R. S. Mariano. 1995. 预测精度的比较. 《商业与经济统计学杂志》 13:253–263.

Diebold, F. X., and J. A. Nason. 1990. 非参数汇率预测? 《国际经济学杂志》 28:315–32.

Diebold, F. X., and P. Pauly. 1990. 结构变化与预测组合. 《预测杂志》 6:21–40.

——. 1990. 先验信息在预测组合中的应用. 《国际预测杂志》 6:503–8.

Dimitras, A. I., S. H. Zanakis, and C. Zopounidis. 1996. 企业失败研究综述——侧重预测方法及行业应用. 《欧洲运筹学杂志》 90:487–513.

Ding, Z., C. W. Granger, and R. F. Engle. 1993. 股票市场收益的长记忆性质及一个新模型. 《实证金融学杂志》 1:83–106.

Doan, T., R. Litterman, and C. Sims. 1984. 使用现实先验分布进行预测与条件投影. 《计量经济学评论》 3:1–100.

Dobrev, D., and E. Schaumburg. 2013. 通过正则化进行稳健预测. 工作论文,联邦储备委员会及纽约联邦储备银行.

Dueker, M. 2005. 定性变量的动态预测:美国衰退的定性向量自回归模型. 《商业与经济统计学杂志》 23:96–104.

Dufour, J.-M. 1984. 真实阶数未知时估计自回归预测的无偏性. 《计量经济学》 52:209–15.

Durbin, J. 1973. 参数估计时样本分布函数的弱收敛性. 《统计学年报》 1:279–90.

Durbin, J., and S. J. Koopman. 2012. 《状态空间方法时间序列分析》. 牛津统计学丛书第38号.牛津大学出版社.

Durland, J. M., and T. H. McCurdy. 1994. 美国国民生产总值增长马尔可夫模型中的持续期依赖转移. 《商业与经济统计学杂志》 12:279–88.

Edge, R. M., and R. S. Gürkaynak. 2010. 估计的动态随机一般均衡模型预测对中央银行家有多大用处? 《布鲁金斯经济活动论文》 CEPR 讨论论文第 DP8158 号.

Ehrbeck, T., and R. Waldmann. 1996. 为什么专业预测者存在偏差?代理关系与行为学解释. 《经济学季刊》 111:21–40.

Elliott, G. 2006. 带趋势数据的预测. 载于 G. Elliott, C. Granger, 和 A. Timmermann (编),《经济预测手册》,第1卷,第11章,第555–604页.Elsevier.

——. 趋势变量在预测模型与线性回归中有效性的控制函数检验. 《计量经济学杂志》 164:79–91.

Elliott, G., A. Gargano, and A. Timmermann. 2013. 完全子集回归. 《计量经济学杂志》 177:357–73.

——. 2015. 高维预测变量集的完全子集回归. 《经济动态与控制杂志》 54:86–110.

Elliott, G., D. Ghanem, and F. Krüger. 2014. 误设条件下二元结果条件概率的预测. 工作论文,加州大学圣地亚哥分校经济系.

Elliott, G., and T. Ito. 1999. 日元/美元远期汇率市场中的异质预期与效率检验. 《货币经济学杂志》 43:435–56.

Elliott, G., I. Komunjer, and A. Timmermann. 2005. 灵活损失下预测理性的估计与检验. 《经济研究评论》 72:1107–25.

——. 2008. 宏观经济预测中的偏差:非理性还是非对称损失? 《欧洲经济协会杂志》 6:122–57.

Elliott, G., and R. P. Lieli. 2013. 二元结果的预测. 《计量经济学杂志》 174:15–26.

Elliott, G., and U. K. Müller. 2006. 回归系数一般持续时变的高效检验. 《经济研究评论》 73:907–40.

——. 2007. 线性时间序列回归中单一断点日期的置信集. 《计量经济学杂志》 141:1196–218.

——. 2014. 断点前后的参数推断. 《计量经济学杂志》 180:141–157.

Elliott, G., U. K. Müller, and M. W. Watson. 2015. 原假设下存在冗余参数时的近乎最优检验. 《计量经济学》 83:771–811.

Elliott, G., and J. H. Stock. 1994. 回归变量阶数未知时时间序列回归中的推断. 《计量经济学理论》 10:672–700.

Elliott, G., and A. Timmermann. 2004. 一般损失函数与预测误差分布下的最优预测组合. 《计量经济学杂志》 122:47–79.

——. 2005. 区制转换下的最优预测组合. 《国际经济评论》 46:1081–102.

Embrechts, P., A. McNeil, and D. Straumann. 2002. 风险管理中的相关性与依赖性:性质与陷阱. 剑桥:剑桥大学出版社.

Engle, R. F. 1982. 自回归条件异方差性及英国通货膨胀方差估计. 《计量经济学》 50:987–1007.

——. 2002. 动态条件相关性:一类简单的多元广义自回归条件异方差模型. 《商业与经济统计学杂志》 20:339–50.

Engle, R. F., and G. M. Gallo. 2006. 使用日内数据的多指标波动率模型. 《计量经济学杂志》 131:3–27.

Engle, R. F., and G. Gonzalez-Rivera. 1991. 半参数自回归条件异方差模型. 《商业与经济统计学杂志》 9:345–59.

Engle, R. F., and C. W. Granger. 1987. 协整与误差修正:表示、估计与检验. 《计量经济学》 5:251–76.

Engle, R. F., C. W. Granger, J. Rice 和 A. Weiss. 1986.《天气与电力销售之间关系的半参数估计》。《美国统计协会杂志》第81卷：310–20。

Engle, R. F. 和 S. Manganelli. 2004.《CAViaR：通过回归分位数估计的条件自回归风险价值》。《商业与经济统计杂志》第22卷：367–81。

Engle, R. F. 和 J. R. Russell. 1998.《自回归条件持续期：一种针对不规则间隔交易数据的新模型》。《计量经济学》第66卷：1127–62。

Engle, R. F. 和 K. Sheppard. 2001.《动态条件相关多元GARCH的理论与经验性质》。NBER工作论文8554号，美国国家经济研究局。

Engle, R. F. 和 A. D. Smith. 1999.《随机永久性断点》。《经济学与统计学评论》第81卷：553–74。

Engle, R. F. 和 M. Watson. 1981.《大都市工资率的单因子多元时间序列模型》。《美国统计协会杂志》第76卷：774–81。

Engle, R. F. 和 B. S. Yoo. 1987.《协整系统中的预测与检验》。《计量经济学报》第35卷：143–59。

Estrella, A. 和 F. S. Mishkin. 1998.《预测美国衰退：金融变量作为先行指标》。《经济学与统计学评论》第80卷：45–61。

Fair, R. C. 和 R. J. Shiller. 1989.《事前预测的信息背景》。《经济学与统计学评论》第71卷：325–31。

——. 1990.《比较计量经济模型预测中的信息》。《美国经济评论》第80卷：375–89。

Fan, J., M. Farmen 和 I. Gijbels. 1998.《局部极大似然估计与推断》。《皇家统计学会杂志：B辑（统计方法论）》第60卷：591–608。

Fan, J. 和 R. Li. 2001.《通过非凹惩罚似然进行变量选择及其oracle性质》。《美国统计协会杂志》第96卷：1348–60。

Fan, J., J. Lv 和 L. Qi. 2011.《经济学中的稀疏高维模型》。《经济学年度评论》第3卷：291–317。

Fan, J. 和 Q. Yao. 2003.《非线性时间序列》。施普林格出版社。

Ferguson, T. S. 1967.《数理统计：一种决策论方法》。纽约：学术出版社。

Fernandez, C., E. Ley 和 M. F. Steel. 2001.《贝叶斯模型平均的基准先验》。《计量经济学报》第100卷：381–427。

Filardo, A. J. 1994.《商业周期阶段及其转换动态》。《商业与经济统计杂志》第12卷：299–308。

Fisher, R. A. 1936.《多重测量在分类问题中的应用》。《优生学年报》第7卷：179–88。

Forni, M., M. Hallin, M. Lippi 和 L. Reichlin. 2000.《广义动态因子模型：识别与估计》。《经济学与统计学评论》第82卷：540–54。

Franses, P. H. 和 D. van Dijk. 2000.《实证金融中的非线性时间序列模型》。剑桥大学出版社。

Freeland, R. K. 和 B. P. McCabe. 2004.《离散低计数时间序列的预测》。《国际预测杂志》第20卷：427–34。

Friedman, J. H. 2001.《贪心函数逼近：一种梯度提升机》。《统计学年报》第29卷：1189–232。

——. 2002.《随机梯度提升》。《计算统计与数据分析》第38卷：367–78。

Friedman, J. H. 和 W. Stuetzle. 1981.《投影寻踪回归》。《美国统计协会杂志》第76卷：817–23。

Fuller, W. A. 和 D. P. Hasza. 1980.《一阶自回归过程的预测变量》。《计量经济学报》第13卷：139–157。

Galbraith, J. W. 和 S. van Norden. 2011.《基于核方法的衰退与通胀概率预测校准诊断》。《国际预测杂志》第27卷：1041–57。

Gallant, A. R. 和 D. W. Nychka. 1987.《半非参数极大似然估计》。《计量经济学》第55卷：363–90。

Gallant, A. R., P. E. Rossi 和 G. Tauchen. 1992.《股票价格与成交量》。《金融研究评论》第5卷：199–242。

Gallant, A. R. 和 G. Tauchen. 1989.《条件约束异质性过程的半非参数估计：资产定价应用》。《计量经济学》第57卷：1091–120。

Genest, C. 和 J. V. Zidek. 1986.《概率分布的合并：批评与注释书目》。《统计科学》第1卷：114–35。

Genre, V., G. Kenny, A. Meyler 和 A. Timmermann. 2013.《合并专家预测：简单平均能否被超越？》。《国际预测杂志》第29卷：108–21。

George, E. I., D. Sun 和 S. Ni. 2008.《VAR模型约束的贝叶斯随机搜索》。《计量经济学报》第142卷：553–80。

Geweke, J. 1976.《经济时间序列模型的动态因子分析》。威斯康星大学。

——. 2005.《当代贝叶斯计量经济学与统计学》，第537卷。约翰·威利国际出版公司。

Geweke, J. 和 G. Amisano. 2011.《最优预测组合》。《计量经济学报》第164卷：130–41。

Geweke, J. 和 C. Whiteman. 2006.《贝叶斯预测》。载于G. Elliott, C. Granger 和 A. Timmermann（主编）：《经济预测手册》，第1卷，3–80。爱思唯尔出版社。

Ghent, A. C. 2009.《比较DSGE-VAR预测模型：差异有多大？》。《经济动态与控制杂志》第33卷：864–82。

Ghysels, E., A. Harvey 和 E. Renault. 1995.《随机波动率》。CIRANO。

Ghysels, E., D. R. Osborn 和 P. M. Rodrigues. 2006.《季节性时间序列预测》。载于G. Elliott, C. Granger 和 A. Timmermann（主编）：《经济预测手册》，第1卷，659–711。爱思唯尔出版社。

Ghysels, E., P. Santa-Clara 和 R. Valkanov. 2005.《风险与回报权衡终究存在》。《金融经济学杂志》第76卷：509–48。

Ghysels, E., A. Sinko 和 R. Valkanov. 2007.《MIDAS回归：进一步结果与新方向》。《计量经济学评论》第26卷：53–90。

Giacomini, R. 和 B. Rossi. 2009.《检测与预测预测崩溃》。《经济研究评论》第76卷：669–705。

——. 2010.《不稳定环境下的预测比较》。《应用计量经济学报》第25卷：595–620。

Giacomini, R. 和 H. White. 2006.《条件预测能力检验》。《计量经济学》第74卷：1545–78。

Giannone, D., J. Henry, M. Lalik, 和 M. Modugno. 2012. 欧元区全区域实时数据库。《经济学与统计学评论》94:1000–13。

Giannone, D., L. Reichlin, 和 L. Sala. 2005. 实时货币政策。载于《NBER 2004年宏观经济学年鉴》，第19卷，161–224。MIT出版社。

Giannone, D., L. Reichlin, 和 D. Small. 2008. 即时预测：宏观数据的实时信息内容。《货币经济学杂志》55:665–76。

Girshick, M., 和 D. Blackwell. 1954. 《博弈论与统计决策》。McGraw Hill（1970年）。

Glosten, L. R., R. Jagannathan, 和 D. E. Runkle. 1993. 关于股票名义超额收益的预期值与波动率之间的关系。《金融学杂志》48:1779–801。

