Can Machine Learning Catch the COVID-19 Recession?
机器学习能否捕捉新冠疫情衰退？AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以英国大型宏观数据集和疫情期间伪样本外预测为核心，直接对应宏观预测方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
机器学习能否捕捉新冠疫情衰退？
- 研究问题
- 面对疫情时期前所未有的宏观变化，哪些非线性机器学习方法能够有效预测，模型能否向历史样本范围之外外推有何影响？
- 方法与思路
- 作者构建英国大型宏观数据集 UK-MD，并开展广泛的伪样本外预测比较，重点考察常规树与森林以及结合线性动态成分的方法。
- 材料陈述的贡献
- 摘要称，英国数据证据提示一般形式的非线性建模值得关注，同时强调不同机器学习方法的外推能力存在差别，并通过预测练习研究其影响。
- 阅读关注点
- 应核对数据发布日期与修订处理、预测目标和期限、训练窗口及调参方案，以及疫情期间的外推表现是否区别于常规时期的预测表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出模型排名、误差数值或实时数据处理，不能据此认定机器学习普遍优于其他方法。
原文摘要
Based on evidence gathered from a newly built large macroeconomic data set for the UK, labeled UK-MD and comparable to similar datasets for the US and Canada, it seems the most promising avenue for forecasting during the pandemic is to allow for general forms of nonlinearity by using machine learning (ML) methods. But not all nonlinear ML methods are alike. For instance, some do not allow to extrapolate (like regular trees and forests) and some do (when complemented with linear dynamic components). This and other crucial aspects of ML-based forecasting in unprecedented times are studied in an extensive pseudo-out-of-sample exercise.