Bayesian Predictive Synthesis for Dynamic Networks: Forecasting and Identifying Structural Mechanisms
Yale University（耶鲁大学）；The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院）
提出动态贝叶斯预测合成方法，通过时变权重组合多个结构机制（如社区、几何、枢纽）的预测，实现校准的边预测并识别主导机制。
2026-06-26 cs.SI math.ST stat.ME
Predictive Synthesis under Sporadic Participation: Evidence from Inflation Density Surveys
Temple University（天普大学）；Amazon（亚马逊）；Board of Governors of the Federal Reserve System（联邦储备系统理事会）
本文提出了一种在不规律参与下改进预测组合的方法，通过贝叶斯更新规则提高预测准确性并产生更平滑的通胀密度预测。
2026-02-05 econ.EM stat.AP stat.ME
Graphon-Level Bayesian Predictive Synthesis for Random Network
The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院）；Yale University（耶鲁大学）
本文提出图核层面的贝叶斯预测合成方法，用于随机网络，证明其在最小最大L^2速率最优，并展示其在结构特性控制和厚尾理论方面的贡献。
2026-09-14 math.ST stat.ME stat.TH
Bayesian Portfolio Optimization by Predictive Synthesis
Data Analytics Department（数据分析部门）；Mizuho-DL Financial Technology Co., Ltd.（Mizuho-DL金融科技有限公司）
针对金融市场不确定性导致单一预测模型失效的问题，提出基于贝叶斯预测合成（BPS）的投资组合优化方法，通过动态线性模型组合多个资产收益预测，构建均值-方差和分位数投资组合。
2025-10-08 cs.LG econ.EM q-fin.CP
Applying Meta-Analytic-Predictive Priors with the R Bayesian evidence synthesis tools
在临床试验设计和分析中使用历史数据已显示出各种优势，如减少研究内安慰剂治疗的受试者数量和增加研究把握度。荟萃分析预测（MAP）方法采用分层模型解释试验间异质性，以便从历史（通常为对照）数据中获得信息性先验。在本文中，我们介绍了包RBesT（R贝叶斯证据合成工具），实现了MAP方法与正常（已知采样标准差），二项式和泊松端点。用MCMC对层次MAP模型进行了评价。代表MAP先验的数值MCMC样本用期望最大化算法获得的参数混合密度近似。参数混合密度表示便于MAP先验的轻松通信，并能够通过快速准确的分析程序来评估具有信息丰富的MAP先验的试验设计的特性。本文首先介绍了强大的贝叶斯证据合成在这种情况下的框架，然后解释RBesT如何促进推导和评估的信息MAP之前，从历史对照数据。此外，我们描述了元分析框架如何涉及到进一步的应用，包括成功的概率计算。
2019-12-11 stat.AP
Bayesian Synthesis: Combining subjective analyses, with an application to ozone data
贝叶斯模型平均使人们能够以连贯的方式组合多个模型的不同预测，从而获得卓越的预测性能。性能的提高来自于对做出不同预测的模型进行平均。在这项工作中，我们利用可能是不同预测的最大驱动力-不同的分析师-以获得模型平均的全部好处。在我们的方法的标准实现中，几个数据分析师独立地处理数据集的各个部分，得出单独的模型，这些模型最终通过特定的加权方法进行更新和组合。我们称这个建模过程为贝叶斯综合。该方法有助于减轻人们对贝叶斯范式的基本基础与贝叶斯统计实践之间存在巨大差距的担忧。在实验工作中，我们表明，人类建模的预测性能优于许多自动建模技术，包括AIC，BIC，平滑样条，CART，袋装CART，贝叶斯CART，BMA和LARS，只有略逊于BART。我们还表明，贝叶斯合成进一步提高了预测性能。此外，我们检查了分析师之间的简单平均值的预测性能，我们称之为凸合成，并发现它也产生了改进。
2011-07-29 stat.AP
Decision synthesis in monetary policy
本文提出贝叶斯预测决策综合（BPDS）方法，以规范货币政策决策过程，整合多个模型、决策目标与预期，并通过中央银行目标利率案例展示其对多步宏观经济预测的改进。
