零星参与下的预测合成：来自通胀密度调查的证据

中央银行依赖来自专业调查的密度预测来评估通胀风险并传达不确定性。在使用这些调查时面临的一个核心挑战是零星参与：预测者会进入并退出，跳过一些周期，随后在长时间后重新参与。在欧洲央行专业预测师调查中，参与者的 turnover 和缺失情况随时间大幅变化，导致提交的预测集合在每个季度中发生变化。标准的聚合规则——例如等权合并、在删除缺失预测者后重新归一化，或进行 ad hoc 插值——可能会生成人为的预测波动，这些波动是由面板组成变化而非经济信息驱动的，使得实时解释复杂化，掩盖了预测者的表现。我们发展出在零星参与下进行预测组合的连贯贝叶斯更新规则，维持每个预测者即使其预测未被观察时仍具备明确的潜在预测状态。本方法不依赖重新归一化或插值，而是通过面板的隐含条件结构来更新合并预测分布。该方法将真实的绩效差异从机械性参与效应中隔离，并产生可解释的预测者影响动态。在欧洲央行调查中，该方法在等权基准之外提高了预测准确性，尤其是在 turnover 较高的时期，还产生了更平滑且更好的校准的通胀密度预测。