我们提出了一种直接方法，将调查密度预测纳入基于模型的预测分布中。美国专业预测者调查（SPF）的直方图预测包含了关于预期结果的丰富非参数信息，但现有方法依赖基于矩的近似，从而丢弃了部分信息。我们转而采用熵倾斜法直接作用于直方图概率本身，实现精确匹配。在将单直方图问题重新表述后，我们推导了多直方图情形的新的解析刻画，该情形通过迭代比例拟合（Iterative Proportional Fitting）求解，并适用于来自几乎所有模型的模拟密度。将该方法应用于具有时变波动率的贝叶斯向量自回归（Bayesian VAR）的实时预测，我们发现，相对于模型的基准预测，向 SPF 直方图进行熵倾斜显著提高了预测精度，尤其是在大衰退和新冠疫情时期。这种增益不仅限于 SPF 所针对的变量，也提升了系统中其他变量的预测表现。