The macroeconomy as a random forest
将宏观经济建模为随机森林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。
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：摘要直接研究宏观预测、随时间变化的方程参数及结构变化，因此对应预测、结构变化和时间序列方向。
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…
关注这篇论文的作者
将宏观经济建模为随机森林
- 研究问题
- 如何让线性宏观方程的参数随经济状态灵活变化，并借此改善失业与通胀预测，同时保留对参数变化的经济解释？
- 方法与思路
- 作者改造随机森林以估计广义时变参数，将门槛、状态切换、平滑转换和结构变化纳入同一框架，并用于宏观预测。
- 材料陈述的贡献
- 摘要称，该方法较多种替代模型取得预测改进，并通过时变参数解释衰退前前瞻变量影响增强及菲利普斯曲线变化。
- 阅读关注点
- 应核对时变参数的构造、预测样本划分与信息可得性、比较模型的设定，以及变量影响变化如何从模型中提取。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断预测改进的统计显著性、参数解释的识别基础或样本外稳定性，也不能推断其他版本变化。
原文摘要
Summary I develop the macroeconomic random forest (MRF), an algorithm adapting the canonical machine learning (ML) tool, to flexibly model evolving parameters in a linear macro equation. Its main output, generalized time‐varying parameters (GTVPs), is a versatile device nesting many popular nonlinearities (threshold/switching, smooth transition, and structural breaks/change) and allowing for sophisticated new ones. The approach delivers clear forecasting gains over numerous alternatives, predicts the 2008 drastic rise in unemployment, and performs well for inflation. Unlike most ML‐based methods, MRF is directly interpretable—via its GTVPs. For instance, the successful unemployment forecast is due to the influence of forward‐looking variables (e.g., term spreads and housing starts) nearly doubling before every recession. Interestingly, the Phillips curve has indeed flattened, and its might is highly cyclical.