Gneiting, T., 和 A. E. Raftery. 2007. 严格恰当的评分规则、预测与估计。《美国统计协会杂志》102:359–78。

Gneiting, T., 和 R. Ranjan. 2011. 使用阈值加权和分位数加权评分规则比较密度预测。《商业与经济统计杂志》29:411–422。

Goffe, W. L., G. D. Ferrier, 和 J. Rogers. 1994. 使用模拟退火算法全局优化统计函数。《计量经济学杂志》60:65–99。

Goldberger, A. S. 1962. 广义线性回归模型中的最佳线性无偏预测。《美国统计协会杂志》57:369–75。

González, A., K. Hubrich, 和 T. Teräsvirta. 2011. 使用渐进制度转换和外生信息预测通货膨胀。欧洲中央银行工作论文。

González-Rivera, G., Z. Senyuz, 和 E. Yoldas. 2011. 自相关轮廓：动态设定检验。《商业与经济统计杂志》29:186–200。

Gozalo, P., 和 O. Linton. 2000. 局部非线性最小二乘：在非参数回归中使用参数信息。《计量经济学杂志》99:63–106。

Granger, C. W. J. 1969a. 通过计量经济模型和交叉谱方法研究因果关系。《计量经济学》37:424–438。

——. 1969b. 使用广义误差成本函数进行预测。《运筹学学会杂志》20:199–207。

——. 1993. 关于比较均方预测误差局限性的评论。《预测杂志》12:651–52。

——. 1999. 使用广义成本函数的预测理论概述。《西班牙经济评论》1:161–73。

Granger, C. W. J., 和 A. P. Andersen. 1978. 《双线性时间序列模型导论》。哥廷根：Vandenhoeck und Ruprecht。

Granger, C. W. J., 和 M. J. Machina. 2006. 预测与决策理论。载于 G. Elliott, C. Granger, 和 A. Timmermann（编），《经济预测手册》，第1卷，81–98。Elsevier。

Granger, C. W. J., 和 P. Newbold. 1973. 关于经济预测评估的一些评论。《应用经济学》5:35–47。

——. 1986. 《经济时间序列预测》。奥兰多：学术出版社。

Granger, C. W. J., 和 M. H. Pesaran. 2000. 预测准确性的经济与统计测度。《预测杂志》19:537–60。

Granger, C. W. J., 和 R. Ramanathan. 1984. 改进的预测组合方法。《预测杂志》3:197–204。

Granziera, E., K. Hubrich, 和 H. R. Moon. 2014. 少量嵌套模型的可预测性检验。《计量经济学杂志》182:174–85。

Gray, S. F. 1996. 将利率的条件分布建模为制度转换过程。《金融经济学杂志》42:27–62。

Grenander, U. 1981. 《抽象推断》。纽约：Wiley出版社。

Guidolin, M., 和 A. Timmermann. 2006. 股票与债券收益联合分布中非线性动态的计量经济模型。《应用计量经济学杂志》21:1–22。

——. 2008. 制度转换下的规模与价值异象。《金融计量经济学杂志》6:1–48。

——. 2009. 美国短期利率预测：一种灵活的预测组合方法。《计量经济学杂志》150:297–311。

Haldrup, N., 和 M. Ø. Nielsen. 2006. 电价的制度转换长记忆模型。《计量经济学杂志》135:349–76。

Hall, R. 1978. 生命周期-持久收入假说的随机含义：理论与证据。《政治经济学杂志》86:971–87。

Hall, S. G., 和 J. Mitchell. 2007. 组合密度预测。《国际预测杂志》23:1–13。

Hamill, T. M. 2001. 验证集合预报的秩直方图解释。《月度天气评论》129:550–60。

Hamilton, J. D. 1989. 分析非平稳时间序列和经济周期的新方法。《计量经济学》57:357–84。

——. 1994. 《时间序列分析》。普林斯顿：普林斯顿大学出版社。

——. 1996. 这就是石油价格与宏观经济关系所发生的情况。《货币经济学杂志》38:215–20。

Hannan, E. J., 和 B. G. Quinn. 1979. 自回归阶数的确定。《皇家统计学会杂志》B辑（方法论）41:190–95。

Hansen, B. E. 1994. 自回归条件密度估计。《国际经济评论》705–30。

——. 2006. 区间预测与参数不确定性。《计量经济学杂志》135:377–98。

——. 2007. 最小二乘模型平均。《计量经济学》75:1175–89。

——. 2008a. 最小二乘预测平均。《计量经济学杂志》146:342–50。

——. 2008b. 相关数据下核估计的一致收敛速率。《计量经济理论》24:726–48。

Hansen, P., 和 A. Lunde. 2011. 使用高频数据预测波动率。载于 M. P. Clements 和 D. F. Hendry（编），《牛津经济预测手册》，525–56。牛津大学出版社。

Hansen, P. R. 2005. 优越预测能力检验。《商业与经济统计杂志》23:365–80。

Hansen, P. R., 和 A. Lunde. 2005. 波动率模型的预测比较：有什么能胜过GARCH(1,1)吗？《应用计量经济学杂志》20:873–89。

——. 2006. 波动率模型的一致排序。《计量经济学杂志》131:97–121。

Hansen, P. R., A. Lunde, and J. M. Nason. 2011. The model confidence set. Econometrica 79:453–97.

Hansen, P. R., and A. Timmermann. 2012. Choice of sample split in out-of-sample forecast evaluation. working paper ECO 2012/10, European University Institute.

—. 2015. Equivalence between out-of-sample forecast comparisons and Wald statistics. Econometrica 83 (6):2485–505.

Harrison, P., and H. H. Zhang. 1999. An investigation of the risk and return relation at long horizons. Review of Economics and Statistics 81:399–408.

Hartmann, P., K. Hubrich, M. Kremer, and R. J. Tetlow. 2014. Melting down: Systemic financial instability and the macroeconomy. Available at SSRN 2462567.

Harvey, D., S. Leybourne, and P. Newbold. 1997. Testing the equality of prediction mean squared errors. International Journal of Forecasting 13:281–91.

Harvey, D. S., S. J. Leybourne, and P. Newbold. 1998. Tests for forecast encompassing. Journal of Business & Economic Statistics 16:254–59.

Hastie, T., R. Tibshirani, and J. Friedman. 2009. The elements of statistical learning. 2nd ed. Springer.

Hendry, D. F. 1995. Dynamic econometrics. Oxford University Press.

Hendry, D. F., and M. P. Clements. 2004. Pooling of forecasts. Econometrics Journal 7:1–31.

Hendry, D. F., and K. Hubrich. 2011. Combining disaggregate forecasts or combining disaggregate information to forecast an aggregate. Journal of Business & Economic Statistics 29:216–27.

Henkel, S. J., J. S. Martin, and F. Nardari. 2011. Time-varying short-horizon predictability. Journal of Financial Economics 99:560–80.

Hjort, N. L., and G. Claeskens. 2003. Frequentist model average estimators. Journal of the American Statistical Association 98:879–99.

Hoel, P. G. 1947. On the choice of forecasting formulas. Journal of the American Statistical Association 42:605–11.

Hoeting, J. A., D. Madigan, A. E. Raftery, and C. T. Volinsky. 1999. Bayesian model averaging: A tutorial. Statistical Science 14:382–401.

Hong, H., and J. D. Kubik. 2003. Analyzing the analysts: Career concerns and biased earnings forecasts. Journal of Finance 58:313–51.

Hong, Y. 2000. Generalized spectral tests for serial dependence. Journal of the Royal Statistical Society: Series B (Statistical Methodology) 62:557–74.

Hoover, K. D., and S. J. Perez. 1999. Data mining reconsidered: Encompassing and the general-to-specific approach to specification search. Econometrics Journal 2:167–91.

Hoque, A., J. R. Magnus, and B. Pesaran. 1988. The exact multi-period mean-square forecast error for the first-order autoregressive model. Journal of Econometrics 39:327–46.

Hornik, K., M. Stinchcombe, and H. White. 1989. Multilayer feedforward networks are universal approximators. Neural Networks 2:359–66.

Hubrich, K. 2005. Forecasting euro area inflation: Does aggregating forecasts by HICP component improve forecast accuracy? International Journal of Forecasting 21:119–36.

Hubrich, K., and R. J. Tetlow. 2015. Financial stress and economic dynamics: The transmission of crises. Journal of Monetary Economics 70:100–15.

Hylleberg, S. 1992. Modelling seasonality. Oxford University Press.

Hyndman, R., A. B. Koehler, J. K. Ord, and R. D. Snyder. 2008. Forecasting with exponential smoothing: The state space approach. Springer Science & Business Media.

Ingram, B. F., and C. H. Whiteman. 1994. Supplanting the "Minnesota" prior: forecasting macroeconomic time series using real business cycle model priors. Journal of Monetary Economics 34:497–510.

Inoue, A., and L. Kilian. 2005. In-sample or out-of-sample tests of predictability: Which one should we use? Econometric Reviews 23:371–402.

—. 2008. How useful is bagging in forecasting economic time series? A case study of US consumer price inflation. Journal of the American Statistical Association 103:511–22.

Jansson, M., and M. J. Moreira. 2006. Optimal inference in regression models with nearly integrated regressors. Econometrica 74:681–714.

Jordà, Ò., and A. M. Taylor. 2012. The carry trade and fundamentals: Nothing to fear but FEER itself. Journal of International Economics 88:74–90.

Joutz, F., and H. O. Stekler. 2000. An evaluation of the predictions of the Federal Reserve. International Journal of Forecasting 16:17–38.

Kadiyala, K. R., and S. Karlsson. 1997. Numerical methods for estimation and inference in Bayesian VAR-models. Journal of Applied Econometrics 12:99–132.

Kalman, R. E. 1960. A new approach to linear filtering and prediction problems. Journal of Basic Engineering 82:35–45.

Kandel, S., and R. F. Stambaugh. 1996. On the predictability of stock returns: An asset-allocation perspective. Journal of Finance 51:385–424.

Karlsson, S. 2013. Forecasting with Bayesian vector autoregression. In G. Elliott and A. Timmermann (eds.), Handbook of Economic Forecasting, vol. 2, part B, chap. 15, 791–897.

Kauppi, H., and P. Saikkonen. 2008. Predicting US recessions with dynamic binary response models. Review of Economics and Statistics 90:777–91.

Kemp, G. C. 1999. The behavior of forecast errors from a nearly integrated AR(1) model as both sample size and forecast horizon become large. Econometric Theory 15:238–56.

Kendall, M. G. 1954. Note on bias in the estimation of autocorrelation. Biometrika 41:403–04.

Kendall, M. G., and A. Stuart. 1961. The advanced theory of statistics. Volumes II and III. Hafner.

Kilian, L., and S. Manganelli. 2008. The central banker as a risk manager: Estimating the Federal Reserve's preferences under Greenspan. Journal of Money, Credit and Banking 40:1103–29.

Kilian, L., and M. P. Taylor. 2003. Why is it so difficult to beat the random walk forecast of exchange rates? Journal of International Economics 60:85–107.

Kim, C.-J., and C. R. Nelson. 1999. State-space models with regime switching: Classical and Gibbs-sampling approaches with applications. MIT Press.

Kim, S., N. Shephard, and S. Chib. 1998. Stochastic volatility: Likelihood inference and comparison with ARCH models. Review of Economic Studies 65:361–93.

Kinal, T., and J. Ratner. 1986. 区域经济的VAR预测模型：构建与比较精度. 国际区域科学评论 10:113–26.

Knight, K., and W. Fu. 2000. Lasso类估计量的渐近性质. 统计学年报 28:1356–78.

Koenker, R., and G. Bassett. 1978. 回归分位数. 计量经济学 46:33–50.

Komunjer, I. 2005. 条件分位数的拟极大似然估计. 计量经济学杂志 128:137–64.

—. 2013. 分位数预测. 见 G. Elliott and A. Timmermann (eds.), 经济预测手册, 第2卷, B部分, 第17章, 961–994.

Komunjer, I., and M. T. Owyang. 2012. 多变量预测评估与理性检验. 经济学与统计学评论 94:1066–80.

Koop, G. 2003. 贝叶斯计量经济学. 纽约: Wiley.

