論文の概要: Vine Copula VAR:From Recursive Margins to Joint Forecast Inference

• arxiv url: http://arxiv.org/abs/2610.07589v1
• Date: Tue, 06 Oct 2026 01:26:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.745358
• Title: Vine Copula VAR:From Recursive Margins to Joint Forecast Inference
• Title（参考訳）: Vine Copula VAR:From Recursive Margins to Joint Forecast Inference
• Abstract要約: 連発予測は、過去の予測誤差に基づく依存推定と、新たに見積もられた辺縁分布を結合することが多い。 安定なVine Copula VARにおける終末予測値との連関効果を導出する。 米国のマクロ経済学リリースに対するリアルタイムな予測適用は、限界推定が関節収縮の予測確率の不確実性にどのように寄与するかを示す。
• 参考スコア（独自算出の注目度）: 1.5781842475457006
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Joint-event forecasts often combine a dependence estimate based on past forecast errors with newly estimated marginal distributions. When each historical error retains the marginal fit available at its issue date, inference must account for an overlapping sequence of estimation errors. We derive their joint influence with the terminal forecast estimates in a stable Vine Copula VAR with normal innovation margins and a fixed, correctly specified Gaussian or positive Clayton vine. An intercept identity and the stable VAR filter reduce the historical correction to harmonically weighted innovation moments, while terminal slope uncertainty remains. The resulting covariance estimator gives asymptotically valid repeated-sample intervals for fixed one-sided event probabilities at the realized forecast state. In the Gaussian submodel, retaining issued transforms adds a positive semidefinite covariance term relative to refitting margins on the same observations. Monte Carlo simulations show that terminal-margin uncertainty is quantitatively more important than this additional term and that logit intervals improve lower-tail coverage in the designs studied. A real-time forecasting application to U.S. macroeconomic releases shows how marginal estimation contributes to uncertainty in predicted probabilities of joint contractions and identifies limitations of the stationary marginal model.
• Abstract（参考訳）: 連発予測は、過去の予測誤差に基づく依存推定と、新たに見積もられた辺縁分布を結合することが多い。 それぞれの履歴エラーがその発行日に利用できる限界適合性を保持する場合、推論は重複する推定エラーの列を考慮しなければならない。 安定なVine Copula VARにおいて, 正常なイノベーションマージンと, 固定された正のガウスまたは正のクレイトンブドウを用いて, 終末予測値との連関関係を導出する。 インターセプトIDと安定なVARフィルタは歴史的補正を調和的に重み付けされたイノベーションモーメントに還元する一方、終端斜面の不確実性は残る。 得られた共分散推定器は、実際の予測状態において、固定された一方の事象確率に対して漸近的に有効な繰り返しサンプル間隔を与える。 ガウス部分モデルでは、発行された変換を保持することは、同じ観測上のマージンを再適合させるのに対して、正の半定値共分散項を加える。 モンテカルロシミュレーションでは、終端マージンの不確実性はこの追加項よりも定量的に重要であり、ロジット間隔が研究された設計において低いテールカバレッジを向上させることが示されている。 米国のマクロ経済学リリースに対するリアルタイムな予測適用は、境界推定が関節収縮の予測確率の不確実性にどのように寄与するかを示し、静止限界モデルの限界を識別する。

関連論文リスト

• Adaptive Multi-Scale Forecasting and Gate-Localized Conformal Prediction for Multivariate Nonstationary Time Series [7.704601239153111]
  ABF-T-GLCPは非定常時系列の予測と不確実性定量化のためのモデルに依存しないフレームワークである。 予測モジュールは、学習ゲートを通じて地平線固有の時間的専門家を結合し、スパース予測転送を使用して予測を洗練する。 不確実性モジュールであるGate-Localized Conformal Predictionは、学習されたゲート状態と時間的回帰を利用して、局所的に関連するキャリブレーション残差を選択する。
  論文  参考訳（メタデータ） (2026-07-25T11:46:38Z)
• Is Capability a Liability? More Capable Language Models Make Worse Forecasts When It Matters Most [11.4807141145402]
  逆スケーリングでは、より有能なモデルでは、超線形成長を伴う問題を予測し、状態変化の尾リスクを予測し、分布予測が悪化する。 このパターンはForecastBench-Simで、線形制御にマッチした合成SIRの流行を予測し、COVID-19、麻疹、住宅市場、ハイパーインフレの実際のデータセットに複製する。 この逆スケーリングは、LLM予測ベンチマークに共通する単一閾値のメトリクスには現れず、同一出力における能力-正確性関係のサインを逆転させる。
  論文  参考訳（メタデータ） (2026-05-21T16:14:33Z)
• Forecasting the U.S. Treasury Yield Curve: A Distributionally Robust Machine Learning Approach [0.12891210250935145]
  配当の不確実性下における米国債利回り曲線の予測について検討する。 予測者は、平均予測誤差を最小化する代わりに、最悪のケース予測損失を最小限に抑える決定ルールを選択する。 本研究では,因子モデルと高次元非パラメトリック機械学習モデルを統合する分散ロバストなアンサンブル予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-08T05:26:43Z)
• Predictive inference for time series: why is split conformal effective despite temporal dependence? [8.032656343027146]
  コンフォーマル予測法は、任意の iid または交換可能なデータ分布に対して、分布のないカバレッジを提供する。 自動回帰モデルのような過去の観測を利用する予測器は、この問題をさらに悪化させる。 この結果から, 時系列内の時間的依存が交換可能性に違反する程度を計測し, 新たな「スウィッチ係数」を用いて, これらの手法のカバレッジを損なうことが示唆された。
  論文  参考訳（メタデータ） (2025-10-02T18:24:04Z)
• Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
  時系列における不確実性定量化の問題を相関配列を利用して解決する。 共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。 我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
  論文  参考訳（メタデータ） (2025-02-13T16:12:17Z)
• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。 さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• Distribution-Free Finite-Sample Guarantees and Split Conformal Prediction [0.0]
  分割共形予測は、最小分布自由仮定の下で有限サンプル保証を得るための有望な道を表す。 1940年代に開発された分割共形予測と古典的寛容予測との関連性を強調した。
  論文  参考訳（メタデータ） (2022-10-26T14:12:24Z)
• CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
  本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。 我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
  論文  参考訳（メタデータ） (2021-09-07T09:38:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。