2025-02-25 econ.EM stat.ME
Scenario Synthesis and Macroeconomic Risk
本文提出贝叶斯框架将情景分析与统计预测模型相融合，通过一致性度量、预测综合和情景集完备性处理，系统评估并量化不同情景下的宏观经济风险。
2025-05-08 econ.EM stat.ME
Dynamic Bayesian Predictive Synthesis in Time Series Forecasting
讨论了时间序列预测中的模型和预测组合问题。基于主体意见分析理论的基本贝叶斯观点定义了一个新的框架密度预测组合，并包括几个现有的预测池方法。我们开发了一类新的动态潜在因素模型的时间序列预测合成，基于模拟的计算实现。这些模型可以动态地适应时变的偏差，错误校准和多个模型或预测器之间的相互依赖性。一项宏观经济预测研究强调了综合预测密度之间的动态关系，以及在多个层面提高预测准确性的潜力。
2022-03-02 stat.ME
Dynamic Bayesian regression quantile synthesis for forecasting outlook-at-risk
Meiji University（明治大学）；Keio University（庆应义塾大学）；Nagoya University（名古屋大学）
本文提出动态贝叶斯回归分位数合成方法，通过引入时间变化的潜在因子结构，提升多变量时间序列的分位数预测性能。
2026-03-12 stat.AP stat.ME
Calibrating generalized predictive distributions
在预测问题中，通常会对数据生成过程进行建模，然后使用基于模型的过程（如贝叶斯预测分布）来量化下一个观测值的不确定性。然而，如果假设的模型被错误指定，那么它的预测可能不会被校准-也就是说，预测分布的分位数可能不是标称频率论预测上限，甚至是渐进的。而不是放弃一个更复杂的非基于模型的方法，基于模型的配方的舒适性，在这里，我们提出了一个策略，其中数据本身有助于确定假设的基于模型的解决方案是否应该调整模型误指定。这是通过一个广义贝叶斯公式，其中的学习率参数进行调整，通过建议的广义预测校准（GPrC）算法，使预测分布校准，即使在模型误指定。大量的数值实验，在各种设置下，证明所提出的GPrC算法的有效性，效率和鲁棒性。
2021-07-04 stat.CO stat.ME
Bayesian Quantile-Based Correction and Synthesis of Hydrologic Products
University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校）
本研究提出基于DQLMs的贝叶斯分位数校正合成框架，结合多源水文数据，实现中期流量预报及多水平不确定性量化，为水文预报提供有效方法。
2026-08-18 stat.AP
Sequential Bayesian Predictive Synthesis
本研究提出一种Rao-Blackwellized粒子滤波器结合MCMC干预，用于线性和高斯动态贝叶斯预测综合，并通过幂折扣似然估计折扣因子，以解决美国通胀率预测中分布适应缓慢的问题。
2023-08-30 stat.CO stat.ME
Predictive Decision Synthesis for Portfolios: Betting on Better Models
本文提出贝叶斯预测决策综合（BPDS）方法，在模型不确定性下对金融时间序列进行序贯学习、预测与投资组合再投资决策，并通过汇率预测与再平衡案例证明其优于传统贝叶斯分析。
2024-04-30 q-fin.PM stat.AP stat.ME
Predictive Concordance for Parameter Optimisation and Mixture Synthesis
International Monetary Fund（国际货币基金组织）；Johns Hopkins University（约翰斯·霍普金斯大学）；Board of Governors of the Federal Reserve System（联邦储备系统理事会）；Duke University（杜克大学）
基于期望误分类率（EMR）提出概率一致性度量，通过最大化EMR或其正则化变体优化参数，并应用于宏观经济政策情景预测中的混合合成。
2026-06-15 math.ST stat.ME stat.TH
SynthTree: Co-supervised Local Model Synthesis for Explainable Prediction
针对黑箱模型准确性高但可解释性不足的问题，本文提出在黑箱协同监督下估计MLM，并通过凝聚聚类与叶节点含线性或逻辑回归的决策树划分输入空间，在较小精度损失下提升可解释性。
2024-06-16 stat.AP stat.ME stat.ML