Koop, G., and D. Korobilis. 2010. 经验宏观经济学中的贝叶斯多变量时间序列方法. Now Publishers.

Koop, G., and S. M. Potter. 2007. 多断点模型中的估计与预测. 经济研究评论 74:763–89.

Koop, G. M. 2013. 使用中规模和大规模贝叶斯VAR进行预测. 应用计量经济学杂志 28:177–203.

Kuan, C.-M., and H. White. 1994. 人工神经网络：计量经济学视角. 计量经济学评论 13:1–91.

Kuester, K., S. Mittnik, and M. S. Paolella. 2006. 风险价值预测：替代策略的比较. 金融计量经济学杂志 4:53–89.

Lahiri, K., H. Peng, and Y. Zhao. 2013. 不完全面板中的机器学习与预测组合. 未发表讨论论文.

Laster, D., P. Bennett, and I. S. Geoum. 1999. 宏观经济预测中的理性偏差. 经济学季刊 114:293–318.

Laurent, S., J. V. Rombouts, and F. Violante. 2013. 关于损失函数与多变量波动率模型预测绩效的排序. 计量经济学杂志 173:1–10.

Leeb, H., and B. M. Pötscher. 2005. 模型选择与推断：事实与虚构. 计量经济理论 21:21–59.

Lehmann, E. L., and J. P. Romano. 2006. 统计假设检验. Springer Science & Business Media.

Leitch, G., and J. E. Tanner. 1991. 经济预测评估：利润与常规误差测度. 美国经济评论 81:580–90.

Leng, C., Y. Lin, and G. Wahba. 2006. 关于Lasso及模型选择相关程序的一个注记. 统计学学报 16:1273–84.

Lettau, M., and S. Ludvigson. 2001. 消费、总财富与预期股票收益. 金融学杂志 56:815–49.

Leung, M. T., H. Daouk, and A.-S. Chen. 2000. 股票指数预测：分类模型与水平估计模型的比较. 国际预测杂志 16:173–90.

Ley, E., and M. F. Steel. 2009. 贝叶斯模型平均中先验假设的影响及其在增长回归中的应用. 应用计量经济学杂志 24:651–74.

Lieli, R. P., and M. Springborn. 2013. 缩小风险估计与决策之间的差距：贸易相关入侵物种风险的有效管理. 经济学与统计学评论 95:632–45.

Lieli, R. P., and M. B. Stinchcombe. 2013. 关于预测者偏好的可恢复性. 计量经济理论 29:517–44.

Lin, J.-L., and R. S. Tsay. 1996. 协整约束与预测：一项实证检验. 应用计量经济学杂志 11:519–38.

Lin, W.-L. 1992. 因子GARCH模型的替代估计量——蒙特卡洛比较. 应用计量经济学杂志 7:259–79.

Litterman, R. 1979. 使用向量自回归进行预测的技术. 工作论文, 明尼阿波利斯联邦储备银行.

Litterman, R. B. 1986. 使用贝叶斯向量自回归进行预测——五年的经验. 商业与经济统计杂志 4:25–38.

Liu, P. C., and G. S. Maddala. 1992. 调查数据的理性与外汇市场效率检验. 国际货币与金融杂志 11:366–81.

Lütkepohl, H. 2006. 使用VARMA模型进行预测. 见 G. Elliott, C. Granger, and A. Timmermann (eds.), 经济预测手册, 第1卷, 287–325. Elsevier.

—. 2007. 多重时间序列分析新论. Springer.

Maddala, G. S. 1986. 计量经济学中的受限因变量与定性变量. 剑桥大学出版社.

Maekawa, K. 1987. 自回归模型若干预测量的有限样本性质. 计量经济理论 3:359–70.

Magnus, J. R., and B. Pesaran. 1989. 带截距项一阶自回归模型的多期均方预测误差的精确公式. 计量经济学杂志 42:157–79.

Magnus, J. R., O. Powell, and P. Prüfer. 2010. 两种模型平均技术的比较及其在增长实证研究中的应用. 计量经济学杂志 154:139–53.

Malinvaud, E. 1970. 计量经济学的统计方法. American Elsevier.

Mallows, C. L. 1973. 关于 $C_p$ 的一些评论. Technometrics 15:661–75.

Mankiw, N. G., and M. D. Shapiro. 1986. 我们是否拒绝得过于频繁？理性预期模型检验的小样本性质. 经济学快报 20:139–45.

Manski, C. F. 1975. 选择随机效用模型的最大得分估计. 计量经济学杂志 3:205–28.

——. 1985. 离散响应的半参数分析：最大得分估计量的渐近性质. 计量经济学杂志 27:313–33.

Manski, C. F., and T. S. Thompson. 1989. 二元响应最佳预测量的估计. 计量经济学杂志 40:97–123.

Manso, G. 2013. 信用评级的反馈效应. 金融经济学杂志 109:535–48.

Marcellino, M. 2000. 预测偏差与MSFE包络. 牛津经济学与统计学公报 62:533–42.

—. 2004. 欧洲宏观经济变量的预测合并. 牛津经济学与统计学公报 66:91–112.

Marcellino, M., J. H. Stock, and M. W. Watson. 2003. 欧元区宏观经济预测：国别信息与区域整体信息. European Economic Review 47:1–18.

——. 2006. 宏观经济时间序列预测中直接与迭代多步AR方法的比较. Journal of Econometrics 135:499–526.

Marcucci, J. 2005. 利用区制转换GARCH模型预测股市波动率. Studies in Nonlinear Dynamics & Econometrics 9:1–55.

Marriott, F., and J. Pope. 1954. 自相关估计中的偏差. Biometrika 41:390–402.

Martin, D. 1977. 银行倒闭的早期预警：logit回归方法. Journal of Banking & Finance 1:249–76.

McCabe, B., and G. M. Martin. 2005. 低计数时间序列的贝叶斯预测. International Journal of Forecasting 21:315–30.

McCabe, B. P., G. M. Martin, and D. Harris. 2011. 计数数据的高效概率预测. Journal of the Royal Statistical Society: Series B (Statistical Methodology) 73:253–72.

McConnell, M. M., and G. Perez-Quiros. 2000. 美国产出波动：自20世纪80年代初以来发生了什么变化？American Economic Review 90:1464–76.

McCracken, M. W. 2000. 稳健的样本外推断. Journal of Econometrics 99:195–223.

——. 2007. 样本外格兰杰因果检验的渐近性. Journal of Econometrics 140:719–752.

McKenzie, E. 2003. 离散变量时间序列. 见 Handbook of Statistics, 第21卷, 573–606. Amsterdam: Elsevier Science.

Meese, R. A., and K. Rogoff. 1983. 七十年代的实证汇率模型：样本外拟合吗？Journal of International Economics 14:3–24.

Min, C.-k., and A. Zellner. 1993. 模型与预测合并的贝叶斯与非贝叶斯方法及其在国际增长率预测中的应用. Journal of Econometrics 56:89–118.

Mincer, J. A., and V. Zarnowitz. 1969. 经济预测的评估. 见 Economic Forecasts and Expectations: Analysis of Forecasting Behavior and Performance, 1–46. NBER.

Mitchell, J., and K. F. Wallis. 2011. 密度预测评估：预测组合、模型混合、校准与锐度. Journal of Applied Econometrics 26:1023–40.

Mizon, G. E., and J.-F. Richard. 1986. 涵盖原理及其在非嵌套假设检验中的应用. Econometrica 54:657–78.

Morgan, W. 1939. 正态双变量总体样本中两个方差差异的显著性检验. Biometrika 31:13–9.

Murphy, A. H. 1973. 概率得分的一种新向量划分. Journal of Applied Meteorology 12:595–600.

Muth, J. F. 1961. 理性预期与价格运动理论. Econometrica 29:315–35.

Nadaraya, E. 1965. 关于密度函数与回归曲线的非参数估计. Theory of Probability & its Applications 10:186–90.

Nelson, D. B. 1991. 资产收益中的条件异方差性：一种新方法. Econometrica 59:347–70.

Newey, W. K., and D. McFadden. 1994. 大样本估计与假设检验. 见 Handbook of Econometrics, 第4卷, 2111–2245. Elsevier.

Newey, W. K., and J. L. Powell. 1987. 非对称最小二乘估计与检验. Econometrica 55:819–847.

Newey, W. K., and K. D. West. 1987. 一个简单、正半定的异方差自相关一致协方差矩阵. Econometrica 55 (3):703–8.

Ng, S. 2013. 预测回归中的变量选择. 见 G. Elliott and A. Timmermann (eds.), Handbook of Economic Forecasting, 第2卷, B部分, 752–89. Elsevier.

Ng, S., and T. J. Vogelsang. 2002. 含确定性成分时自回归时间序列的预测. Econometrics Journal 5:196–224.

Ni, S., and D. Sun. 2005. 向量自回归模型的贝叶斯估计. Journal of Business & Economic Statistics 23:105–17.

Nordhaus, W. D. 1987. 预测效率：概念与应用. Review of Economics and Statistics 69:667–74.

Nyblom, J. 1989. 参数随时间不变性检验. Journal of the American Statistical Association 84:223–30.

Ohlson, J. A. 1980. 财务比率与破产的概率预测. Journal of Accounting Research 18:109–31.

Onatski, A. 2010. 根据特征值经验分布确定因子个数. Review of Economics and Statistics 92:1004–16.

Ottaviani, M., and P. N. Sørensen. 2006. 专业预测的策略. Journal of Financial Economics 81:441–66.

Pagan, A. 1984. 含生成回归量回归分析中的计量经济问题. International Economic Review 25:221–47.

Pagan, A., and A. Ullah. 1999. 非参数计量经济学. Cambridge University Press.

Patton, A. J. 2006. 非对称汇率相依性的建模. International Economic Review 47:527–56.

——. 2011. 使用不完美波动率代理变量进行波动率预测比较. Journal of Econometrics 160:246–56.

—. 2013. 多元时间序列预测的Copula方法. 见 G. Elliott and A. Timmermann (eds.), Handbook of Economic Forecasting, 第2卷, B部分, 第16章, 899–960. Elsevier.

——. 2015. 评估与比较可能误设的预测.

Patton, A. J., and A. Timmermann. 2007a. 非对称损失与非线性下最优预测的性质. Journal of Econometrics 140:884–918.

—. 2007b. 未知损失下预测最优性检验. Journal of the American Statistical Association 102:1172–84.

—. 2012. 基于多期界的预测合理性检验. Journal of Business & Economic Statistics 30:1–40.

Paye, B. S., and A. Timmermann. 2006. 收益预测模型的不稳定性. Journal of Empirical Finance 13:274–315.

Pearson, E. 1938. 用于拟合优度检验和合并独立显著性检验的概率积分变换. Biometrika 30:134–148.

Perron, P. 1989. 大崩盘、油价冲击与单位根假设. Econometrica 57:1361–401.

Pesaran, M. H., D. Pettenuzzo, 和 A. Timmermann. 2006. 存在多重结构性断裂的时间序列预测. 经济研究评论 73:1057–84.

Pesaran, M. H., A. Pick, 和 A. Timmermann. 2011. 多期预测问题中的变量选择、估计与推断. 计量经济学杂志 164:173–87.

Pesaran, M. H., 和 S. M. Potter. 1997. 美国产出的地板与天花板模型. 经济动态与控制杂志 21:661–95.

Pesaran, M. H., 和 S. Skouras. 2002. 基于决策的预测评估方法, 241–267. 经济预测指南. 牛津: Blackwell.

Pesaran, M. H., 和 A. Timmermann. 1992. 一种简单的预测性能非参数检验. 商业与经济统计杂志 10:461–5.

——. 2000. 预测英国股票收益的递归建模方法. 经济杂志 110:159–91.

——. 2002. 模型不稳定下的市场择时与收益预测. 实证金融杂志 9:495–510.

——. 2007. 存在断裂情况下的估计窗口选择. 计量经济学杂志 137:134–61.

——. 2009. 序列相关多类别变量间依赖性的检验. 美国统计协会杂志 104:325–37.

Pettenuzzo, D., 和 A. Timmermann. 2011. 结构性断裂下股票收益的可预测性与资产配置. 计量经济学杂志 164:60–78.

——. 2015. 模型不稳定下宏观经济变量的预测. 商业与经济统计杂志. 可在 SSRN 2603879 获取.

Phillips, P. C. 1979. 一阶自回归预测的抽样分布. 计量经济学杂志 9:241–61.

