Мы разрабатываем прямой подход к включению прогнозов плотности из опросов в модельные прогнозные распределения. Прогнозы в виде гистограмм из Обзора профессиональных прогнозистов США (SPF) несут богатую непараметрическую информацию об ожидаемых результатах, но существующие методы полагаются на приближения, основанные на моментах, которые часть этой информации отбрасывают. Вместо этого мы энтропийно наклоняем к самим вероятностям гистограмм, точно им соответствуя. После переформулировки задачи с одной гистограммой мы выводим новую аналитическую характеристику случая с несколькими гистограммами, которая решается с помощью итеративной пропорциональной подгонки и применима к смоделированным плотностям практически любой модели. Применяя метод к прогнозам в реальном времени из байесовской векторной авторегрессии с изменяющейся во времени волатильностью, мы обнаруживаем, что наклон к гистограммам SPF существенно повышает точность по сравнению с базовыми прогнозами модели, особенно во время Великого рецессии и пандемии COVID-19. Улучшения выходят за рамки переменных, на которые ориентируется SPF, улучшая также прогнозы для других переменных в системе.