Forecasting Oil Consumption: The Statistical Review of World Energy Meets Machine Learning
预测石油消费：世界能源统计与机器学习的结合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：摘要围绕跨国石油需求动态、自回归基准与样本外预测展开。
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…
预测石油消费：世界能源统计与机器学习的结合
- 研究问题
- 少数主导国家能否解释区域石油需求的大部分动态，并在覆盖主要经济体的样本中改善各国石油消费预测？
- 方法与思路
- 作者用 LASSO 与 OCMT 逐行估计高维集中矩阵，按列范数及相邻范数比筛选主导国家，再结合经济限制构建预测回归。
- 材料陈述的贡献
- 摘要称，美国是全球主导节点，法国和日本是稳健区域节点；加入这些国家的信息后，相对自回归及各国 LASSO 基准取得预测增益。
- 阅读关注点
- 应核对集中矩阵的构造、排除伪主导性的经济限制、预测窗口和显著性检验，以及高波动时期的比较是否使用一致评估方案。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。摘要未提供样本时期、预测增益幅度及完整检验细节，不能据此判断跨时期稳定性。
原文摘要
This paper studies whether a small set of dominant countries can account for most of the dynamics of regional oil demand and improve forecasting performance. We focus on dominant drivers within the OECD and a broad GVAR sample covering over 90\% of world GDP. Our approach identifies dominant drivers from a high-dimensional concentration matrix estimated row by row using two complementary variable-selection methods, LASSO and the one-covariate-at-a-time multiple testing (OCMT) procedure. Dominant countries are selected by ordering the columns of the concentration matrix by their norms and applying a criterion based on consecutive norm ratios, combined with economically motivated restrictions to rule out pseudo-dominance. The United States emerges as a global dominant driver, while France and Japan act as robust regional hubs representing European and Asian components, respectively. Including these dominant drivers as regressors for all countries yields statistically significant forecast gains over autoregressive benchmarks and country-specific LASSO models, particularly during periods of heightened global volatility. The proposed framework is flexible and can be applied to other macroeconomic and energy variables with network structure or spatial dependence.