——. 1987. 走向统一的自回归渐近理论. 生物计量学 74:535–47.

——. 1998. 非平稳VAR模型中脉冲响应与预测误差方差渐近性. 计量经济学杂志 83:21–56.

Politis, D. N., 和 J. P. Romano. 1994. 平稳自助法. 美国统计协会杂志 89:1303–13.

Politis, D. N., 和 H. White. 2004. 依赖自助法的自动块长度选择. 计量经济学评论 23:53–70.

Primiceri, G. E. 2005. 时变结构向量自回归与货币政策. 经济研究评论 72:821–52.

Qi, M., 和 S. Yang. 2003. 信用卡消费信贷采纳预测：我们能从效用函数中了解到什么？ 国际预测杂志 19:71–85.

Qu, Z., 和 P. Perron. 2007. 多元回归中结构性变化的估计与检验. 计量经济学 75:459–502.

Quah, D., 和 T. J. Sargent. 1993. 大截面动态指数模型. 载于 经济周期、指标与预测, 285–310. 芝加哥大学出版社.

Racine, J. 2000. 依赖数据的一致交叉验证模型选择：hv块交叉验证. 计量经济学杂志 99:39–61.

——. 2001. 关于使用金融与经济变量对股票收益的非线性可预测性. 商业与经济统计杂志 19:380–2.

Raftery, A. E., D. Madigan, 和 J. A. Hoeting. 1997. 线性回归模型的贝叶斯模型平均. 美国统计协会杂志 92:179–91.

Rapach, D. E., J. K. Strauss, 和 G. Zhou. 2010. 样本外股权溢价预测：组合预测与实体经济的联系. 金融研究评论 23:821–62.

Rapach, D. E., 和 M. E. Wohar. 2006. 美国总股票收益预测回归模型中的结构性断裂. 金融计量经济学杂志 4:238–74.

Reinsel, G. C., 和 S. K. Ahn. 1992. 具有单位根和简约秩结构的向量自回归模型：估计、似然比检验与预测. 时间序列分析杂志 13:353–75.

Robert, C. P. 2001. 贝叶斯选择：从决策理论基础到计算实现. 斯普林格统计教材系列. 纽约: Springer.

Robertson, J. C., 和 E. W. Tallman. 2001. 改进用于政策分析的VAR模型中的联邦基金利率预测. 商业与经济统计杂志 19:324–30.

Romano, J. P., 和 M. Wolf. 2005. 作为正式数据挖掘的逐步多重检验. 计量经济学 73:1237–82.

Rosenblatt, M. 1952. 关于多元变换的评论. 数学统计年鉴 23:470–2.

Rossi, A. G., 和 A. Timmermann. 2015. Merton ICAPM中协方差风险的建模. 金融研究评论 28:1428–61.

Rossi, B. 2005a. 存在潜在参数不稳定性的嵌套模型选择的最优检验. 计量经济理论 21:962–90.

——. 2005b. 高持续性下长期预测能力的检验及Meese–Rogoff之谜. 国际经济评论 61–92.

Rossi, B. 2013a. 不稳定下预测的进展. 载于 G. Elliott 和 A. Timmermann (编.), 经济预测手册, 第2卷, B部分, 第21章, 1203–324. Elsevier.

Rossi, B. 2013b. 汇率可预测性. 经济文献杂志 51:1063–119.

Rossi, B., 和 A. Inoue. 2012. 对窗口大小选择具有稳健性的样本外预测检验. 商业与经济统计杂志 30:432–53.

Rossi, B., 和 T. Sekhposyan. 2013. 不稳定存在下的条件预测密度评估. 计量经济学杂志 177:199–212.

——. 2015. 不稳定下的预测理性检验及其在美联储与调查预测中的应用. 应用计量经济学杂志. doi:10.1002/jae.2440.

Roy, A., 和 W. A. Fuller. 2001. 根接近1的自回归时间序列的估计. 商业与经济统计杂志 19:482–93.

Rudebusch, G. D. 1998. VAR中货币政策度量是否有意义？ 国际经济评论 39:907–31.

Sampson, M. 1991. 参数不确定性对单位根与趋势平稳时间序列模型预测方差和置信区间的影响. 应用计量经济学杂志 6:67–76.

Sanders, F. 1963. 关于主观概率预测. 应用气象学杂志 2:191–201.

Sarantis, N. 1999. 实际有效汇率中的非线性建模. 国际货币与金融杂志 18:27–45。

Sargent, T. J. 1987. 宏观经济理论, 第2卷. 纽约: Academic Press。

—. 1989. 两种测量模型与投资加速器. 政治经济学杂志 97:251–87。

Sargent, T. J., and C. A. Sims. 1977. 不预设过多先验经济理论的商业周期建模, 商业周期研究新方法第1卷, 145–168. 明尼阿波利斯: 明尼阿波利斯联邦储备银行。

Satchell, S., and A. Timmermann. 1995. 非线性汇率预测的经济价值评估. 预测杂志 14:477–97。

Scharfstein, D. S., and J. C. Stein. 1990. 羊群行为与投资. 美国经济评论 80:465–79。

Schervish, M. J. 1989. 一种比较概率评估者的一般方法. 统计学年报 17:1856–79。

Schorfheide, F. 2005. 设定错误下的向量自回归预测. 计量经济学杂志 128:99–136。

Schwarz, G. 1978. 估计模型维度. 统计学年报 6:461–4。

Seillier-Moiseiwitsch, F., and A. Dawid. 1993. 关于序贯概率预测有效性的检验. 美国统计协会杂志 88:355–9。

Shaman, P., and R. A. Stine. 1988. 自回归系数估计量的偏差. 美国统计协会杂志 83:842–8。

Shao, J. 1993. 通过交叉验证进行线性模型选择. 美国统计协会杂志 88:486–94。

——. 1997. 线性模型选择的渐近理论. 统计学学报 7:221–42。

Shibata, R. 1980. 线性过程参数估计模型阶数的渐近有效选择. 统计学年报 8:147–64。

——. 1981. 回归变量的最优选择. 生物计量学 68:45–54。

Shuford Jr, E. H., A. Albert, and H. E. Massengill. 1966. 可容许的概率测量程序. 心理测量学 31:125–45。

Sims, C. A. 1980. 宏观经济学与现实. 计量经济学 48:1–48。

—. 1993. 九变量概率宏观经济预测模型. 商业周期、指标与预测, 179–212. 芝加哥大学出版社。

Sims, C. A., and T. Zha. 2006. 美国货币政策是否经历了制度转换? 美国经济评论 96:54–81。

Sklar, M. 1959. n维分布函数及其边际. 巴黎第八大学。

Skouras, S. 2007. 决策指标: 基于决策的计量经济学建模方法. 计量经济学杂志 137:414–40。

Smets, F., and R. Wouters. 2003. 欧元区动态随机一般均衡模型估计. 欧洲经济协会杂志 1:1123–75。

Smith, J., and K. F. Wallis. 2009. 预测组合难题的简单解释. 牛津经济学与统计公报 71:331–55。

Srinivasan, V., and Y. H. Kim. 1987. 信贷授予: 分类程序的比较分析. 金融学杂志 42:665–81。

Stambaugh, R. F. 1999. 预测回归. 金融经济学杂志 54:375–421。

Stark, T., and D. Croushore. 2002. 使用实时宏观数据集进行预测. 宏观经济学杂志 24:507–31。

Stekler, H. O. 1991. 宏观经济预测评估技术. 国际预测杂志 7:375–84。

Stock, J. H. 1991. 美国宏观经济时间序列中最大自回归根的置信区间. 货币经济学杂志 28:435–59。

—. 1996. 长视野下的向量自回归、误差修正与预检验预测. 牛津经济学与统计公报 58:685–701。

Stock, J. H., and M. W. Watson. 1989. 同步与领先经济指标的新指数. 1989年NBER宏观经济学年度第4卷, 409. MIT出版社。

——. 1991. 同步经济指标的概率模型. 见 G. Moore 和 K. Lahiri 编, 领先经济指标: 新方法与预测记录. 剑桥大学出版社。

—. 1996. 宏观经济时间序列关系中的结构不稳定证据. 商业与经济统计杂志 14:11–30。

—. 1999. 宏观经济时间序列预测中线性与非线性单变量模型的比较. 见协整、因果关系与预测——Clive W.J. Granger 纪念文集. 牛津大学出版社。

—. 2002a. 使用大量预测因子的主成分进行预测. 美国统计协会杂志 97:1167–79。

—. 2002b. 使用扩散指数进行宏观经济预测. 商业与经济统计杂志 20:147–62。

—. 2003a. 产出与通货膨胀预测: 资产价格的作用. 经济学文献杂志 41:788–829。

——. 2003b. 计量经济学导论, 第104卷. 波士顿: Addison Wesley。

—. 2004. 七国数据集中产出增长的组合预测. 预测杂志 23:405–30。

—. 2005. 动态因子模型对向量自回归分析的影响. 工作论文, 国家经济研究局。

—. 2006. 使用大量预测变量进行预测. 见 G. Elliott、C. Granger 和 A. Timmermann 编, 经济预测手册, 第1卷, 515–54. Elsevier。

—. 2007. 为何美国通货膨胀变得更加难以预测? 货币、信贷与银行杂志 39:3–33。

—. 2009. 结构不稳定下动态因子模型的预测. 计量经济学方法与实践——David F. Hendry 纪念文集 173–205。

—. 2011. 动态因子模型. 见 M. P. Clements 和 D. F. Hendry 编, 牛津经济预测手册, 第1卷, 35–59. 牛津大学出版社。

—. 2012. 使用大量预测变量进行预测的广义收缩方法. 商业与经济统计杂志 30:481–93。

Stone, C. J. 1977. 一致的非参数回归. 统计学年报 5:595–620。

Stone, M. 1961. 线性意见池. 数学统计学年报 32:1339–42。

Sullivan, R., A. Timmermann, and H. White. 2001. 数据挖掘的危险性：股票收益中日历效应的案例。计量经济学杂志 105:249–86.

Svensson, L. E. 1997. 通胀预测目标制：通胀目标的实施与监测。欧洲经济评论 41:1111–46.

Swanson, N. R., and H. White. 1997. 使用线性模型和人工神经网络的实时宏观经济预测的模型选择方法。经济学与统计学评论 79:540–50.

Tanaka, K. 1996. 时间序列分析：非平稳和非可逆分布理论，第309卷。德克萨斯大学出版社。

Tay, A. S., K. F. Wallis, 等. 2000. 密度预测：一项综述。预测杂志 19:235–54.

Taylor, S. J. 1982. 由两个随机过程之积建模的金融收益——1961–75年每日糖价研究。时间序列分析：理论与实践 1:203–26.

Teräsvirta, T. 2006. 使用非线性模型预测经济变量。载于 G. Elliott, C. Granger 和 A. Timmermann（编），经济预测手册，第1卷，413–457。爱思唯尔出版社。

Teräsvirta, T., D. Tjøstheim, and C. W. J. Granger. 2010. 非线性经济时间序列建模。牛津大学出版社。

Theil, H. 1961. 经济预测与政策。北荷兰出版社。

Tibshirani, R. 1996. 通过Lasso进行回归收缩与选择。英国皇家统计学会杂志，B辑（方法论） 267–288.

Timmermann, A. 2000. 马尔可夫转换模型的矩。计量经济学杂志 96:75–111.

—. 2006. 预测组合。载于 G. Elliott, C. Granger 和 A. Timmermann（编），经济预测手册，第1卷，135–196。爱思唯尔出版社。

——. 2008. 难以捉摸的收益可预测性。国际预测杂志 24:1–18.

Tipping, M. E., and C. M. Bishop. 1999. 概率主成分分析。英国皇家统计学会杂志：B辑（统计方法论） 61:611–22.

Toda, M. 1963. 主观概率分布的测度。工作论文，国防技术信息中心。

Trueman, B. 1994. 分析师预测与羊群行为。金融研究评论 7:97–124.

Turner, J. L. 2004. AR(1)模型中局部单位根、长视野预测的模型选择阈值。预测杂志 23:513–39.

Valkanov, R. 2003. 长视野回归：理论结果与应用。金融经济学杂志 68:201–32.

van Dijk, D., T. Teräsvirta, and P. H. Franses. 2002. 平滑转移自回归模型——近期发展综述。计量经济学评论 21:1–47.

