Temporal Disaggregation of GDP: When Does Machine Learning Help?
GDP 的时间分解：机器学习何时有帮助？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：摘要直接研究季度 GDP 向月度序列的时间分解，并讨论滞后指标与跨频率一致性，属于时间序列方法。
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
GDP 的时间分解：机器学习何时有帮助？
- 研究问题
- 将季度 GDP 分解为月度序列时，机器学习能否改善估计，以及改善主要来自正则化还是非线性建模？
- 方法与思路
- 作者提出模块化框架，将监督学习回归与 Mariano–Murasawa 季度一致性校准结合，比较四国的四类模型。
- 材料陈述的贡献
- 摘要称收益主要来自正则化；美国加入滞后指标后，Elastic Net 的 R² 达到 0.87，并提供相关理论分析。
- 阅读关注点
- 应核对月度目标和评价基准如何构造、滞后指标是否造成信息泄漏，以及季度一致性约束和理论结果的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明评价设计，不能据此认定正则化在其他样本中普遍占优。
原文摘要
We propose a modular framework for temporal disaggregation of quarterly GDP into monthly frequency, in which the regression step accommodates any supervised learning model while Mariano-Murasawa reconciliation enforces quarterly consistency. Comparing Chow-Lin, Elastic Net, XGBoost, and a Multi-Layer Perceptron across four countries, we find that regularization, not nonlinearity, drives the gains: Elastic Net achieves $R^2 = 0.87$ for the United States when lagged indicators are included, while nonlinear models cannot overcome the variance cost of small quarterly samples. We formalize this tradeoff through regime-switching bias and ridge-regularization results.