Varian, H. R. 1975. 房地产评估的贝叶斯方法。贝叶斯计量经济学与统计学研究：纪念Leonard J. Savage 195–208.

Villani, M. 2009. 向量自回归的稳态先验。应用计量经济学杂志 24:630–50.

Waggoner, D. F., and T. Zha. 1999. 动态多变量模型中的条件预测。经济学与统计学评论 81:639–651.

Wallis, K. F. 2003. 区间和密度预测的卡方检验以及英格兰银行的扇形图。国际预测杂志 19:165–175.

—. 2005. 结合密度和区间预测：一个温和的建议。牛津经济与统计公报 67:983–94.

Watson, G. S. 1964. 平滑回归分析。Sankhya：印度统计杂志，A辑 26:359–72.

Watson, M. W., and R. F. Engle. 1983. 动态因子、MIMIC和变系数回归模型估计的替代算法。计量经济学杂志 23:385–400.

Weiss, A. A. 1996. 使用相关成本函数估计时间序列模型。应用计量经济学杂志 11:539–60.

Welch, I., and A. Goyal. 2008. 对股权溢价预测经验表现的全面考察。金融研究评论 21:1455–508.

West, K. D. 1996. 关于预测能力的渐近推断。计量经济学 64:1067–84.

—. 2001. 预测依赖估计回归参数时的预测涵盖检验。商业与经济统计杂志 19:29–33.

West, K. D., H. J. Edison, and D. Cho. 1993. 汇率波动率模型基于效用的比较。国际经济学杂志 35:23–45.

West, K. D., and M. W. McCracken. 1998. 基于回归的预测能力检验。国际经济评论 39:817–840.

West, M., and J. Harrison. 1998. 贝叶斯预测与动态模型。运筹学学会杂志 49:179–179.

White, H. 1982. 错误指定模型的最大似然估计。计量经济学 50:1–25.

—. 1996. 估计、推断与设定分析。22. 剑桥大学出版社。

——. 2000. 对数据挖掘的现实检验。计量经济学 68:1097–126.

——. 2001. 计量经济学家的渐近理论。纽约：学术出版社。

—. 2006. 近似非线性预测方法。载于 G. Elliott, C. Granger 和 A. Timmermann（编），经济预测手册，第1卷，459–512。爱思唯尔出版社。

White Jr, H. L., T.-H. Kim, and S. Manganelli. 2008. 使用多分位数CAViaR建模自回归条件偏度和峰度。工作论文957号，欧洲中央银行。

Wilson, E. B. 1934. 美国经济活动的周期图。经济学季刊 48:375–417.

Wolak, F. A. 1987. 线性回归模型中多重不等式和等式约束的精确检验。美国统计协会杂志 82:782–93.

Wooldridge, J. M. 1994. 相关过程的估计与推断。载于 计量经济学手册，第4卷，2639–2738。爱思唯尔出版社。

Wright, J. H. 2006. 收益率曲线与衰退预测。美联储理事会研究与统计及货币事务司。

——. 2008. 贝叶斯模型平均与汇率预测。计量经济学杂志 146:329–41.

——. 2009. 通过贝叶斯模型平均预测美国通胀。预测杂志 28:131–44.

—. 2011. Term premia and inflation uncertainty: Empirical evidence from an international panel dataset. American Economic Review 101:1514–34.

—. 2013. Evaluating real-time VAR forecasts with an informative democratic prior. Journal of Applied Econometrics 28:762–76.

Yang, Y. 2004. Combining forecasting procedures: Some theoretical results. Econometric Theory 20:176–222.

—. 2005. Can the strengths of AIC and BIC be shared? A conflict between model indentification and regression estimation. Biometrika 92:937–50.

Yao, Y.-C. 1987. Approximating the distribution of the maximum likelihood estimate of the change-point in a sequence of independent random variables. Annals of Statistics 15:1321–8.

Zellner, A. 1962. An efficient method of estimating seemingly unrelated regressions and tests for aggregation bias. Journal of the American Statistical Association 57:348–68.

——. 1971. Introduction to Bayesian inference in econometrics. Wiley.

—. 1986a. Bayesian estimation and prediction using asymmetric loss functions. Journal of the American Statistical Association 81:446–51.

—. 1986b. On assessing prior distributions and Bayesian regression analysis with g-prior distributions. Bayesian Inference and Decision Techniques: Essays in Honor of Bruno De Finetti 6:233–43.

Zhao, P., and B. Yu. 2006. On model selection consistency of Lasso. Journal of Machine Learning Research 7:2541–63.

Zou, H., and T. Hastie. 2005. Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society: Series B (Statistical Methodology) 67:301–20.

Abadir, K. M.

绝对误差损失，20。另见平均绝对误差（MAE）损失

Aggarwal, R.

Aiolfi, M.，319，320，462–63

Akaike, H.，96，120

Albert, A.，264

Al-Osh, M.

Alzaid, A. A.

Amato, J. D.

Amemiya, T.，270

American Association of Individual Investors，322

Amihud, Y.

Amisano, G.，338，425–26

Andersen, T.G.，284，284，285，289

Andreou, E.

Andrews, D. W.，384，449，472n3，483

Andrews 的 SupF 检验，450

Andrews–Ploberger（AP）检验，450

Ang, A.，179，320n5，445

ARIMA 模型，39，154，155，163，391；其成功，165；单变量 ARIMA 模型，164

人工神经网络（ANN），249–50，332；以及 White 的 QuickNet 算法，251–52，251n5

Artis, M.，23

Aruoba, S. B.，224，502，503

具有收益可预测性的资产配置，203–6

Athanasopoulos, G.，187n1

自回归（AR）模型，134，137，138，139–40，150，152，152n6，156，163，175，183，184，212–13，223，241，303，332，427；AR(1) 模型，468，474，478，479，480，483，486，492，499，507，510，511；AR(2) 模型，506，511；AR(4) 模型，235，480；AR(BIC) 方法，185；AR 预测，239；AR(p) 回归模型，153–54；及经验证据，170–72；指数平滑转移自回归（ESTAR）模型，169；其表现，428；平滑转移自回归（STAR）模型，169–71，172–73，180，183，184，332–33；阈值自回归（TAR）模型，167–69，170，172–73，180；使用 AIC 选择的滞后阶数，427，480。另见自回归滑动平均（ARMA）模型，预测；向量自回归（VAR）

自回归条件持续期（ACD），494，495

自回归条件异方差（ARCH）模型，280，281，308，367；ARCH(q) 模型，280；多元 ARCH 模型，307

自回归滑动平均（ARMA）模型，7，11，99，133–34，137–42，165，226，243，494；作为近似，134；MA(1) 过程的 AR 表示，138–40，139n2；ARMA-GARCH 模型，67；作为商业预测的支柱，133；其协方差平稳性，134–37；AR(1) 模型的预测误差，138；线性 ARMA 模型，7；其最少信息要求，133；其流行性与成功，133；在实证研究中的弹性，134。另见自回归滑动平均（ARMA）模型，确定性及季节成分；自回归滑动平均（ARMA）模型，估计与滞后选择；自回归滑动平均（ARMA）模型，预测

自回归滑动平均（ARMA）模型，确定性及季节成分，155；确定性时间趋势，158；具有季节成分的模型的预测，155–57。另见 Holt-Winters 方法

自回归滑动平均（ARMA）模型，估计与滞后选择，142；滞后阶数的选择，144–46；及 ARMA 模型的状态空间表示，143–44，144n3

自回归滑动平均（ARMA）模型，预测，147；其经典理论，147–50；多期预测的直接与迭代方法，153–54，154n9；AR(1) 模型预测的有限样本性质，151–53，151nn5–6，207；及具有单位根的变量预测，154–55；AR(1) 模型生成的预测，147–48；MA(1) 模型生成的预测，148–49；AR(1) 过程的 MSE（均方误差），150。另见 Wiener-Kolmogorov 预测公式

Bagging，90，104–5，107，108，113，122，235

Bai, J.，72，219，227n5，230，231，240，259，436，436n4，449，451，451n5，454，455，456

Baillie, R. T.，242，285

Baltagi, B. H.，242

Banbura, M.，200，201，202，236，499，500，500n5，501

带宽，245，246，253，256，292

Bank of England，308

Barberis, N.，59，60，85，205

Barndorff-Nielsen, O. E.，289

基本 StepM 方法，415

Basset, G.，303

Batchelor, R.，355

Bates, J. M.，317，320，326，330

Bauer, M. D.，190

Bauwens, L.，457，494，495

贝叶斯预测 贝叶斯预测

模型/方法/途径，4, 6, 40, 54–56, 76, 88, 188, 235；应用于股票收益，342–43；贝叶斯风险，54–55, 77–80；贝叶斯投资者的资产配置（贝叶斯决策的示例），86–88；贝叶斯线性回归模型，229；贝叶斯模型平均（BMA），9, 339–41, 342–43；预测分布的贝叶斯建模，80–81；贝叶斯后验密度估计问题，77；贝叶斯预测问题，22；比较贝叶斯方法与经典方法，56–57；比较贝叶斯方法与经典方法（[含参数不确定性的资产配置]的示例），59–62；其计算/数值方法，83–85；贝叶斯决策规则的构建，54；贝叶斯分析中先验分布的构建，15；用VAR估计和预测的困难，7；其经济应用，85–86；经验贝叶斯方法，80。另见贝叶斯VAR（BVAR）；二元结果的密度预测：贝叶斯方法；信息准则（IC）：贝叶斯信息准则（BIC）

贝叶斯VAR（BVAR），194–95, 212, 213, 214；及其替代先验，198–99；贝叶斯估计，195–96；经验示例（具有收益可预测性的资产配置），203–6；经验表现，202–3；因子模型与贝叶斯VAR的比较，236；高维VAR，200–202；及明尼苏达先验，196–97, 212, 213；及时变参数（TVP）VAR，199–200

Bekaert, G.，179, 320n5, 445

Belloni, A.，104, 106, 106n9

Bennett, P.，13

Berkowitz, J.，437

Bernanke, B. S.，194

伯努利分布，261, 265, 441, 448

伯努利随机变量，260n1, 448, 492, 492n2

双线性过程，141–42 二元预测，260–61, 273–74；二元预测问题，268, 423, 425；二元变量的预测，8, 69–70；二元结果的点预测与概率预测，261–64, 262n2, 263n3。另见二元结果点预测的构建；二元结果的密度预测

二元结果，点预测的构建，269；估计模型的比较，271–72；通过p(Z)进行预测，269；使用判别分析，270, 270n8；使用最大效用扩展，270–71

Blue Chip调查/预测，209, 322, 369

Boivin, J.，194, 225, 235

Bollerslev, T.，280, 282, 284, 285, 289, 305

债券：债券价格，179；政府债券，202；零息债券，188

Bonferroni界，413, 415, 483

提升回归树，245, 256–59

"有界性"，12, 16

Box, G. E.，7, 133, 144, 155

Boyes, W. J.，25

断点模型示例，137

断点过程，建模断点过程的预测，456；变点模型，457；马尔可夫转换模型，456；时变参数（TVP）随机游走模型，458–59

断点，处理断点的临时方法，460；及预测组合，462–63；截距修正，461–62；降低过去观测权重的加权方案，460

Breiman, L.，72, 104

Breitung, J.，219

Brier, G. W.，424

Brier二次概率得分（QPS），30, 264, 424–25, 429

Brockwell, P. J.，134

Brown, R.，161

Brown, R. L.，452

布朗桥，437

布朗运动，289, 405, 436, 468, 468n1, 472, 482；及函数中心极限定理，515

Burman, P.，99

Busetti, F.，400

校准，422, 432, 441；分布预测的校准，428, 429–31；平方校准误差，354, 428–29

Campbell, J. Y.，186, 193, 484

Canjels, E.，472

Capistrán, C.，22, 24, 323n7, 462–63

Cappiello, L.，306

Carriero, A.，202

Cavanagh, C. L.，483

CAVieR模型，303, 306

确定性等价，33

确定性等价收益（CER），36, 112–13

Chatfield, C.，158

Chauvet, M.，71, 267

Chen, A.-S.，272

Chen, X.，74, 250

Chernozhukov, V.，104, 106, 106n9

Cheung, Y.-W.，489

Chib, S.，457

Chinn, M. D.，489

Cholesky分解，305

Chong, Y. Y.，392, 394, 395

Chow, E.，99

Christoffersen, P. F.，22, 366, 367, 441, 479

Claeskens, G.，329

Clark, T. E.，200, 369, 392n1, 394, 395, 396, 397, 403, 404, 406, 407, 407n9, 408, 411n11, 420, 463

经典预测模型，47, 74；比较贝叶斯方法与经典方法，56–57；基于损失的方法与两步法的比较，48–50

Clements, M. P.，28, 175, 321, 461, 462

系数估计，84, 91, 94, 123, 151, 176, 226, 376, 378, 387, 392

组合权重，估计，316；时变组合权重的估计方法，319–20；在MSE损失下的预测，316–19, 317n3

组合，310–12, 311n1, 344, 462–63；应用于调查预测，321–25；预测组合的经验比较，341–42；预测组合之谜，320–21；预测组合的风险，325–29, 327n8。另见组合权重的估计；最优预测组合

完全子集回归，330–32

英国工业联合会，322

Connor, G.，219

Consensus Economics，322

约束优化方法，73

连续排序概率得分（CRPS），338

连接函数（copula），306–8

Corradi, V.，426, 427, 436, 486

成本函数，30；对称性假设，17

CPIAUCSL（所有城市消费者消费者价格指数），149

Cramer–von Mises（CvM）检验，435, 436–37, 465

交叉验证，90, 90n2, 99–101, 107, 108, 119, 160, 246, 250, 251–52, 251n5, 299, 378, 454；样本均值的交叉验证，100–101；"留Tυ-out"交叉验证方法，99

Croushore, D.，496, 498

数据：数据挖掘，413–15；数据库，490；数据集，7；宏观数据，170, 369, 496；混合数据采样（MIDAS）方法，501–2；实时数据，495–96, 496n4, 498, 504；不规则数据的状态空间方法，502–4。另见数据生成过程（DGP）

数据生成过程（DGP），3, 5, 355–56, 365, 366–67, 377, 378–79；预测模型作为演化中数据生成过程的简化表示，11；数据生成过程参数的变动与模型不稳定性，447

Davies, A.，389

Davies, R. B.，180

Davis, R. A.，134

Dawid, A. P.，8n2, 337

德莫尔, C., 229

决策理论, 4, 17, 25, 40, 40n1

德尔内格罗, M., 206, 208, 209, 210

密度组合, 312, 336–37, 339; 经典方法, 338

密度预测, 8, 30, 57–59, 60n8, 185, 260, 308–9; 高斯密度预测的比较, 430, 431, 432, 438; 密度预测的报告, 300–301。另见密度预测, 方法; 密度预测, 用于二元结果; 密度预测, 评估; 波动性, 与密度预测

密度预测, 方法, 291–92; 非参数和半参数密度估计方法, 297–300; 半非参数(SNP)方法, 298–300。另见参数密度模型

密度预测, 用于二元结果, 265; 贝叶斯方法, 267–68; 非参数方法, 268–69; 以及参数密度预测模型, 265–67

密度预测, 评估, 422; 密度预测的比较, 425–27; 以及动态设定检验, 438n5; 对波动率预测的实证应用, 427–28; 基于损失函数的评估, 423; 个别密度预测的评估, 423–25, 424n1; 以及基于概率积分变换(PIT)的检验, 433–38, 433n2, 438

迪基, D. A., 474

迪博尔德, F. X., 22, 110, 134, 157, 178, 224, 246n2, 311, 318, 358n4, 366, 391, 395, 398–99, 400, 416, 423, 435n3, 462, 473–74, 479, 502, 503。另见迪博尔德-马里亚诺(DM)检验

迪博尔德-马里亚诺(DM)检验, 110, 112, 184, 216, 239, 241, 333, 391, 392, 398–400, 409, 416, 420, 427–28, 465, 486; 在成对模型间比较预测准确度中的流行性, 420

迪米特拉斯, A. I., 269, 270

分布预测, 8, 428–29, 441–42; 校准, 428, 429–31; 以及高斯密度预测的比较, 430, 431, 432, 438; 评估, 11; 以及受试者工作特征(ROC)曲线, 432–33; 分解, 431–32; 评分规则, 29–31; 锐度, 432

多安, T., 196

唐斯克定理, 405

杜阿, P., 355

杜克, M., 268

德宾, J., 85, 452

德兰, J. M., 178

动态设定, 89, 179; 动态设定检验, 438n5

动态随机一般均衡(DSGE)模型, 85, 186, 206–8; DSGE模型的实证证据, 209–10; DSGE模型的估计与预测计算, 208–9

埃克迈尔, S., 219

经济调查, 主要来源, 322

经济变量, 5, 7, 134, 166, 218, 232, 236, 457; 类别, 235; 分布, 157; 跨变量变化, 219

效率性质/检验: 传统预测效率检验, 357n3; AR(1)过程的效率性质, 360; 协方差平稳过程的效率性质, 359; 平方误差损失下的效率性质, 358–63; 已知损失下的效率性质, 355–58; 效率检验的解释, 368–71; 以及"检验函数," 357; "弱"与"强"预测效率, 356, 356n2

埃尔贝克, T., 13

EKT(埃利奥特、科蒙耶尔、蒂默曼)损失函数, 23–24, 28–29

弹性网估计量, 72

电力: 消费, 157; 电力负荷, 245; 电力价格, 179, 245

埃利亚什, P., 194

埃利奥特, G., 16, 18, 23, 24, 25, 28, 36n15, 72, 262n2, 266, 271, 272, 314, 320, 330–32, 342, 364, 365, 371, 449, 450, 454, 472, 474, 476, 482, 483, 484。另见qLL检验(埃利奥特和米勒)

恩布雷希特, P., 307

就业, 28, 155, 202, 218, 235; 就业成本, 207; 纽约州的预测, 203

ENC-NEW检验, 395, 397, 404, 408

ENC-REG检验, 395, 397

ENC-T检验, 394, 397, 404, 407, 407n9, 408

包含检验, 11, 311, 392, 406, 407, 409–10, 418, 463; 在MSE损失下, 393–97

恩格尔, R. F., 219, 246, 280, 284, 290, 303, 305, 306, 308, 367, 459, 478, 479, 493, 494, 513

误差修正模型(ECM), 478–79

"估计效应项," 51

估计误差, 392, 395–96, 471; OLS(普通最小二乘)估计误差, 321。另见参数估计误差

估计窗口, 10, 106, 110, 145, 253, 272, 453, 460, 465; 扩展估计窗口, 376–77, 387; 固定估计窗口, 372, 379, 379n2, 387; 固定比例估计窗口, 379; 滚动估计窗口, 324, 377–79, 387, 407n9, 409, 424n1, 427, 428

埃斯特雷利亚, A., 267

欧盟(EU)委员会预测, 365

埃文斯, J. M., 452

期望最大化(EM)算法, 233

预期损失, 17–18, 41–46, 54, 63, 91, 101

指数平滑, 159; 与折扣最小二乘损失函数, 161; 与ARMA模型的等价性, 162–64; 与指数加权移动平均(EWMA), 159–60, 160n12; 指数平滑器的扩展, 164; 未观测成分, 161–62

指数加权移动平均(EWMA), 159, 160, 161, 183, 184

扩展自然共轭(ENC), 198

因子模型, 219, 226n4; 用因子模型预测时确定因子数量, 229–32; 动态因子模型(DFMs), 221–23, 235, 238, 239, 333; 用因子模型进行预测, 220–21。另见因子模型, 实证证据; 因子模型, 实际应用问题

因子模型, 实证证据, 234–36; 应用, 236, 238–39, 241; 因子模型的实证成功, 235; 因子模型与贝叶斯VAR的比较, 236

因子模型, 实际应用问题, 232; 因子的识别与经济解释, 232; 不稳定性, 232–33; 缺失观测值, 233–34

因子, 估计, 223; 贝叶斯方法, 229; 一致性和有效性, 225–27; 频域中的因子提取, 227–28; 最大似然估计(小N), 223–24; 主成分估计(大N), 224–25

费尔, R. C., 348

法维罗, C. A., 320

费城联邦储备银行, 322, 496n4, 504

圣路易斯联邦储备银行, 140

联邦储备委员会, 24, 47, 260; 预测, 26。另见绿皮书预测

费尔南德斯, C., 340

有限阶滞后多项式, 223, 223n3

预测应用，……的实例，31；央行决策问题的预测应用，31–33；方向性交易系统的预测应用，36–37；均值-方差效用下投资组合选择的预测应用，33–36，35n14

预测密度，57，58，84，438

预测误差，36，258n7，397–98，397n6；预测误差的成本（e = y − f ），4；预测误差之间的协方差，28；仅依赖于预测误差的损失函数，20；负的预测误差，364n7；预测误差与权衡，13，16；预测误差向量，28，28n11

预测评估，4，5，9，348，371，441–42，486；评估方法的发展，10；分布预测的评估，11，347–48；区间预测的评估，440–41；多类别预测的评估，438–40；非正式预测评估方法（散点图和时间序列图），348–50，352；预测评估概述，10。另见个体预测的评估；多个预测的评估

预测者，4，13–14，37，243，254；作为决策问题的预测者问题，5，40；预测者的目标，14，39，41；天气预报员，13

预测，经济学和金融学中的预测，3；预测的"艺术"，5；经济预测中对称损失的假设，17；二元预测，14n1；对过度拟合模型的担忧，3；数据丰富环境下的预测，218–20，243；预测的决策理论方法，3–4，6，12；预测组合，9；面板数据预测，241–42；预测目标，57；宏观预测，221n1；一个良好预测的性质，10；实时预测方法，11；区域预测，203；情景预测，210；预测的标准方法，6；时间序列预测，241。另见因子模型；预测模型；预测模型，预测最优性的经典估计；预测最优性；预测问题，……；模型（参数）不稳定性；非标准数据，……的预测；趋势变量

预测模型：预测模型的构建，4，57，64，64n1；具有确定性趋势的预测模型，469；为给定时间序列识别预测模型，140；预测模型的核估计，245–46；非参数预测模型，40，244–45，277，297–300；"观测驱动模型"，446；参数预测模型，40，277；半参数预测模型，40，277；与单一模型相比的模型集合，3；标准预测模型，7。另见经典预测模型；因子模型；预测模型，预测最优性的经典估计；预测最优性；多变量预测模型，以及趋势变量；嵌套模型；非线性单变量模型；随机游走模型；筛模型，……的估计；趋势变量

预测模型，预测最优性的经典估计，63–64，74–75；基于损失函数以外函数的估计，69–71；基于惩罚损失函数的估计，71–73；基于损失的估计量，64–68。另见最优性检验；代入估计量

预测问题，8，9，13，15，18，25，37，45，48，53，66，68，74，78，269，274，355，386；基本密度预测问题，274；预测问题的基本形式，166；二元预测问题，268，423，425；预测问题与决策理论的背景，40；作为决策问题的预测问题，5；预测方法评估作为预测问题的核心，9；一般预测问题，39；点预测问题，338；实时预测问题，373；预测问题的时序，39

预测，15n3；有偏预测，377；"坏钟"预测，112；预测与结果的接近程度，41；预测与结果的协整，489；存在结果测量误差时预测的一致排序，27；预测的理想性质，347–48；预测的反馈效应，15n2；绿皮书预测，38；最近邻预测，246；作为策略博弈中信号的预测，13；波动率预测比较，27。另见二元预测；断点过程，建模断点过程的预测；密度预测；分布预测；预测应用，……的实例

Franses, P. H.，166，169

FRED数据库，140

Friedman, J.，256，258n7

Fu, W.，119

Fuller, W. A.，474

函数中心极限定理（FCLT），515

Gallant, A. R.，298，299，300

Gallo, G.，290

Gargano, A.，72，330–32，342

Garrote方法，72

高斯密度，299；高斯密度预测的比较，430，431，432，438

高斯分布，83，282，430

高斯似然估计，223

高斯先验，229

高斯序列：i.i.d.高斯序列的预测密度计算，77–78；在Linex损失下预测i.i.d.高斯序列的均值，78；在MSE损失下预测i.i.d.高斯序列的均值，78，79

高斯冲击，211

广义自回归条件异方差（GARCH）模型，279，280–85，290，299，304，305，338，367，427，428，437，494；ARMA-GARCH模型，67；EGARCH模型，284；基于损失函数的GARCH参数估计，67，282–83；GARCH(1, 1)过程的概率积分变换（PIT）得分，434–35；对GARCH模型的改进，283–87

广义最小二乘（GLS），242，472，473

Genre, V.，342

Geoum, I. S.，13

Geweke, J.，77，84，85，194n4，219，267，338

Ghent, A. C.，209

Ghysels, E.，155n10，157，287，501，502

Giacomini, R.，382，392，395，399，400–402，403，420，424n1，425–26，451，465

Giannone, D.，85，200，201，202，229，235，236，498，499，500，500n5，501

Gibbs抽样，84，198，200，212，267，458；最小二乘回归与Gibbs抽样，84

Glosten, L. R.，285

Gneiting, T.，426，430，438

González, A.，170

González-Rivera, G.，284n4，438n5

Goyal, A.，106，108，140，414

Granger, C. W. J.，15，15n4，16，17，25，46，47，74，141，185n3，262n2，285n5，314，317，319，320，321，326，330，357，366，397，420n13，448；Granger因果检验，187，190–91，463，464，465；Granger表示定理，478–79；Granger三条性质，16，20，21

Gray, S. F.，179

"大缓和"时期，445

绿皮书预测，38，349–51，352，361

Greenspan, Alan，275

Grenander, U.，246

国内生产总值（GDP），218, 322, 361, 445, 499, 501；GDP的初步估计，496；美国GDP增长，179, 200, 323–24, 350, 362, 490

Guidolin, M.，179, 320n4

Gunther, T. A.，423, 435n3

Hadri, K.，479

Haldrup, N.，179

Halling, M.，459

Hamill, T. M.，438

Hamilton, J. D.，143, 166, 172, 173, 174, 181, 182, 183, 191, 505

Hannan, E. J.，96, 98

Hannan-Quinn准则，96, 119

Hansen, B.E.，246, 293, 302, 329–30

Hansen, P. R.，27, 280, 288, 289, 290, 362, 404, 405, 408, 411n11, 412, 413, 415, 416, 417, 418, 419

Harris, D.，493

Harrison, J.，459

Harrison, P.，300

Hartmann, P.，200

Harvey, D. S.，394, 396, 398, 400n7, 407

Hastie, T.，72, 256

Hendry, D. F.，28, 94n4, 95, 311n1, 320, 321, 392, 393, 394, 395, 461, 462

Henkel, S. J.，402

异方差性，199n7, 278, 366, 503；条件异方差性，95, 408；横截面异方差性，230。另见自回归条件异方差（ARCH）模型；广义自回归条件异方差（GARCH）模型

Hjort, N. L.，329

Hodrick–Prescott（HP）滤波，511

Hoel, P. G.，392

Hoeting, J. A.，339, 340, 341

Hoffman, D. L.，25

Holt-Winters方法，158–59

齐次性，16

Hong, H.，13

Hong, Y.，436n4

Hoover, K. D.，96

Hoque, A.，363

Hubrich, K.，170, 200, 254n6, 311n1, 411n11

Hurvich, C. M.，483

Hyndman, R.

INAR(1)模型

INAR(p)模型

单个预测的评价；总体预测与分量预测的评价；正式与非正式方法；样本内预测评价；理性检验的样本外（OoS）渐近理论；产生"小"或"大"预期损失的预测；伪样本外（OoS）预测方法；平均损失的抽样分布。另见样本外（OoS）平均损失，进行推断；样本外（OoS）预测，模拟

通货膨胀；通货膨胀预测。另见通货膨胀率

通货膨胀率；定义；季度CPI通货膨胀率预测；通货膨胀率序列。另见三变量系统（CPI通货膨胀率、失业率、三个月国库券利率），实证例子

信息准则（IC）；线性回归的AIC和BIC；赤池

信息准则（AIC）；贝叶斯信息准则（BIC）；IC在拟合度与简洁性之间权衡所采用的不同策略；Hannan-Quinn准则；Mallows ${\mathrm{C}}_P$准则；基于Mallows ${\mathrm{C}}_P$的线性回归模型选择

信息集

Ingram, B. F.

Inoue, A.

利率；利率期限结构建模

国际货币基金组织（IMF）；各国预算赤字预测

区间/分位数预测；估计

不可代表性条件，the

Ito, T.

Jansson, M.

Jenkins, G. M.

Jordà, O.

Kadiyala, K. R.

卡尔曼滤波；基本设置；一致指标的构建；推导；参数估计；卡尔曼滤波方程；卡尔曼平滑；缺失观测

卡尔曼平滑器

Kandel, S.

Kapetanios, G.

Karlsson, S.

Kauppi, H.

Kemp, G. C.

Kendall, M. G.

Kilian, L.

Kim, C.-J.

Kim, T.-H.

Kim, Y. H.

Kinal, T.

厨房水槽模型/方法

Knight, K.

Koenker, R.

Kolmogorov–Smirnov（KS）检验

Komunjer, I.

Koop, G.

Koopman, S. J.

Korajczyk, R. A.

Korobilis, D.

Kourtellos, A.

Krolzig, H.-M.

Kubik, J. D.

Kuipers评分

Kullback-Leibler（KL）

拉格朗日乘数（LM）检验

Lahiri, K.

Lasso（最小绝对收缩与选择算子）方法；模型选择

Laster, D.

Laurent, S.

"最不坏"方法

最小二乘：折扣最小二乘损失函数；广义最小二乘（GLS）；$y_{t+1}$投影中的最小二乘系数；绝对误差损失下的最小二乘估计；最小二乘回归与Gibbs采样器；偏最小二乘（PLS）。另见普通最小二乘（OLS）

Lee, J.-H.

Leeb, H.

Leitch, G.

Leng, C.

Leung, M. T.

杠杆效应

Ley, E.

Leybourne, S.

洛必达法则

Lieli, R. P.

似然比（LR）

Lin, J.-L.

Lin, Y.

线性回归；线性回归的AIC和BIC；贝叶斯线性回归模型；线性回归模型；带正态先验的线性回归模型；含单个结构断点的线性回归；局部线性回归模型；基于Mallows ${\mathrm{C}}_P$的线性回归模型选择；线性回归中的多重共线性；嵌套线性回归模型

Linex损失；Linex损失下的贝叶斯风险；最优预测

lin-lin损失。另见分段线性损失（lin-lin损失）

Litterman, R. B.；Litterman先验（"明尼苏达先验"）

Liu, P. C.

Livingston调查

长期收益

损失分解方法

损失函数；所有预测问题；决策者的损失函数；博弈论模型；Patton的定义；经济预测中忽略的设定；"标准"；对称性。另见损失函数的构建与设定；具体损失函数；波动率与密度预测：损失函数的作用

损失函数的构建与设定；有界；碗形；共同性质；构建损失函数；预期损失；不基于预期损失的损失函数；视为效用函数负值的损失函数；采取利润函数形式的损失函数；无界

具体损失函数；绝对误差损失；Bregman损失；二元损失；EKT损失；水平和预测依赖型；Linex；仅依赖预测误差的损失函数；依赖其他状态变量的损失函数；多元损失；多元二次误差损失（多元MSE损失）；分段非对称损失。另见平均绝对百分比误差（MAPE）损失

Low, S. A.

Lunde, A.

Lütkepohl, H.

Machina, J.

宏观数据

宏观经济预测

宏观经济时间序列

Maddala, G. S.

Madigan, D.

Maekawa, K.

Mallows, C. L.

Mallows-Quinn 准则

Magnus, J. R.

Manganelli, G.

Marcellino, M.

Marcucci, J.

Mariano, R. S. 另见 Diebold-Mariano (DM) 检验

市场时机选择

Markov 区制转换模型（区制转换模型），7, 172–73, 200, 295；以及断裂过程；利用其进行预测，173–76；两状态 Markov 区制转换模型的多步预测，175–76；模型的改进，177–79；两状态区制转换模型，176–77

Marriott, F.

Martin, G. M.

Martin, J. S.

鞅差序列

Massengill, H. E.

极大似然估计 (MLE)。另见拟极大似然估计量 (QMLE)

最大效用 (MU) 估计量

McCabe, B. P.

McConnell, M. M.

McCracken, M. W.

McCurdy, T. H.

McFadden, D.

McKenzie, E.

McNeil, A.

平均绝对误差 (MAE) 损失

平均绝对百分比误差 (MAPE) 损失

均方误差 (MSE) 损失，9, 20, 21–22, 23, 24, 28, 37, 42–43, 45–46, 63, 82, 83, 121, 140, 183, 191, 202, 245, 258, 265, 316, 320, 324, 333, 364, 368, 374, 404, 427, 453–54, 463, 473, 474, 486–88；MSE 损失下的 Bayes 风险；MSE 损失下最佳平均模型与最佳当前模型的比较；预测（或拟合值）的 MSE；MSE 损失下的预测效率检验；MSE 损失下的预测包络检验；MSE 倒数加权；MSE 最小化结果；非对称二次损失的 MSE 评价；给定结果观测历史的 MSE 损失；线性预测模型的 MSE 损失；均值样本估计的 MSE 损失；收缩估计量的 MSE 损失；MSE 总体值；存在错误设定趋势时的 MSE；近似单位根过程的 MSE；MSE 损失下的最优预测；MSE 损失下的正交回归；样本外预测的 MSE，10；MSE 与 Linex 损失的对比图；以及再中心化检验统计量；平方误差损失作为一个齐次类；MSE 损失下期望损失等价性检验；无条件 MSE 损失。另见组合权重的估计：MSE 损失下的预测；最优预测组合：MSE 损失下的最优组合

Meese, R. A.

M 估计；基于损失函数；在 lin-lin 损失下

Mikkelsen, H. O.

Min, C.-k.

Mincer, J. A.

Mincer–Zarnowitz 回归

Minnesota 先验

Mishkin, F. S.

混频数据采样 (MIDAS) 方法 模型组合；以及完全子集回归；实证例子；其风险

模型（参数）不稳定性；预测表现的"崩溃"；断裂与预测表现（具有单一断裂的线性回归模型）；因子模型的不稳定性；对模型不稳定性的样本内检验的局限性；具有多重断裂的模型；具有单一断裂的模型；估计断裂时点及额外断裂的序贯方法；以及数据生成过程参数的变动；建议的最优检验；使用逆序 CUSUM 平方 (ROC) 断裂检验。另见处理断裂的临时方法；对断裂过程建模的预测

模型选择；"最佳"模型选择；模型选择搜索；通过交叉验证进行；模型选择中的权衡。另见 Bagging；信息准则 (IC)；Lasso；模型选择方法

模型选择方法："样本内"方法；"样本外" (OoS) 方法；模型选择程序的性质。另见风险：模型选择方法的风险（蒙特卡洛模拟）

Mohanty, S.

单调性

蒙特卡洛马尔可夫链 (MCMC)

蒙特卡洛模拟/实验/方法/估计；AR(1) 模型的蒙特卡洛模拟；通过蒙特卡洛模拟检验断裂检验；以及 Reality Check 检验统计量。另见蒙特卡洛马尔可夫链 (MCMC)；风险：模型选择方法的风险（蒙特卡洛模拟）

Morgan, W.

Morgan-Granger-Newbold 回归检验

Moriera, M. J.

Müller, U. K. 另见 qLL 检验（Elliott 和 Müller）11：

多重共线性

多重预测的比较；Giacomini-White 方法；Giacomini-White 方法与条件预测表现检验；样本内与样本外 (OoS) 比较；以及优越预测能力 (SPA) 检验。另见嵌套模型间的表现比较

多重预测的评价；预测包络检验；MSE 损失下的预测包络检验；以及期望损失等价性检验（MSE 损失下的损失等价性检验与 Diebold-Mariano 检验）

多元预测模型，以及趋势变量；其实证例子；以及多元长期预测 多元波动率模型

Muth, J. F.

Nadaraya, E.

Nardari, F.

纳斯达克 (NASDAQ)

Nason, J. A.

Nelson, C. R.

Nelson, D. B.

嵌套模型；其比较。另见嵌套模型间的表现比较

Newbold, P.

Newey, W. K.

Ng, S.

Nielsen, M. Ø.

Nolan, D.

非线性参数模型；参数与非参数估计方法的比较

非线性单变量模型；实证比较；线性与非线性模型的预测比较

非线性：非线性动力学，7；非线性优化，223, 251, 252。另见非线性参数模型；单变量非线性预测模型

非参数模型，40, 244–45

非标准数据的预测；计数数据的预测；持续时间的预测；计数数据的参数模型；实时数据

Nordhaus, W. D.，355, 368

即时预测 (nowcasting)

Nyblom, J.，449

Nychka, D. W.，298, 299

Olivetti, C.，486

Onatski, A.，231

"一次性"问题，19

意见综合法，337, 337n11

最优预测组合；Linex 损失下的最优组合；MSE 损失下的最优组合

最优性检验：不依赖于结果度量的最优性检验；在已知损失下；在已知损失形式但未知参数下

普通最小二乘 (OLS)，51, 53, 53n7, 152, 229, 242, 322, 333, 448, 454, 455, 456, 463–64, 473, 482–83；OLS 估计误差；VAR 的 OLS 估计；OLS 回归；OLS 残差；递归 OLS；约束 OLS

经济合作与发展组织 (OECD)，24

Ornstein-Uhlenbeck 过程，469n2

orthogonality 正交性, 355, 357, 361, 363, 381, 386, 387, 388, 393, 400, 413, 489

Ottaviani, M., 13

out-of-sample (OoS) asymptotics for rationality tests 理性检验的样本外 (OoS) 渐近性

out-of-sample (OoS) average loss, conducting inference on 对样本外 (OoS) 平均损失进行推断；以及 West 的蒙特卡洛结果；以及 West 在平方误差损失下的结果；以及 West 定理

out-of-sample (OoS) forecasts: in-sample versus out-of-sample (OoS) comparison 样本外 (OoS) 预测：样本内与样本外 (OoS) 的比较；mean squared error (MSE) loss of, 10 其均方误差 (MSE) 损失；pseudo out-of-sample forecasts 伪样本外预测；reasons for using 使用原因。See also 另见 out-of-sample (OoS) forecasts, simulation of 样本外 (OoS) 预测的模拟

out-of-sample (OoS) forecasts, simulation of 样本外 (OoS) 预测的模拟；and the expanding estimation window 以及扩展估计窗口；and exponentially declining weights 以及指数递减权重；and the fixed estimation window 以及固定估计窗口；and the fixed-proportion estimation window 以及固定比例估计窗口；and the rolling estimation window 以及滚动估计窗口

overparameterized models 过参数化模型, 10

Owyang, M.T., 28, 29

Pagan, A., 246

panel data, forecasting with 面板数据预测

parameter estimation error 参数估计误差, 7, 35n14, 49, 64, 71, 85, 110, 154, 171, 187, 203, 217, 236, 343, 363, 382–83, 384, 395, 407；effects of 其影响；reduction of 减少, 75

parameter estimation models 参数估计模型, 7, 8

parametric density models 参数密度模型, 40, 292；and mixtures of normal 以及正态混合；non-Gaussian density model 非高斯密度模型；parametric versus nonparametric estimation approaches 参数与非参数估计方法

Patton, A. J., 26, 27, 29, 307, 308, 358n4, 362, 363, 365, 366, 367, 368, 427；definition of a loss function 损失函数的定义, 27

Pauly, P., 311, 318, 462

Paye, B. S., 445

Perez, S. J., 96

Perez-Quiros, G., 445

performance, comparison of across nested models 嵌套模型之间表现的比较；complications arising from nested models 嵌套模型引起的复杂性；empirical application of 实证应用；and the finite sample behavior of tests 检验的有限样本行为；and the recentered test statistic 重新中心化的检验统计量

Perron, P., 449, 455, 455n6, 456, 475

persistent regressors 持续性回归元；empirical application of 实证应用；and results for multivariate long-run forecasts 多元长期预测的结果

Pesaran, M. H., 25, 85, 95n5, 112, 166, 192, 194, 235, 262n2, 272, 363, 377, 379n2, 438, 439, 440, 452–53, 454, 457, 465

"peso" problem, the "比索"问题

Pettenuzzo, D., 85, 200, 457

Phillips, P. C., 152, 153, 473, 476, 477, 485

Pick, A., 192, 235

piecewise linear loss (lin-lin loss) 分段线性损失 (lin-lin 损失), 21–22, 23, 58, 67

Ploberger, W., 449

plug-in estimators 插件估计量, 68, 467；mean-variance investor's use of 均值-方差投资者的使用；plug-in estimators based on the forecaster's loss function 基于预测者损失函数的插件估计量

point forecasts 点预测, 3, 8, 14, 29, 39, 40, 58, 78, 80, 83, 236, 260, 261, 271, 273, 301, 308, 323, 336, 337, 422, 423, 425, 426, 465；accurate forecasts 准确预测；as an application of decision theory 作为决策理论的应用, 4；Bayesian 贝叶斯；criticism of 批评；generating 生成；inferior 较差的。See also 另见 point forecasts, optimal 最优点预测

point forecasts, optimal 最优点预测, 41, 62；as conditional on future variables 关于未来变量的条件；construction of 构建；dependence of on conditioning variables 对条件变量的依赖；and expected loss 期望损失；interpretation of forecast optimality 预测最优性的解释；optimal forecasts minimizing the average conditional loss 最小化平均条件损失的最优预测

Poisson models 泊松模型, 12, 289, 490, 491, 492, 493, 495

Politis, D. N., 107

Pope, J., 151

portfolio turnover 投资组合换手率, 35n14

posterior distribution 后验分布, 55, 58, 60–61, 80, 81–82, 83, 84, 88, 197, 198, 199, 205, 208, 459

Pötscher, B. M., 90

Potter, S., 71, 267

Potter, S. M., 85, 457

Powell, J. L., 23

Powell, O., 340, 340n12

predictive accuracy, comparison of utility-based and statistical measures of 预测精度的比较：基于效用的度量与统计度量

predictive density 预测密度, 40, 58, 83, 84；computation of for an i.i.d. Gaussian series i.i.d. 高斯序列的计算

probability integral transform (PIT), and density forecasts 概率积分变换 (PIT) 与密度预测

projection pursuit regression 投影寻踪回归, 252

Prüfer, P., 340, 340n12

pseudo-true value 伪真值, 46, 46n5, 67, 381, 382, 411, 467

QLIKE loss QLIKE 损失, 27

qLL test (of Elliott and Müller) qLL 检验 (Elliott 和 Müller), 450

Qu, Z., 455

quadratic loss 二次损失, 23, 32, 33, 170, 196, 202, 303, 385；MSE evaluation of asymmetric quadratic loss 非对称二次损失的 MSE 评价

quadratic scoring (QS) 二次评分 (QS), 338

quantile forecasts 分位数预测。See 另见 interval/quantile forecasts 区间/分位数预测

quasi-maximum likelihood estimator (QMLE) 拟极大似然估计量 (QMLE), 70, 283, 291, 291n10, 299, 458n9；estimation of with normal distribution 用正态分布进行估计；QMLE for tick-exponential family 滴答指数族的 QMLE

Quah, D., 219

Quinn, B. G., 96, 98

Racine, J.

Ramanathan, R.

Raftery, A. E.

random walk models 随机游走模型；moving average (MA) representation of the random walk model 随机游走模型的移动平均 (MA) 表示；random walk breaks 随机游走断点；time-varying parameter (TVP) random walk model 时变参数 (TVP) 随机游走模型

Rapach, D. E.

Ranjan, R.

Ratner, J.

rationality 理性；forecast rationality tests 预测理性检验

Ravazzolo, F.

"real-time" performance "实时"表现

Reality Check (White's bootstrap Reality Check approach) Reality Check (White 的自助 Reality Check 方法)；and model building 以及模型构建

recession 衰退

recursive updates 递归更新

regime switching models 区制转换模型。See 另见 Markov switching models (regime switching models) 马尔可夫转换模型（区制转换模型）

Reichlin, L., 85, 200, 201, 202, 229, 235, 236, 498, 499, 500, 500n5, 501

Ridge regression 岭回归, 229, 238

Ridge estimators 岭估计量, 72, 81–83

Ridge forecasts 岭预测, 238

risk 风险, 40, 373–74；Bayes risk 贝叶斯风险；comparing classical and Bayes risk under Linex loss with Gaussian data 在 Linex 损失下使用高斯数据比较经典风险与贝叶斯风险；of a forecasting method 预测方法的风险；and the information set 以及信息集；minimax and average risk 极小极大风险与平均风险；minimizing of 最小化；for model selection methods (Monte Carlo simulations) 模型选择方法 (蒙特卡洛模拟)；risk functions 风险函数；risk for a multivariate regression model 多元回归模型的风险；risk for subset regressions 子集回归的风险

RiskMetrics, 160n12

Robertson, J. C., 203

Rogoff, K., 348

rolling regressions 滚动回归, 396, 402, 460

Romano, J. P., 415

Rombouts, J.V., 29, 305

root mean squared error (RMSE) values 均方根误差 (RMSE) 值

Rossi, A. G.

Rossi, B.; Rossi tests

Rudebusch, G. D.

Russell, J. R.

Saikkonen, P.

Sala, L.

Sampson, M.

Sarantis, N.

Sargent, T. J.

SARIMA models SARIMA 模型

Satchell, S.

Scharfstein, D. S.

Schaumburg, E.

Schervish, M. J.

Schorfheide, F.

Schwarz, G.

Scotti, C.

seemingly unrelated regressions (SUR) 似无关回归 (SUR)

Sekhposyan, T.

Senyuz, Z.

sequential hypothesis testing 序贯假设检验；illustration of the general-to-specific modeling approach 从一般到特殊建模方法的示例；illustration of the specific-to-general modeling approach 从特殊到一般建模方法的示例；the "LSE" general-to-specific approach to "LSE" 从一般到特殊方法；methods of (specific-to-general and general-to-specific) 方法（从特殊到一般与从一般到特殊）；variations of sequential tests 序贯检验的变体

sequential out-of-sample prediction, evaluation of 序贯样本外预测的评价

Shao, J.

Shephard, N.

Sheppard, K.

Shibata, R.

Shiller, R. J.

shocks 冲击：effect of a shock on future average volatility 冲击对未来平均波动率的影响；Gaussian shocks 高斯冲击；idiosyncratic shocks 异质冲击；positive shocks 正向冲击

shrinkage estimators/estimation 收缩估计量/估计；generalized shrinkage methods 广义收缩方法

Shuford Jr., E. H.

筛模型，估计；与g函数；与多项式；与投影寻踪回归；与样条。亦见人工神经网络（ANN）

符号检验

Sims, C.

Sims, C. A.

Sinko, A.

Skouras, S.

Small, D.

Smets, F.

Smith, A. D.

Smith, J.

Song, F.

Sørensen, P. N.

稀疏模型

球面评分规则

样条

Springborn, M.

平方误差损失。见均方误差（MSE）损失

Srinivasan, V.

Stambaugh, R. F.

Stark, T.

状态概率，递归更新

统计学，"预序"方法

Steel, M. F.

Stein, J. C.

Stekler, H. O.

逐步检验方法

随机断点

随机条件持续期模型

随机贴现因子

随机漂移

随机过程

随机变动

随机波动率模型

Stock, J. H.

股票价格，对数线性化现值模型

股票收益；日股票收益；超额股票收益；通过股息率预测股票收益。亦见股票收益，预测

股票收益，预测；贝叶斯模型平均（BMA）的应用；所用基准；与块大小；与Diebold-Mariano检验；与预测表现的经济测度；与样本外R²测度；股票收益的点预测；与递归包含频率；预测表现的统计测度；Lasso方法的使用；所用变量

Stone, C. J.

Straumann, D.

Stuart, A.

Sullivan, R.

优超模型：与样本分割的选择；识别；优超预测能力/准确性（SPA）检验

专业预测者调查

Svensson, L. E.

Swanson, N. R.

对称性；经济预测中对称损失的假设；成本函数对称性的假设

Tallman, E. W.

Tanner, J. E.

Tauchen, G.

Tay, A. S.

Taylor, M. P.

泰勒展开

短期国债。亦见三变量系统（CPI通胀率、失业率、三个月短期国债利率）的实证例子

Teräsvirta, T.

Tetlow, R. J.

Theil, H.

三变量系统（CPI通胀率、失业率、三个月短期国债利率），实证例子

Tibshirani, R.

Timmermann, A.

短期国债期货合约

趋势变量；趋势变量的定义；例子（具有确定性趋势的预测模型；具有错误设定趋势的MSE）；趋势变量的期望损失。亦见多变量预测模型与趋势变量；单变量预测模型与趋势变量

Trueman, B.

Tsay, R. S.

Turner, J. L.

Tzavalis, E.